See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/316906609

Experiencia Afectiva de Usuario (UAX): Modelo desde sensores biométricos en

aula de clase con plataforma gamificada de Interacción Gestual

Conference Paper · June 2017

CITATIONS READS

7 892

4 authors:

Pablo Vicente Torres-Carrion Carina Soledad González González

Universidad Técnica Particular de Loja Universidad de La Laguna
87 PUBLICATIONS   417 CITATIONS    494 PUBLICATIONS   3,885 CITATIONS   

SEE PROFILE SEE PROFILE

Luis Rodrigo Barba Guamán Andrea Torres Torres

Universidad Técnica Particular de Loja Universidad Tecnológica de San Juan del Río
105 PUBLICATIONS   413 CITATIONS    2 PUBLICATIONS   7 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Improving mathematics Learning View project

GRAPH AND PATTERNS View project

All content following this page was uploaded by Carina Soledad González González on 14 November 2017.

The user has requested enhancement of the downloaded file.

 Experiencia Afectiva de Usuario (UAX): Modelo
desde sensores biométricos en aula de clase con
plataforma gamificada de Interacción Gestual
Torres-Carrión, Pablo Vicente González-González, Carina Soledad
Departamento de Ciencias de la Computación Departamento de Ingeniería Informática y Sistemas
Universidad Técnica Particular de Loja Universidad de la Laguna
Loja, Ecuador La Laguna, Tenerife, España
[email protected] [email protected]

Barba-Guamán, Luis Rodrigo Torres-Torres, Andrea Cecilia

Departamento de Ciencias de la Computación Universidad Técnica Particular de Loja
Universidad Técnica Particular de Loja Loja,Ecuador
Loja,Ecuador [email protected]
[email protected]
interacción[1]. Navarro[2] explica que la interacción gestual
Abstract— La computación afectiva permite la permite mantener la atención del estudiante en el logro de
sensibilización de la interacción humano computador, objetivos de forma divertida. El reporte Horizon 2020 [3]
validando el estado emocional del usuario. Los niños en el considera que la interacción gestual es una de las tecnologías
ambiente escolar tienden a cambiar muy fácilmente su estado emergentes aplicables a la educación. Los recursos didácticos
emocional por factores externos o propios de la sensibilidad de gamificados generan cambios afectivos, especialmente con la
su edad. Se propone UAX como enfoque general para conocer interacción gestual, por lo tanto la variación emocional debe
el estado emocional del alumno durante su estimulación en el ser evaluada a partir de tales entornos.
aula de clase gamificada con apoyo de una plataforma de
interacción gestual TangoH. La validación es asíncrona, El documento presenta un estudio teórico introductorio de
apoyada en datos fisiológicos obtenidos de sensores, desde los las emociones básicas, sosteniéndonos en la propuesta de Paul
cuales se establece de forma objetiva la valoración emocional del Ekman [4] y otros investigadores, cuyas investigaciones son
alumno. El planteamiento se sostienes en dos fases: la primera base para nuevos proyectos de investigación y productos de
fase contiene 3 momentos: Interacción, Pre-Procesamiento y software. Se presenta UAX como un área emergente de la
resultados intermedios; la segunda fase refiere a una matriz ciencia[1], relacionando investigaciones de UX con análisis de
general para la comparación de Emotion Data y un proceso para emociones, y para nuestro estudio en ambientes educativos, en
seleccionar el mejor modelo de ML aplicando las curvas de particular desde entornos de interacción gestual. Como punto
ROC. Se presenta resultados obtenidos a partir de datos central se describe este enfoque de UAX, que comprende dos
simulados de interacción, siguiendo los parámetros y formatos fases: la primera dividida en tres momentos: un conjunto de
de datos estándares devueltos por sensores de este tipo. fuentes de entrada de datos durante la interacción, que luego de
ser organizados pasan por un procesamiento (algoritmos de
Keywords— User affective experience, gaming experience, Machine Learning en la mayoría de caso) para obtener datos de
gestural interaction, artificial intelligence. la variación de emociones en ventanas de tiempo almacenadas
en una Base de Datos local junto a los modelos de ML; la
I. INTRODUCCIÓN segunda comprende dos productos: un modelo estadístico
La computación afectiva se expande, y en el ámbito basado en una matriz de correlación para los datos de la fase 1,
educativo es necesario establecer métodos prácticos para la para mostrar la estimación del estado emocional general desde
validación de usabilidad de los recursos didácticos digitales un modelo unificado, y un Model Selector basado en curvas
diseñados para el aula de clase, en donde la variación del ROC. Al final están las conclusiones, limitantes y trabajos
estado emocional facilita o limita el proceso de aprendizaje, futuros realizarse desde la propuesta planteada.
por lo cual la inteligencia emocional es continuamente
estimulada por los docentes para propiciar un mejor ambiente II. UAX COMO UN CAMPO EMERGENTE DE LA CIENCIA
de enseñanza-aprendizaje. En este contexto surge User
Affective Experience(UAX) como una sub área emergente de A. Teoría de Emociones Básicas
la ciencia, relacionada a Human Computer Interaction Las emociones básicas, desarrolladas de forma teórica por
(HCI)User Experience (UX), con énfasis en estudiar las Ekman[4], Niedenthal[5], Panksepp[6], Izard[7], Shaver et
emociones del usuario en los diversos ámbitos de la al.[8], entre otros, fueron planteadas como una estructura inicial,

Actas del V Congreso Internacional de Videojuegos y Educación (CIVE'17)

ISBN 978-84-697-3849-8
y son base que sostiene la gran mayoría de estudios de la D. Tango:H. Plataforma Gamificada de Interacción Gestual
computación afectiva. Abarcan metodologías basadas en Como plataforma de interacción gestual se ha valorado y
expresiones faciales de seres humanos adultos (Ekman), resultado favorable Tango:H. Esta herramienta nace en el año
comportamiento de humanos (Izard, Niedenthal), respuestas 2013 como un trabajo conjunto entre ULL e ITER de Santa Cruz
conductuales a estimulación cerebral (Pankseep) y una de Tenerife [16], dividida de forma estratégica en dos módulos
clasificación de palabras que expresan emociones (Shaver et principales: Designer y Cliente. El primero permite el desarrollo
al.). Harmon-Jones[9] expone de forma general un compendio de los ejercicios de interacción en tres formatos:
de emociones básicas teniendo en cuenta los estudios previos: emparejamiento, secuencia y clasificación; y el segundo la
enfado, asco, miedo, ansiedad, tristeza y alegría/felicidad. El configuración de los perfiles de usuario y ejecución de cada
análisis de emociones se consolida como una de las líneas de ejercicio según la planificación del profesor. El sustento técnico
trabajo emergentes de la Interacción Humano-Computador y experimental para evaluar las características lúdicas y de
(HCI). gamificación que dispone esta plataforma la realiza González-
González et al. [17] con el estudio de la aplicación experimental
B. UAX en la ciencia en un ambiente educativo en aulas hospitalarias realizado en las
Al tratarse de un ámbito emergente, es poco el trabajo islas canarias durante los años 2015-2016; detalla que cada
existente en la literatura científica; Buck et al.[1] proponen la recurso individual de interacción está compuesto por (de menor
etimología UAX por primera vez. El diseño afectivo y cognitivo a mayor): punto de contacto (disponibles desde MS Kinect),
envuelve un amplio rango de áreas del conocimiento, incluida objetivo (imagen o región de la pantalla), etapa (conjunto de
ingeniería del diseño, factores humanos y ergonomía, Psicología objetivos), paso (conjunto de etapas, puede ser secuencial o
de la ingeniería, marketing e interación personaordenador [10]. aletatorio), y a nivel macro ejercicio (archivo que contiene todos
Zhou[11] nos explica como evaluar UX desde el estado los recursos). La plataforma dispone de dos modos de juego:
emocional y su influencia en la perspectiva de evaluación de UX solo y pareja. Los elementos de juego disponibles en la
a través de la configuración de parámetros afectivos que forman plataforma son:
parte del diseño; también propone la evaluación teórica de tres
• Puntos
diferentes estados afectivos y dos diferentes necesidades,
obteniendo un modelo jerárquico bayesiano[12]. En el ámbito • Registro de líderes
experimental, varios autores [1] miden UAX en una población • Estatus del jugador
de 400 participantes, observando su comportamiento ante los • Retroalimentación
errores de mensaje que aparecen durante el uso del computador, • Logros
logrando asociar cuarenta y cinco niveles de emociones y las • Niveles
relacionan con los diversos errores de software y alertas de • Personalización de avatar
actualizaciones. UAX ha sido visto de forma indirecta desde UX • Satisfacción de Usuario
con un componente dentro de la evaluación que refiere al ámbito
afectivo, empero no como un eje transversal del mismo. La validación fue conducida por expertos, siguiendo en el
diseño una metodología centrada en usuario, y evaluando
C. UAX en entornos gamificados de Interacción Gestual jugabilidad, usabilidad y funcionalidad[17]. Esta plataforma ha
Los entornos gamificados y de interacción gestual disponen sido ya utilizada en otros estudios referentes a educación y
a UAX de una continua fuente de datos potenciales de estudio. rehabilitación, destacando en todos los casos su facilidad de
Las comunidades de investigadores en HCI reconocen la manejo y diseño, así como la considerable respuesta afectiva de
importancia del factor emocional durante el diseño y desarrollo los estudiantes durante su estimulación. Todas estas
de videojuegos, planteando como objetivo reconocer el estado consideraciones permitieron la selección de la plataforma
emocional del jugador para integrar una representación personal Tango:H como espacio de diseño de los ejercicios y puesta en
en el contexto del juego, haciendo que sea parte integral de la marcha de la solución propuesta en este estudio.
narrativa del videojuego[13]. Esto se amplifica en entornos de
interacción gestual, donde los recursos gamificados tienen uso III. ENFOQUE PROPUESTO DE UAX EN ENTORNOS DE
educativo, recreativo y de rehabilitación [14], disponiendo de INTERACCIÓN GESTUAL
una gran variedad de sensores para la toma de datos. Yiing Ng
Desde UAX se propone un proceso para el tratamiento de la
[15] clasifica en cinco los aspectos de la interface afectiva de un
información proveniente de la interacción gestual, que permita
juego: retos, estética y visualización, narrativa, usabilidad e
conocer el estado emocional del usuario durante la sesión de
interface, y flujo; y expone además tres métodos no invasivos
trabajo. La propuesta inicial es asíncrona, es decir se obtiene los
de medición de la interacción: físicas (movimiento corporal y
datos y se almacenan para un posterior tratamiento de análisis.
gestual, capturado en cámaras y sensores), fisiológicos (piel,
Consta de dos fases secuenciales a nivel general, teniendo como
presión sanguínea, latidos del corazón y ondas cerebrales,
objetivo en la primera la disposición de los resultados en un
medidas desde affective wereables) y observacionales (facial,
formato estándar de datos válido para en la segunda realizar
vocal y de expresiones gestuales); las dos primeras propuestas
análisis y propuestas de investigación con algoritmos de ML que
permiten una valoración objetiva y de estas se ha planteado el
permitan mejorar el diseño de recursos de interacción y la
trabajo con los sensores fisiológicos.
validación de Tango:H desde estos nuevos

Actas del V Congreso Internacional de Videojuegos y Educación (CIVE'17)

ISBN 978-84-697-3849-8
 Identify applicable sponsor/s here. If no sponsors, delete this text box
(sponsors).

parámetros.
A. Fase 1: Recolección de Datos 2) Momento de Pre Procesamiento
Esta fase está compuesta de tres momentos continuos de
estudio; se inicia con el proceso de interacción que requiere una El análisis automático de sentimientos se divide en dos
preparación preliminar de recursos y la captura de las principales enfoques: basados en conocimiento y en aprendizaje
características del usuario; pasamos luego al procesamiento (con automático. En 1995 Picard[10] expone que los coumputadores
o sin Machine Learning), que para su estandarización (en los casos están iniciando a adquirir habilidades para expresar y reconocer
de requerirlo) se sugiere la metodologías CRISP-DM; los afectos, y que pronto tendrán la habilidad de mostrar emociones,
resultados son obtenidos bajo un formato estándar, organizados en siendo ahora una tecnología emergente desde HCI.
ventanas de tiempo/emociones y modelos matemáticos
correspondientes (ver Fig1). El formato estándar permite la
posterior correlación entre la variedad de insumos de entrada
generados.

Figura1: Fase1 – Recolección de Datos Figura2: Fases de Metodología CRISP-DM

1) Momento de Interacción Requiere el trabajo organizado y sistemático para

convertir la data origen en datos clasificados en emociones
básicas organizadas en ventanas de tiempo, que permitan
El momento de interacción requiere una fase previa de visualizar la variación emocional del usuario. Existen varios
planificación (no expuesta en este trabajo) para la preparación del algoritmos para la clasificación en Data Mining (DM) y
escenario, recursos didácticos de interacción (Tango:H Designer), Machine Learning(ML); estas soluciones están dispersas y
configuración y calibración de sensores para captura de datos, requieren de un método para establecer una solución integral
configuración de sistema de interacción(Tango:H cliente) para del estado emocional del usuario durante la interacción. Se
características de usuario, y adecuación de los sistemas de propone utilizar una versión simplificada de la metodología
almacenamiento de información. Las fuentes de entrada de datos Cross Industry Standard Process for Data Mining (CRISP-
consideradas son dos: sensor de lectura de gestos corporales DM) detallado en Figura2. Para el tipo de datos obtenidos
(desde MS Kinect u otro con similares características) y sensor de desde el sensor HR, uno de los modelos de análisis más
ritmo cardiaco. El modelo planteado es incremental, siendo aplicados es Logistic regression classifier, un algoritmo de
posible agregar fuentes de data para el análisis, si en el momento clasificación que mide la relación entre variables categóricas
2 (Pre-Process) se extiende una técnica para transformar la data en y una o más variables independientes; este modelo es de gran
un conjunto de emociones. ayuda en Deep learning para construir árboles de redes
El método para conocer el estado emocional con resultados neuronales. Para casos de usuarios especiales, cuando las
objetivos, fiables y mayor madurez en experimentación científica métricas fisiológicas son muy singulares y no existe un corpus
hace uso de sensores biométricos para obtener datos fisiológicos validado, es necesario crearlo y validarlo previamente para
y neurológicos. El desarrollo de weareables y otros dispositivos de disponer de fuente de data fiable con los algoritmos de
uso personal para monitorear HR y biodata ha fortalecido este entrenamiento y evaluación.
campo de la ciencia [18], [19], cuya data es manejada siguiendo
los patrones usados por médicos y psicólogos. En todos los casos
la información debe ser etiquetada y organizada por cada usuario
y sesión. La confidencialidad de la data está ligada de forma
directa a las buenas prácticas éticas del tratamiento de información
obtenida de personas; además de ello es necesario mantener
medidas de contingencia y seguridad de la data como explica el
estándar ISO 27001.

Actas del V Congreso Internacional de Videojuegos y

Educación (CIVE'17)
ISBN 978-84-697-3849-8
 3) Conjunto de Datos de Emociones

La organización de los datos en ventanas de tiempo es de

gran importancia para la estructuración de la data, y su futura
relación. Los datos fuente deben estar sincronizados en cuanto
al tiempo específico de inicio del análisis. La cantidad de
ventanas de tiempo no debe ser menor a tres, y se establece
en base a al tiempo de interacción, cantidad de fuentes de
origen de data, densidad de los datos en sus diversas formas y
el requerimiento de precisión por parte del investigador;
inclusive una posibilidad sería cada sección de tiempo que el
usuario requiere para responder una pregunta o cumplir una
tarea presente en un recurso didáctico.
La data resultante debe estar en un tipo de dato estándar
que permita la relación de las diversos tipos de datos: CSV, Figura 3: Detalle de emociones en ventanas de
LibSVM´s format, xls or other Excel formal, txt, ARFF from
tiempo desde Sensor 1 (HR)
weka, sav from SPSS, structutured dataset or another standar
data type. En este momento, también se organizan todos los
modelos obtenidos de las diversas técnicas en cada uno de los 2) Modelo de Selección: Análisis de Curvas ROC
pre-procesos, siendo primordial la matriz de confusión:
valores reales y predichos, organizados en verdaderos El Área bajo la curva de Receiver Operating Characteristic
positivos, verdaderos negativos, falsos positivos y falsos (ROC) es una de las medidas de bondad más aplicadas en ML
negativos y estadística, junto a la tasa de clasificaciones correctas y las
B. Fase 2: Correlación de Resultados medidas tipo R2. La curva ROC permite seleccionar los
Esta fase consolida los resultados previos, permitiendo modelos posiblemente óptimos, en una representación de la
establecer desde una matriz de correlación los resultados sensibilidad (razón de verdaderos positivos) frente a la
obtenidos con cada modelo, y establecer el mejor modelo de especificidad (razón de verdaderos positivos) para un sistema
ML aplicando ROC curve. Estos resultados permiten establecer clasificador binario, disponible en una matriz de contingencia;
la mejor solución a implementar bajo cada una de las el mejor modelo de predicción se situaría en la coordenada
situaciones de interacción que puedan presentarse. (x=0, y=1) y se conoce como clasificación perfecta,
representando 100% de sensibilidad (sin Falsos Positivos -
1) Método de Correlación Multivariante error tipo I) y 100% de especificidad (sin Falsos Negativos -
error tipo II)[20]. En un estudio referente Lorincz [21] aplica
La comparación establecida se realiza desde un enfoque análisis ROC en estudio de emociones básicas para comparar
gráfico y estadístico, relacionando la variación respecto de cada modelos basados en time-series kernels, logrando evidenciar el
una de las emociones que ha presentado cada modelo y su modelo con mejores resultados por cada emoción. Para
fuente de datos. Esta comparativa se da a nivel de resultados interpretar las curvas ROC se han establecido los siguientes
específicos [18], realizando un análisis de correlación intervalos para los valores de AUC que van desde 0.5 a 1, como
multivariante, a partir de la relación entre las clases se muestra en la Figura 4.
(emociones) en las ventanas de tiempo en contraste con las
distintas fuentes de datos (ver Fig3). Se requiere medir las
variaciones cíclicas en una serie temporal de clases, aplicando
el modelo y herramienta que estime el investigador, siendo el
modelo Autoregressive Integrated Moving Average (ARIMA)
uno de los sugeridos por la cercanía con las necesidades del
estudio.

Actas del V Congreso Internacional de Videojuegos y Educación (CIVE'17)

ISBN 978-84-697-3849-8
 muestra, se realiza además la comparativa entre algoritmos
para establecer el que mejor se adapta a la data, y sea luego el
que se aplique para fases posteriores de automatización y
recomendación de recursos por usuario, no contempladas en
el documento.
Se considera necesario continuar el estudio y ampliar el
enfoque para un conjunto más amplio de sensores y fuentes de
entrada de datos disponibles durante la interacción del usuario.
Tango:H por su parte como herramienta ha facilitado el proceso
de desarrollo de recursos y aplicación de los mismos para la
intervención experimental.

AGRADECIMIENTO

Figura 4. Resultados para curva ROC desde datos Este trabajo cuenta con la ayuda de Fundación Carolina de
de Sensor 1 (HR) España, a través de beca doctoral 2014 asignada a Pablo Torres-
Carrión. Los autores agradecen al grupo de investigación ITED de
la ULL y al grupo de investigación i+IPC de la UTPL
El momento de interacción requiere una fase previa de
planificación (no expuesta en este trabajo) para la preparación
del escenario, recursos didácticos de interacción (Tango:H
Designer), configuración y calibración de sensores para REFERENCIAS
captura de datos, configuración de sistema de [1] R. Buck, M. Khan, M. Fagan, and E. Coman, “The User Affective
interacción(Tango:H cliente) para características de usuario, Experience Scale (UAX): A Measure of Emotions Anticipated in
y adecuación de los sistemas de almacenamiento de Response to Pop-Up Computer Warnings,” Int. J. Human–Computer
información. Las fuentes de entrada de datos consideradas son Interact., p. null-null, Apr. 2017.
dos: sensor de lectura de gestos corporales (desde MS Kinect [2] V. Navarro, C. S. Gonzalez, J. M. del Castillo, C. Quirce, and M.
u otro con similares características) y sensor de ritmo Cairós, “Un programa integrado juego motor-videojuego activo para
cardiaco. El modelo planteado es incremental, siendo posible desarrollar hábitos saludables,” in II Simposio Internacional de Políticas
Educativas y Buenas Prácticas TIC, 2013.
agregar fuentes de data para el análisis, si en el momento 2
(Pre-Process) se extiende una técnica para transformar la data [3] L. Johnson, S. Becker, V. Estrada, and A. Freeman, “NMC Horizon
en un conjunto de emociones. Report: 2015 K-12 Edition,” Austin, TX, 2015.
[4] P. Ekman, “Basic Emotions,” in Handbook of cognition and
IV. CONCLUSIONES emotion,
T. Dalgleish and M. Power, Eds. Sussex: John Wiley & Sons Ltd., 1999,
Se presenta un enfoque de UAX aplicable al análisis de pp. 45–60.
emociones durante la interacción gestual en un aula de clase
[5] P. M. Niedenthal, S. Krauth-Gruber, and F. Ric, Psychology of
con recursos didácticos gamificados. La aplicabilidad es emotion: Interpersonal, experiential, and cognitive approaches.
general, sin embargo la data analizada a modo de prueba Psychology Press, 2006.
general ha sido relacionada a un sensor de ritmo cardiaco, que
[6] J. Panksepp, Affective neuroscience: The foundations of human and
siguiendo la metodología de CRISP-DM ha permito obtener animal emotions. Oxford university press, 2004.
como resultado un gráfico donde se detalla la variación de
[7] C. E. Izard, The psychology of emotions. Springer Science &
cada una de las 6 emociones básicas de Ekman en ventanas
Business Media, 1991.
de tiempo relacionadas a cada una de las actividades
realizadas por el estudiante. Se puede realizar un análisis [8] P. Shaver, J. Schwartz, D. Kirson, and C. O’connor, “Emotion
visual del estado emocional durante toda la sesión. La knowledge: further exploration of a prototype approach.,” J. Pers.
Soc. Psychol., vol. 52, no. 6, p. 1061, 1987.
metodología para el tratamiento de los datos puede variar a
una más sencilla como KDD propuesta por Fayyad en 1995 [9] C. Harmon-Jones, B. Bastian, and E. Harmon-Jones, “The Discrete
compuesta de 5 fases; o SEMMA (Sample, Explore, Modify, Emotions Questionnaire: A New Tool for Measuring State
SelfReported Emotions,” PLoS One, vol. 11, no. 8, p. e0159915,
Model, Assess) del
2016.
Instituto SAS.
[10] R. W. Picard, “Affective Computing,” no. 321, pp. 1–16, 1995.
La curva ROC aplicada de forma individual a la data
obtenida de un algoritmo y datos del sensor en ventanas de [11] F. Zhou, B. Lei, Y. Liu, and R. J. Jiao, “Affective parameter shaping
tiempo de una sesión, permite en primer momento realizar un in user experience prospect evaluation based on hierarchical
Bayesian estimation,” Expert Syst. Appl., vol. 78, pp. 1–15, Jul.
análisis de la sensibilidad y especificidad del algoritmo con
2017.
las seis emociones básicas. Aunque en el documento no se

Actas del V Congreso Internacional de Videojuegos y Educación (CIVE'17)

ISBN 978-84-697-3849-8
 [12] R. J. Feng Zhou, R. J. Yangjian Ji, and R. J. Jiao, “Prospect-
Theoretic Modeling of Customer Affective-Cognitive Decisions
Under Uncertainty for User Experience Design,” Human-Machine
Syst. IEEE Trans., vol. 44, no. 4, pp. 468–483, 2014.
[13] C. Magerkurth, A. D. Cheok, R. L. Mandryk, and T. Nilsen,
“Pervasive games: bringing computer entertainment back to the real
world,” Comput. Entertain., vol. 3, no. 3, p. 4, 2005.
[14] C. S. González-González, P. Toledo-Delgado, M. Padrón, E.
Santos, and M. Cairos, “Including gamification techniques in the
design of Tango: H Platform,” J. Teknol. (Sciences Eng., vol. 63,
no. 3, pp. 77– 84, 2013.

[15] Y. Y. Ng and C. W. Khong, “A review of affective user-centered

design for video games,” User Science and Engineering (i-USEr),
2014 3rd International Conference on. pp. 79–84, 2014.
[16] I. T. de E. R. ITER, Tango:H. Manual de Usuario. Santa Cruz de
Tenerife - España: ITER, 2013.
[17] C. S. González, P. Toledo, M. Padrón, E. Santos, and M. Cairos,
“TANGO : H : Creating Active Educational Games for
Hospitalized Children ^,” pp. 135–142.
[18] W. Wen, G. Liu, N. Cheng, J. Wei, P. Shangguan, and W. Huang,
“Emotion Recognition Based on Multi-Variant Correlation of
Physiological Signals,” IEEE Transactions on Affective
Computing, vol. 5, no. 2. IEEE, PISCATAWAY, pp. 126–140,
2014.

[19] C. D. Katsis, N. S. Katertsidis, and D. I. Fotiadis, “An integrated

system based on physiological signals for the assessment of
affective states in patients with anxiety disorders,” Biomed. Signal
Process. Control, vol. 6, no. 3, pp. 261–268, Jul. 2011.
[20] T. Fawcett, “An introduction to ROC analysis,” Pattern Recognit.
Lett., vol. 27, no. 8, pp. 861–874, 2006.

[21] A. Lorincz, L. Jeni, Z. Szabo, J. Cohn, and T. Kanade, “Emotional

expression classification using time-series kernels,” in Proceedings
of the IEEE Conference on Computer Vision and Pattern
Recognition Workshops, 2013, pp. 889–895.

Actas del V Congreso Internacional de Videojuegos y Educación (CIVE'17)

ISBN 978-84-697-3849-8

View publication stats