Email: andres.ordonez@sdas-group.com

He was born in pasto - Colombia in 1995. Currently, He received his degree in electronic engineering from the University of Nariño, Pasto – Colombia in 2018. His research interests are EEG signals, Big Data, data mining, emotion detection, machine learning, embebed systems, and networking.

Research Interests

Machine learning, big data, eeg signals.

Publications

1. Recognition of emotions using ICEEMD-based characterization of multimodal physiological signals
   LASCAS 2019
   O. A. Ordóñez-Bolaños, J. F. Gómez-Lara, M. A. Becerra, D. H. Peluffo-Ordóñez, C. M. Duque-Mejía, D. Medrano-David, C. Mejia-Arboleda
   See abstract | see full paper
   ×

   Abstract

   Physiological-signal-analysis-based approaches are typically used for automatic emotion identification. Given the complex nature of signals-related emotions, their right identification often results in a non-trivial and exhaustive process -especially because such signals suffer from high dependence upon multiple external variables. Some emotional criteria of interest are arousal, valence, and dominance. Several research works have addressed this issue, mainly through creating prediction systems, notwithstanding, due to aspects such as accuracy, in-context interpretation and computational cost, it is still considered a great-of-interest, open research eld. This paper is aimed at verifying the usefulness of the so-called improved complete empirical mode decomposition (ICEEMD) as a physiological-signal-characterization building block within an emotion-predicting system. To this purpose, some physiological signals along with patients’ metadata from the DEAP database are considered. The experiments are set-up as follows: Signals are pre-processed by amplitude adjusting and simple filtering. Then, a feature set is built using HC, and multiple statistic measures from information given by the three considered decompositions, namely: ICEEMD, discrete wavelet transform (DWT),and Maximal overlap DWT. Subsequently, Relief F selection algorithm was applied for reducing the dimensionality of the feature space. Finally, classifiers (LDC and K-NN cascade architectures) are used to assess the class-separability given by the feature set. The different decomposition techniques were compared, and the relevant signals and measures were established. Experimental results evidence the suitability of ICEEMD decomposition for physiological-signal-driven emotions analysis.

2. Interpretación semántica computarizada de señales cerebrales para identificar emociones : Un estado del arte
   II Jornadas Internacionales de Investigación Científica y 1er Foro de Investigación "Desafíos Actuales de la Sociedad del Conocimiento"
   J. F. Gómez-Lara, O. A. Ordóñez-Bolaños, D. H. Peluffo-Ordóñez.
   See abstract | see full paper
   ×

   Abstract

   La electroencefalografía es una técnica exploratoria basada en el registro de la actividad eléctrica del cerebro a partir de señales eléctricas medidas sobre el cuero cabello – denominadas señales electroencefalograficas (EEG). Hoy en día, su práctica se ha hecho más común en el campo de la ingeniería y su uso ha traído grandes avances en el campo de la neuro-rehabilitación de diferentes extremidades del cuerpo humano, por otra parte, se ha realizado un gran trabajo en el análisis de esta señales reconociendo actividad cerebral para el desarrollo de lo denominado interfaz cerebro-computador o BCI. Diversos estudios han comprobado que las emociones humanas se pueden determinar por medio de señales EEG. Estas han sido utilizadas para la realización de interfaz cerebro-computador (BCI), diagnostico de pacientes, reconocimiento de emociones, reconocimiento de acciones, etc. No obstante, aunque se han desarrollado diversos estudios, el desarrollo de un método que sea óptimo para la identificación de emociones a partir de señales EEG, considerando aspectos como precisión, coste computacional, aplicaciones en tiempo real, es aún un problema abierto. Por tanto, es necesario realizar más esfuerzos, a nivel de investigación, en el área de sistemas computarizados de análisis EEG. En este trabajo se presenta un estado del arte sobre las técnicas de caracterización y clasificación de señales EEG orientadas a la identificación de emociones humanas.