Resumen en español

Se presenta el desarrollo de un sistema de clasificación automática de la preferencia por productos de estilo personal, a partir del análisis de señales EEG. Para este fin, se empleó una base de datos pública que comprende registros de 25 sujetos capturados mediante el dispositivo Emotiv Epoc+ de 14 canales a una frecuencia de muestreo de 128 Hz. La solución propuesta abarca seis etapas generales iniciando con el preprocesamiento mediante filtros digitales, seguido de una serie de métodos de reducción de artefactos. Posteriormente, se realizó la extracción de características y selección automática con los métodos RFE, NCA y reducción de dimensionalidad PCA, evaluando el impacto de utilizar estos métodos frente a la selección de los canales frontales (AF3, AF4, F3 y F4) y las bandas de frecuencia Theta (4–8 Hz) y Alfa (8–13 Hz) mediante literatura. En la fase de clasificación, se contrastaron cinco modelos de aprendizaje superficial frente a una arquitectura de aprendizaje profundo VGG16 con transferencia de aprendizaje, evaluando su desempeño a través de validación cruzada estratificada y el protocolo Leave-One Subject-Out para determinar la capacidad de generalización. Los resultados estadísticos confirmaron que la configuración óptima, compuesta por el filtrado FIR, EMD, selección de características NCA y el clasificador KNN, alcanzó un desempeño superior con un F1-Score de 0.84 ± 0.03 y una exactitud del 84.7% ± 0.03, el cual demostró mayor eficacia que el modelo de aprendizaje profundo en escenarios de datos limitados.