• português (Brasil)
    • English
    • español
  • español 
    • português (Brasil)
    • English
    • español
  • Login
Ver ítem 
  •   DSpace Principal
  • Centro de Desenvolvimento Tecnológico - CDTec
  • Pós-Graduação em Computação - PPGC
  • PPGC: Dissertações e Teses
  • Ver ítem
  •   DSpace Principal
  • Centro de Desenvolvimento Tecnológico - CDTec
  • Pós-Graduação em Computação - PPGC
  • PPGC: Dissertações e Teses
  • Ver ítem
JavaScript is disabled for your browser. Some features of this site may not work without it.

Um pipeline de aprendizado de máquina para reconhecimento de emoções com base em informações temporais e espaciais de mapas topográficos gerados a partir de sinais de eletroencefalograma

Thumbnail
Ver/
[03]-2673933_Dissertacao_BRUNO_CASCAES_ALVES.pdf (11.90Mb)
Fecha
2024-04-15
Autor
Alves, Bruno Cascaes
Metadatos
Mostrar el registro completo del ítem
Resumen
O reconhecimento de emoções é uma área que está se tornando cada vez mais relevante devido sua implicação direta na vida da sociedade. A área busca por melhores formas de compreender como as emoções, de natureza subjetiva, influenciam o comportamento humano. Considerando que as emoções podem ser expressas de forma não verbal, a análise da atividade cerebral, a partir de sinais de eletroencefalograma, torna-se uma abordagem relevante para a identificação de emoções. O eletroencefalograma registra os sinais elétricos gerados pelo córtex cerebral por meio de eletrodos fixados sobre o couro cabeludo. Estes sinais possuem características complexas, nos domínios espacial, temporal e de frequência. Diante disto, o uso de um pipeline de predição mostra-se como uma alternativa para o reconhecimento de emoções. Consoante a literatura, destacam-se poucos estudos baseados no uso de imagens de mapas topográficos derivados de sinais cerebrais, sobretudo com as informações mapeadas para um formato estruturado. Neste contexto, este trabalho propõe a análise e a construção de modelos de aprendizado de máquina para o reconhecimento de emoções, com base em mapas topográficos do cérebro geradas a partir de sinais de eletroencefalograma na ferramenta EEGLAB. O estudo de caso se refere ao DEAP, um dataset amplamente reconhecido na área, construído por meio de experimentos de eletroencefalograma nos quais os sujeitos foram expostos a estímulos musicais e visuais, realizando autoavaliações em dimensões emocionais, como excitação, valência, dominância e preferência. Além da proposta do pipeline, as principais contribuições deste estudo incluem apresentar um dataset estruturado – construído com base no mapeamento de informações obtidas nos mapas topográficos, abrangendo dados de intensidade cerebral por região, com uso de janelas temporais, para amostras em três bandas de frequência: Alpha, Beta e Gama. Por fim, este estudo apresenta modelos preditivos para o reconhecimento de emoções, com destaque de acurácia de 85,46%, 85,05%, 85,92% e 84,49% para excitação, valência, dominância e preferência, respectivamente – obtida por meio do algoritmo K-Nearest Neighbors utilizando dados de todos os eletrodos.
URI
http://guaiaca.ufpel.edu.br/xmlui/handle/prefix/13586
Colecciones
  • PPGC: Dissertações e Teses [233]

DSpace software copyright © 2002-2022  LYRASIS
Contacto | Sugerencias
Theme by 
Atmire NV
 

 

Listar

Todo DSpaceComunidades & ColeccionesPor fecha de publicaciónAutoresAdvisorsTítulosMateriasKnowledge Areas (CNPq)DepartmentsProgramsDocument TypesAccess TypesEsta colecciónPor fecha de publicaciónAutoresAdvisorsTítulosMateriasKnowledge Areas (CNPq)DepartmentsProgramsDocument TypesAccess Types

Mi cuenta

AccederRegistro

Estadísticas

Ver Estadísticas de uso

DSpace software copyright © 2002-2022  LYRASIS
Contacto | Sugerencias
Theme by 
Atmire NV