Classificação de emoções a partir de expressões faciais com deep learning

Detalhes bibliográficos
Autor(a) principal: Guerra, Caroline
Data de Publicação: 2022
Tipo de documento: Artigo
Idioma: por
Título da fonte: Repositório Institucional da UCS
Texto Completo: https://repositorio.ucs.br/11338/11978
Resumo: Saúde mental é um assunto que está cada vez mais em alta, sendo de suma importância conhecer e falar sobre. Problemas como estresse, ansiedade e depressão são considerados como as doenças do século, afetando cada vez mais pessoas ao redor do mundo. Identificar e tratar tais transtornos é expressamente necessário já que, em casos graves como o da depressão, podem levar até mesmo ao suicídio. Em uma sala de aula, a situação não é diferente, a dificuldade de aprendizado, desmotivação e medo de não conseguir corresponder as expectativas, são apenas alguns exemplos do que pode levar um estudante a desenvolver um problema de saúde mental. Estudantes com estados emocionais negativos têm maior dificuldade de aprendizado, o que impacta no seu rendimento escolar e pode piorar ainda mais seu emocional, se tornando um ciclo vicioso. Identificar emoções em sala da aula pode ajudar na identificação de dificuldades de aprendizagem. Neste contexto, sistemas de diagnóstico, baseados em aprendizado de máquina (machine e deep learning), têm sido usados para identificar casos de ansiedade, angústia e depressão. Tais diagnósticos são possíveis por meio da obtenção de modelos de classificação, utilizando mecanismos de aprendizado. Como exemplo, um modelo baseado em uma arquitetura de deep learning, que identifique e classifique as emoções dos estudantes, pode ajudar o professor com feedback sobre sua aula. Para fins deste trabalho de conclusão, objetiva-se conceber e implementar um modelo de classificação baseado em métodos deep learning para a classificação de emoções por meio de imagens de faces humanas. Esta seria a primeira etapa para o desenvolvimento de um sistema que possa inferir dificuldades no aprendizado em sala de aula, possibilitando assim ao educador abordar novas estratégias de ensino que possam melhorar o desempenho da turma e seus estados emocionais. [resumo fornecido pelo autor]
id UCS_d11dde65e5bbfb17df8d844179b9a3f9
oai_identifier_str oai:repositorio.ucs.br:11338/11978
network_acronym_str UCS
network_name_str Repositório Institucional da UCS
repository_id_str
spelling Guerra, CarolineBoff, ElisaAdami, André GustavoWebber, Carine Geltrudes2023-05-17T17:37:43Z2023-05-17T17:37:43Z2022-12-102022-11-28https://repositorio.ucs.br/11338/11978Saúde mental é um assunto que está cada vez mais em alta, sendo de suma importância conhecer e falar sobre. Problemas como estresse, ansiedade e depressão são considerados como as doenças do século, afetando cada vez mais pessoas ao redor do mundo. Identificar e tratar tais transtornos é expressamente necessário já que, em casos graves como o da depressão, podem levar até mesmo ao suicídio. Em uma sala de aula, a situação não é diferente, a dificuldade de aprendizado, desmotivação e medo de não conseguir corresponder as expectativas, são apenas alguns exemplos do que pode levar um estudante a desenvolver um problema de saúde mental. Estudantes com estados emocionais negativos têm maior dificuldade de aprendizado, o que impacta no seu rendimento escolar e pode piorar ainda mais seu emocional, se tornando um ciclo vicioso. Identificar emoções em sala da aula pode ajudar na identificação de dificuldades de aprendizagem. Neste contexto, sistemas de diagnóstico, baseados em aprendizado de máquina (machine e deep learning), têm sido usados para identificar casos de ansiedade, angústia e depressão. Tais diagnósticos são possíveis por meio da obtenção de modelos de classificação, utilizando mecanismos de aprendizado. Como exemplo, um modelo baseado em uma arquitetura de deep learning, que identifique e classifique as emoções dos estudantes, pode ajudar o professor com feedback sobre sua aula. Para fins deste trabalho de conclusão, objetiva-se conceber e implementar um modelo de classificação baseado em métodos deep learning para a classificação de emoções por meio de imagens de faces humanas. Esta seria a primeira etapa para o desenvolvimento de um sistema que possa inferir dificuldades no aprendizado em sala de aula, possibilitando assim ao educador abordar novas estratégias de ensino que possam melhorar o desempenho da turma e seus estados emocionais. [resumo fornecido pelo autor]Mental health is a subject that is increasingly on the rise, and it is of paramount importance to know and talk about. Problems such as stress, anxiety and depression are considered as the diseases of the century, affecting more and more people around the world. Identifying and treating such disorders is expressly necessary since, in severe cases such as depression, they can even lead to suicide. In a classroom, the situation is no different, learning difficulties, lack of motivation and fear of not being able to meet expectations are just a few examples of what can lead a student to develop a mental health problem. Students with negative emotional states have greater learning difficulties, which impacts their school performance and can further worsen their emotional state, becoming a vicious cycle. Identifying emotions in the classroom can help in identifying learning difficulties. In this context, diagnostic systems, based on machine learning (machine and deep learning), have been used to identify cases of anxiety, distress and depression. Such diagnoses are possible by obtaining classification models, using learning mechanisms. As an example, a model based on a deep learning architecture, that identifies and classifies students' emotions, can help the teacher with feedback about their class. For the purposes of this conclusion work, the objective is to design and implement a classification model based on deep learning methods for classifying emotions through images of human faces. This would be the first step towards the development of a system that can infer difficulties in learning in the classroom, thus enabling the educator to approach new teaching strategies that can improve the performance of the class and their emotional states. [resumo fornecido pelo autor]Inteligência artificialEmoçõesExpressão facialProgramas de aprendizadoClassificação de emoções a partir de expressões faciais com deep learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleporreponame:Repositório Institucional da UCSinstname:Universidade de Caxias do Sul (UCS)instacron:UCSinfo:eu-repo/semantics/openAccessUniversidade de Caxias do SulBacharelado em Ciência da ComputaçãoCampus Universitário de Caxias do Sul2022-12-09ORIGINALTCC Caroline Guerra.pdfTCC Caroline Guerra.pdfapplication/pdf5145275https://repositorio.ucs.br/xmlui/bitstream/11338/11978/1/TCC%20Caroline%20Guerra.pdf125474126ee6e896acf9a5f81cf4529aMD51TEXTTCC Caroline Guerra.pdf.txtTCC Caroline Guerra.pdf.txtExtracted texttext/plain63087https://repositorio.ucs.br/xmlui/bitstream/11338/11978/2/TCC%20Caroline%20Guerra.pdf.txta464ded067d1b8aa8ca349387f75aeefMD52THUMBNAILTCC Caroline Guerra.pdf.jpgTCC Caroline Guerra.pdf.jpgGenerated Thumbnailimage/jpeg1858https://repositorio.ucs.br/xmlui/bitstream/11338/11978/3/TCC%20Caroline%20Guerra.pdf.jpgc8e4c20a0b6b7ddacf4878806d962bddMD5311338/119782023-05-18 07:00:47.12oai:repositorio.ucs.br:11338/11978Repositório de Publicaçõeshttp://repositorio.ucs.br/oai/requestopendoar:2023-05-18T07:00:47Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)false
dc.title.pt_BR.fl_str_mv Classificação de emoções a partir de expressões faciais com deep learning
title Classificação de emoções a partir de expressões faciais com deep learning
spellingShingle Classificação de emoções a partir de expressões faciais com deep learning
Guerra, Caroline
Inteligência artificial
Emoções
Expressão facial
Programas de aprendizado
title_short Classificação de emoções a partir de expressões faciais com deep learning
title_full Classificação de emoções a partir de expressões faciais com deep learning
title_fullStr Classificação de emoções a partir de expressões faciais com deep learning
title_full_unstemmed Classificação de emoções a partir de expressões faciais com deep learning
title_sort Classificação de emoções a partir de expressões faciais com deep learning
author Guerra, Caroline
author_facet Guerra, Caroline
author_role author
dc.contributor.other.none.fl_str_mv Boff, Elisa
Adami, André Gustavo
dc.contributor.author.fl_str_mv Guerra, Caroline
dc.contributor.advisor1.fl_str_mv Webber, Carine Geltrudes
contributor_str_mv Webber, Carine Geltrudes
dc.subject.por.fl_str_mv Inteligência artificial
Emoções
Expressão facial
Programas de aprendizado
topic Inteligência artificial
Emoções
Expressão facial
Programas de aprendizado
description Saúde mental é um assunto que está cada vez mais em alta, sendo de suma importância conhecer e falar sobre. Problemas como estresse, ansiedade e depressão são considerados como as doenças do século, afetando cada vez mais pessoas ao redor do mundo. Identificar e tratar tais transtornos é expressamente necessário já que, em casos graves como o da depressão, podem levar até mesmo ao suicídio. Em uma sala de aula, a situação não é diferente, a dificuldade de aprendizado, desmotivação e medo de não conseguir corresponder as expectativas, são apenas alguns exemplos do que pode levar um estudante a desenvolver um problema de saúde mental. Estudantes com estados emocionais negativos têm maior dificuldade de aprendizado, o que impacta no seu rendimento escolar e pode piorar ainda mais seu emocional, se tornando um ciclo vicioso. Identificar emoções em sala da aula pode ajudar na identificação de dificuldades de aprendizagem. Neste contexto, sistemas de diagnóstico, baseados em aprendizado de máquina (machine e deep learning), têm sido usados para identificar casos de ansiedade, angústia e depressão. Tais diagnósticos são possíveis por meio da obtenção de modelos de classificação, utilizando mecanismos de aprendizado. Como exemplo, um modelo baseado em uma arquitetura de deep learning, que identifique e classifique as emoções dos estudantes, pode ajudar o professor com feedback sobre sua aula. Para fins deste trabalho de conclusão, objetiva-se conceber e implementar um modelo de classificação baseado em métodos deep learning para a classificação de emoções por meio de imagens de faces humanas. Esta seria a primeira etapa para o desenvolvimento de um sistema que possa inferir dificuldades no aprendizado em sala de aula, possibilitando assim ao educador abordar novas estratégias de ensino que possam melhorar o desempenho da turma e seus estados emocionais. [resumo fornecido pelo autor]
publishDate 2022
dc.date.submitted.none.fl_str_mv 2022-11-28
dc.date.issued.fl_str_mv 2022-12-10
dc.date.accessioned.fl_str_mv 2023-05-17T17:37:43Z
dc.date.available.fl_str_mv 2023-05-17T17:37:43Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ucs.br/11338/11978
url https://repositorio.ucs.br/11338/11978
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UCS
instname:Universidade de Caxias do Sul (UCS)
instacron:UCS
instname_str Universidade de Caxias do Sul (UCS)
instacron_str UCS
institution UCS
reponame_str Repositório Institucional da UCS
collection Repositório Institucional da UCS
bitstream.url.fl_str_mv https://repositorio.ucs.br/xmlui/bitstream/11338/11978/1/TCC%20Caroline%20Guerra.pdf
https://repositorio.ucs.br/xmlui/bitstream/11338/11978/2/TCC%20Caroline%20Guerra.pdf.txt
https://repositorio.ucs.br/xmlui/bitstream/11338/11978/3/TCC%20Caroline%20Guerra.pdf.jpg
bitstream.checksum.fl_str_mv 125474126ee6e896acf9a5f81cf4529a
a464ded067d1b8aa8ca349387f75aeef
c8e4c20a0b6b7ddacf4878806d962bdd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)
repository.mail.fl_str_mv
_version_ 1798308901149474816