Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz

Detalhes bibliográficos
Autor(a) principal: Herchonvicz, Andrey Lucas
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/250247
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.
id UFSC_d5c263c825ccf23d17521ecfe2637e32
oai_identifier_str oai:repositorio.ufsc.br:123456789/250247
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Neuroevolução de redes LSTM: uma aplicação na detecção de engano via vozComputaçãoAprendizado profundo (aprendizado do computador)Algorítmos computacionaisRedes neurais (Computação)Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.A tarefa de detectar mentiras tem uma longa história, desde o uso do polígrafo e, recentemente, a detecção de mentiras em conversas tem se mostrado um desafio complexo. A utilização dessa tecnologia pode ser aplicada em diversas áreas, como segurança, cibersegurança, recursos humanos, psicologia e também para interrogatório de suspeitos. Devido à dificuldade de detectar mentiras por meio da fala, muitas abordagens estão aplicando aprendizado de máquina combinando áudio da fala e características textuais da transcrição de áudio. Muitas técnicas foram desenvolvidas para detectar mentiras por meio da fala, e o objetivo deste trabalho é discutir mais detalhadamente essas abordagens que foram identificadas por meio de uma revisão sistemática da literatura. Assim, este trabalho apresenta um histórico que mostra aspectos da mentira, detecção de mentiras e técnicas usadas para esse propósito. Também são discutidas técnicas baseadas em aprendizado profundo para detectar mentiras, bem como outros aspectos, como conjuntos de dados e métricas disponíveis. Além disso, o objetivo é obter melhores resultados na detecção de mentiras por meio da proposta de uma abordagem de Neuroevolução, que combina redes neurais e algoritmo genético. Os resultados do método proposto alcançaram uma pontuação F1-score de 63,06% sem overfitting, utilizando o conjunto de dados Bag-of-Lies. Os resultados mostram que a abordagem proposta pode servir para melhorar as arquiteturas de redes neurais por meio de evolução guiada, e pode ser estendida para outras tarefas. Além disso, o desempenho da abordagem pode ser ainda mais otimizado investigando outras características das redes Long short-term memory (LSTM), como configurações ótimas de hiperparâmetros. Finalmente, conclui-se este trabalho discutindo as limitações e examinando trabalhos promissores e futuros.Abstract: The task of detecting deception has a long history since using the polygraph and, not long ago, spot deception in conversational speech has been proved to be a complex challenge. The use of this technology can be applied in many fields such as security, cybersecurity, human resources, psychology and also for suspect interrogation. Due to the difficulty of detecting lies through speech, many approaches are applying machine learning combining audio of speech and textual characteristics from audio transcription. Many techniques have been developed to spot deceit through speech, and the purpose of this work is to discuss in more detail these approaches that were identified by a systematic literature review. Thus, we present aspects of lying, deception detection and techniques used for this purpose. Also, we discuss deep learning-based techniques to detect deception and also other aspects such as available datasets and metrics. Moreover, we aim to obtain better results in deception detection by proposing a Neuroevolution approach, which combines Neural Networks and Genetic Algorithm. The results of our method achieved a f1-score of 63.06% with no overfitting, using the Bag-of-Lies dataset. Our results show that our approach can be useful for improving neural network architectures through guided evolution, and it can be extended to other tasks. Moreover, the performance of our approach can be further optimized by investigating other characteristics of Long short-term memory (LSTM) networks, such as optimal hyper-parameter configurations. Finally, we conclude this work by arguing the limitations and examining promising and future works.Santiago, Rafael deUniversidade Federal de Santa CatarinaHerchonvicz, Andrey Lucas2023-09-05T23:12:55Z2023-09-05T23:12:55Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis76 p.| il., gráfs.application/pdf383403https://repositorio.ufsc.br/handle/123456789/250247porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2023-09-05T23:12:55Zoai:repositorio.ufsc.br:123456789/250247Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-09-05T23:12:55Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz
title Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz
spellingShingle Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz
Herchonvicz, Andrey Lucas
Computação
Aprendizado profundo (aprendizado do computador)
Algorítmos computacionais
Redes neurais (Computação)
title_short Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz
title_full Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz
title_fullStr Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz
title_full_unstemmed Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz
title_sort Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz
author Herchonvicz, Andrey Lucas
author_facet Herchonvicz, Andrey Lucas
author_role author
dc.contributor.none.fl_str_mv Santiago, Rafael de
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Herchonvicz, Andrey Lucas
dc.subject.por.fl_str_mv Computação
Aprendizado profundo (aprendizado do computador)
Algorítmos computacionais
Redes neurais (Computação)
topic Computação
Aprendizado profundo (aprendizado do computador)
Algorítmos computacionais
Redes neurais (Computação)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-09-05T23:12:55Z
2023-09-05T23:12:55Z
2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 383403
https://repositorio.ufsc.br/handle/123456789/250247
identifier_str_mv 383403
url https://repositorio.ufsc.br/handle/123456789/250247
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.format.none.fl_str_mv 76 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652141090308096