Emotion classification using artificial intelligence and physiological signal processing
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UNIFESP |
Texto Completo: | https://repositorio.unifesp.br/handle/11600/70753 |
Resumo: | Emoções desempenham um papel crucial na cognição humana, exercendo influência em vários aspectos da vida dos indivíduos. A ampla adoção da inteligência artificial e do aprendizado de máquina despertou o interesse no desenvolvimento de sistemas capazes de reconhecer e classificar automaticamente emoções e estados afetivos. No entanto, identificar com precisão as emoções humanas continua a ser um desafio formidável devido à sua natureza multifacetada e às alterações fisiológicas associadas. Este estudo teve como objetivo criar uma ferramenta para classificação automática de emoções humanas, independente do participante, utilizando sinais cardíacos de dispositivos de baixo custo e um conjunto de dados disponível publicamente. O projeto foi apoiado por uma revisão sistemática da literatura e abrangeu o processamento de sinais cardíacos e a aplicação de algoritmos de aprendizado de máquina para classificar nove estados emocionais diferentes. Três métodos distintos de organização de dados foram desenvolvidos e quatro modelos diferentes de aprendizado de máquina foram empregados para a tarefa de classificação. Os resultados obtidos a partir das diversas abordagens de organização de dados complementaram-se, enfatizando a necessidade de incorporar uma variabilidade substancial nas respostas fisiológicas a situações emocionais durante o processo de treino para alcançar resultados ótimos num contexto independente do participante. O potencial de aplicação da ferramenta proposta é extenso, abrangendo desde a área médica até a avaliação e desenvolvimento de novos produtos de consumo, justificando sua importância. |
id |
UFSP_0e738a8560a680df797fa000ba763b1c |
---|---|
oai_identifier_str |
oai:repositorio.unifesp.br/:11600/70753 |
network_acronym_str |
UFSP |
network_name_str |
Repositório Institucional da UNIFESP |
repository_id_str |
3465 |
spelling |
Emotion classification using artificial intelligence and physiological signal processingEmoçõesClassificação Automática de EmoçõesProcessamento de Sinais CardíacosInteligência ArtificialAprendizado de MáquinaEmoções desempenham um papel crucial na cognição humana, exercendo influência em vários aspectos da vida dos indivíduos. A ampla adoção da inteligência artificial e do aprendizado de máquina despertou o interesse no desenvolvimento de sistemas capazes de reconhecer e classificar automaticamente emoções e estados afetivos. No entanto, identificar com precisão as emoções humanas continua a ser um desafio formidável devido à sua natureza multifacetada e às alterações fisiológicas associadas. Este estudo teve como objetivo criar uma ferramenta para classificação automática de emoções humanas, independente do participante, utilizando sinais cardíacos de dispositivos de baixo custo e um conjunto de dados disponível publicamente. O projeto foi apoiado por uma revisão sistemática da literatura e abrangeu o processamento de sinais cardíacos e a aplicação de algoritmos de aprendizado de máquina para classificar nove estados emocionais diferentes. Três métodos distintos de organização de dados foram desenvolvidos e quatro modelos diferentes de aprendizado de máquina foram empregados para a tarefa de classificação. Os resultados obtidos a partir das diversas abordagens de organização de dados complementaram-se, enfatizando a necessidade de incorporar uma variabilidade substancial nas respostas fisiológicas a situações emocionais durante o processo de treino para alcançar resultados ótimos num contexto independente do participante. O potencial de aplicação da ferramenta proposta é extenso, abrangendo desde a área médica até a avaliação e desenvolvimento de novos produtos de consumo, justificando sua importância.Não recebi financiamentoUniversidade Federal de São PauloMoraes, Matheus Cardoso [UNIFESP]Casali, Karina Rabello [UNIFESP]Cunha, Tatiana Souza [UNIFESP]http://lattes.cnpq.br/2188710413184266http://lattes.cnpq.br/6737487161341934http://lattes.cnpq.br/1854451408004051http://lattes.cnpq.br/5362696519263153Claret, Anderson Faria [UNIFESP]2024-02-22T11:38:40Z2024-02-22T11:38:40Z2024-01-25info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersion145 f.application/pdfhttps://repositorio.unifesp.br/handle/11600/70753engSão José dos Campos - SPinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFESPinstname:Universidade Federal de São Paulo (UNIFESP)instacron:UNIFESP2024-08-13T20:43:32Zoai:repositorio.unifesp.br/:11600/70753Repositório InstitucionalPUBhttp://www.repositorio.unifesp.br/oai/requestbiblioteca.csp@unifesp.bropendoar:34652024-08-13T20:43:32Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)false |
dc.title.none.fl_str_mv |
Emotion classification using artificial intelligence and physiological signal processing |
title |
Emotion classification using artificial intelligence and physiological signal processing |
spellingShingle |
Emotion classification using artificial intelligence and physiological signal processing Claret, Anderson Faria [UNIFESP] Emoções Classificação Automática de Emoções Processamento de Sinais Cardíacos Inteligência Artificial Aprendizado de Máquina |
title_short |
Emotion classification using artificial intelligence and physiological signal processing |
title_full |
Emotion classification using artificial intelligence and physiological signal processing |
title_fullStr |
Emotion classification using artificial intelligence and physiological signal processing |
title_full_unstemmed |
Emotion classification using artificial intelligence and physiological signal processing |
title_sort |
Emotion classification using artificial intelligence and physiological signal processing |
author |
Claret, Anderson Faria [UNIFESP] |
author_facet |
Claret, Anderson Faria [UNIFESP] |
author_role |
author |
dc.contributor.none.fl_str_mv |
Moraes, Matheus Cardoso [UNIFESP] Casali, Karina Rabello [UNIFESP] Cunha, Tatiana Souza [UNIFESP] http://lattes.cnpq.br/2188710413184266 http://lattes.cnpq.br/6737487161341934 http://lattes.cnpq.br/1854451408004051 http://lattes.cnpq.br/5362696519263153 |
dc.contributor.author.fl_str_mv |
Claret, Anderson Faria [UNIFESP] |
dc.subject.por.fl_str_mv |
Emoções Classificação Automática de Emoções Processamento de Sinais Cardíacos Inteligência Artificial Aprendizado de Máquina |
topic |
Emoções Classificação Automática de Emoções Processamento de Sinais Cardíacos Inteligência Artificial Aprendizado de Máquina |
description |
Emoções desempenham um papel crucial na cognição humana, exercendo influência em vários aspectos da vida dos indivíduos. A ampla adoção da inteligência artificial e do aprendizado de máquina despertou o interesse no desenvolvimento de sistemas capazes de reconhecer e classificar automaticamente emoções e estados afetivos. No entanto, identificar com precisão as emoções humanas continua a ser um desafio formidável devido à sua natureza multifacetada e às alterações fisiológicas associadas. Este estudo teve como objetivo criar uma ferramenta para classificação automática de emoções humanas, independente do participante, utilizando sinais cardíacos de dispositivos de baixo custo e um conjunto de dados disponível publicamente. O projeto foi apoiado por uma revisão sistemática da literatura e abrangeu o processamento de sinais cardíacos e a aplicação de algoritmos de aprendizado de máquina para classificar nove estados emocionais diferentes. Três métodos distintos de organização de dados foram desenvolvidos e quatro modelos diferentes de aprendizado de máquina foram empregados para a tarefa de classificação. Os resultados obtidos a partir das diversas abordagens de organização de dados complementaram-se, enfatizando a necessidade de incorporar uma variabilidade substancial nas respostas fisiológicas a situações emocionais durante o processo de treino para alcançar resultados ótimos num contexto independente do participante. O potencial de aplicação da ferramenta proposta é extenso, abrangendo desde a área médica até a avaliação e desenvolvimento de novos produtos de consumo, justificando sua importância. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-02-22T11:38:40Z 2024-02-22T11:38:40Z 2024-01-25 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.unifesp.br/handle/11600/70753 |
url |
https://repositorio.unifesp.br/handle/11600/70753 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
145 f. application/pdf |
dc.coverage.none.fl_str_mv |
São José dos Campos - SP |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Paulo |
publisher.none.fl_str_mv |
Universidade Federal de São Paulo |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFESP instname:Universidade Federal de São Paulo (UNIFESP) instacron:UNIFESP |
instname_str |
Universidade Federal de São Paulo (UNIFESP) |
instacron_str |
UNIFESP |
institution |
UNIFESP |
reponame_str |
Repositório Institucional da UNIFESP |
collection |
Repositório Institucional da UNIFESP |
repository.name.fl_str_mv |
Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP) |
repository.mail.fl_str_mv |
biblioteca.csp@unifesp.br |
_version_ |
1814268419014393856 |