Tipo
Documentos Académicos
Tipo de Documento
Dissertação de Mestrado
Título
Learning Data Representation and Emotion Assessment from Physiological Data
Participantes na publicação
Miguel Alexandre Rodrigues Tomás dos Santos Joaquim (Author)
Ana Luísa Nobre Fred (Adviser)
Hugo Alexandre Teixeira Duarte Ferreira (Adviser)
Dep. Física
IBEB
IBEB
Resumo
As respostas emocionais desempenham um papel vital na comunicação humana e na interação com novas tecnologias. Visando compreender diferentes emoções, e a pensar no desenvolvimento de interfaces digitais mais eficazes, esta dissertação explora a utilização de algoritmos de aprendizagem automática para analisar dados fisiológicos. Numa abordagem inovadora, sinais de eletroencefalograma pré-frontais e fotopletismogramas de 25 indivíduos foram recolhidos enquanto estes assistiam a anúncios televisivos, através da banda BrainBIT (EMOTAI). Usando como input os dados recolhidos, Redes Neuronais Convolucionais foram treinadas para aprenderem novas representações dos dados e classificarem os sinais adquiridos de acordo com a escala Positive and Negative Affect Schedule. Esta abordagem obteve resultados promissores, com valores F1 médios de 76.6% para Positive Affect e 83.3% para Negative Affect. Seguidamente, interpretaram-se as representações apreendidas através do cálculo de correlações entre métricas extraídas dos sinais e a respectiva classificação final. Semelhante tarefa foi implementada usando Support-Vector Machines com métricas extraídas manualmente como input. Valores F1 médios 79.0% para Positive Affect e 81.9% para Negative Affect foram obtidos com o kernel gaussiano e métricas normalizadas. O desempenho dos classificadores foi optimizado através da selecção das melhores métricas. Em ambas as abordagens, as métricas mais importantes pareceram ser a potência das bandas alfa, e os índices de assimetria e sincronização. As métricas consideradas coincidiram com as apreendidas pelas Rede Neuronais e com as selecionadas por Support-Vector Machines, reforçando a sua validade para estudos emocionais. Por fim, identificação biométrica também foi testada com Support-Vector Machines, atingindo uma precisão média de 79.0%.
Data de Publicação
2019-11-22
Instituição
INSTITUTO SUPERIOR TÉCNICO
Identificadores da Publicação
Identificadores do Documento
URL -
https://fenix.tecnico.ulisboa.pt/cursos/mebiom/dissertacao/846778572212294