Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Alves, Bruno Cascaes |
| Orientador(a): |
Aguiar, Marilton Sanchotene de |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pelotas
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Computação
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://guaiaca.ufpel.edu.br/xmlui/handle/prefix/13586
|
Resumo: |
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. |
