Reconhecimento de Emoções como ferramenta de apoio às terapias personalizadas
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1266Palavras-chave:
Arquiteturas Híbridas, Reconhecimento de Emoções em Expressões Faciais, Terapias PersonalizadasResumo
Contexto: Em contextos terapêuticos, sistemas de reconhecimento de emoções podem ser uma ferramenta valiosa para pacientes com dificuldades de expressão emocional. Objetivo: Portanto, este trabalho tem como objetivo apresentar um comparativo entre arquiteturas híbridas para realizar reconhecimento de emoções em expressões faciais. Método: As arquiteturas propostas foram treinadas-validadas com a base de dados FER2013 e se baseiam na decomposição de Wavelet e em Transfer Learning. Diferentes configurações de pré-processamento dos dados também foram exploradas. Resultado: Como resultado, a arquitetura composta por uma VGG16 e um Random Forest, obteve 74,52% de acurácia no treinamento e 84,72% no teste, apenas com 27% dos atributos da VGG16. A arquitetura de DWNN, com 4 camadas e Random Forest, obteve 70,77% de acurácia no treinamento e 81,21% no teste, utilizando 34% dos atributos. Conclusão: A melhor arquitetura irá compor um sistema de reconhecimento de emoções para personalização de terapias.
Referências
Adyapady, R. Rashmi; Annappa, B. A comprehensive review of facial expression recognition techniques. Multimedia Systems, v. 29, n. 1, p. 73-103, 2023. DOI: https://doi.org/10.1007/s00530-022-00984-w
Khateeb, Muhammad; Anwar, Syed Muhammad; Alnowami, Majdi. Multi-domain feature fusion for emotion classification using DEAP dataset. Ieee Access, v. 9, p. 12134-12142, 2021. DOI: https://doi.org/10.1109/ACCESS.2021.3051281
Leong, Sze Chit et al. Facial expression and body gesture emotion recognition: A systematic review on the use of visual data in affective computing. Computer Science Review, v. 48, p. 100545, 2023. DOI: https://doi.org/10.1016/j.cosrev.2023.100545
Torcate, Arianne Sarmento; De Santana, Maíra Araújo; Dos Santos, Wellington Pinheiro. Emotion Recognition to Support Personalized Therapy: An Approach Based on a Hybrid Architecture of CNN and Random Forest. In: 2023 IEEE Latin American Conference on Computational Intelligence, 2023. DOI: https://doi.org/10.1109/LA-CCI58595.2023.10409408
González, Eduardo J. Santos; Mcmullen, Kyla. The design of an algorithmic modal music platform for eliciting and detecting emotion. In: 2020 8th international winter conference on brain-computer interface (bci). IEEE, 2020. p. 1-3. DOI: https://doi.org/10.1109/BCI48061.2020.9061664
Gong, Weijun et al. Enhanced spatial-temporal learning network for dynamic facial expression recognition. Biomedical Signal Processing and Control, v. 88, p. 105316, 2024. DOI: https://doi.org/10.1016/j.bspc.2023.105316
Motadi, Lesetja et al. Ai as a novel approach for exploring ccfnas in personalized clinical diagnosis and prognosis: Providing insight into the decision-making in precision oncology. In: Artificial Intelligence and Precision Oncology: Bridging Cancer Research and Clinical Decision Support. Cham: Springer Nature Switzerland, 2023. p. 73-91. DOI: https://doi.org/10.1007/978-3-031-21506-3_4
Ferreira, Cyntia Diógenes; Torro-Alves, Nelson. Reconhecimento de emoções faciais no envelhecimento: uma revisão sistemática. Universitas Psychologica, v. 15, p. 1-12, 2016. DOI: https://doi.org/10.11144/Javeriana.upsy15-5.refe
Teh, Elizabeth J.; Yap, Melvin J.; Rickard Liow, Susan J. Emotional processing in autism spectrum disorders: Effects of age, emotional valence, and social engagement on emotional language use. Journal of autism and developmental disorders, v. 48, p. 4138-4154, 2018. DOI: https://doi.org/10.1007/s10803-018-3659-x
Bernieri, G., & Duarte, J. C. (2023). Identifying Alzheimer’s Disease Through Speech Using Emotion Recognition. Journal of Health Informatics, 15 (Especial). https://doi.org/10.59681/2175-4411.v15.
Grondhuis, Sabrina N. et al. Having difficulties reading the facial expression of older individuals? Blame it on the facial muscles, not the wrinkles. Frontiers in Psychology, v. 12, p. 620768, 2021. DOI: https://doi.org/10.3389/fpsyg.2021.620768
Sahoo, Goutam Kumar; Das, Santos Kumar; Singh, Poonam. Performance comparison of facial emotion recognition: a transfer learning-based driver assistance framework for in-vehicle applications. Circuits, Systems, and Signal Processing, v. 42, n. 7, p. 4292-4319, 2023. DOI: https://doi.org/10.1007/s00034-023-02320-7
Podder, Tanusree; Bhattacharya, Diptendu; Majumdar, Abhishek. Time efficient real time facial expression recognition with CNN and transfer learning. Sādhanā, v. 47, n. 3, p. 177, 2022. DOI: https://doi.org/10.1007/s12046-022-01943-x
De Freitas Barbosa, Valter Augusto et al. Deep-wavelet neural networks for breast cancer early diagnosis using mammary termographies. In: Deep learning for data analytics. Academic Press, 2020. p. 99-124. DOI: https://doi.org/10.1016/B978-0-12-819764-6.00007-7
Goodfellow, Ian J. et al. Challenges in representation learning: A report on three machine learning contests. In: Neural Information Processing: 20th International Conference, ICONIP 2013, Daegu, Korea, November 3-7, 2013. Proceedings, Part III 20. Springer berlin heidelberg, 2013. p. 117-124.
Mallat, Stephane G. Multifrequency channel decompositions of images and wavelet models. IEEE Transactions on Acoustics, speech, and signal processing, v. 37, p. 2091-2110, 1989. DOI: https://doi.org/10.1109/29.45554
Chawla, Nitesh V.. et al. SMOTE: synthetic minority over-sampling technique. Journal of artificial intelligence research, v. 16, p. 321-357 2002. DOI: https://doi.org/10.1613/jair.953
Kennedy, James; Eberhart, Russell. Particle swarm optimization. In: Proceedings of ICNN'95-international conference on neural networks. ieee, 1995. p. 1942-1948. DOI: https://doi.org/10.1109/ICNN.1995.488968
Yang, Lei et al. Facial expression recognition based on transfer learning and SVM. In: Journal of Physics: Conference Series. IOP Publishing, 2021. p. 01. DOI: https://doi.org/10.1088/1742-6596/2025/1/012015
Ab Wahab, Mohd Nadhir et al. Efficient net-lite and hybrid CNN-KNN implementation for facial expression recognition on raspberry pi. IEEE Access, v. 9, p. 134065-134080, 2021. DOI: https://doi.org/10.1109/ACCESS.2021.3113337
Gunawan, Teddy Surya et al. Development of video-based emotion recognition using deep learning with Google Colab. TELKOMNIKA (Telecommunication Computing Electronics and Control), v. 18, n. 5, p. 2463-2471, 2020. DOI: https://doi.org/10.12928/telkomnika.v18i5.16717
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
