Ciência da Computação
URI permanente desta comunidadehttps://repositorio.fei.edu.br/handle/FEI/342
Navegar
1 resultados
Resultados da Pesquisa
Trabalho de Conclusão de Curso Interpretação de emoções com machine learning:(2024-12-04) Souza, Guilherme Reis Queiros de; Oliveira, Gustavo Miranda de; Silveira, Luiz Henrique; Paula, João Victor da Silva; Andrade, Vinícius Cristiano Nagatomo deEmoções são uma das principais características que nos tornam humanos. Algo abstrato, deduzido e catalogado por nós mesmos, que dita toda manifestação da percepção humana no mundo. Um dos grandes desafios atuais da ciência é conseguir, apropriadamente, interceptar e interpretar de forma coesa esses sinais neurais que constituem as emoções bem como explorar as diferentes possibilidades que tais descobertas trazem consigo. Tendo isso em vista, foi realizado neste trabalho a interpretação de sinais neurológicos pré-classificados em um sistema de aprendizado de máquina e a comparação entre as diferentes técnicas utilizadas como SVM, MLP e classificador Random Forest, assim como o levantamento de uma discussão sobre os diferentes impactos e aplicações deste sistema.Os métodos utilizados neste trabalho são formados pela interpretação de sinais neurais através de inteligência artificial e detecção de padrões, desenvolvendo novas técnicas e melhorando as já existentes metodologias, estratégias e resultados. A proveniência dos sinais neurais se dá pelo uso de bases de dados públicas que contemplam detalhes de atividade cerebral de voluntários enquanto estímulos específicos eram exibidos, capturados através de EEG. Estes e outros métodos e materiais são mais detalhadamente descritos nas próximas sessões deste trabalho. Ao utilizar o algoritmo Random Forest Classifier em dados separados em conjuntos de duas emoções tratados utilizando a transformada de Fourier, foi possível obter um índice de acerto de 88,89% na melhor classificação, com outras duplas seguindo em 80% e 77%, conferindo uma melhora no desempenho com relação a outros trabalhos semelhantes. Algumas emoções também tiveram pior desempenho, chegando a bater apenas 22% de acerto, o que é abordado neste trabalho como um possível indicador da semelhança de certas emoções, observada em matrizes de confusão. No final, foi incluída uma demonstração de aplicação da saída deste algoritmo em um jogo simples, a fim de mostrar a capacidade de integração do programa e ilustrar possíveis impactos deste estudo em áreas diversas.