000129013 001__ 129013 000129013 005__ 20231213131045.0 000129013 037__ $$aTAZ-TFG-2023-3791 000129013 041__ $$aspa 000129013 1001_ $$aIembergenova, Ilmira 000129013 24200 $$aEmotion Recognition and Classification Using Neural Networks 000129013 24500 $$aReconocimiento y clasificación de emociones empleando Redes Neuronales 000129013 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2023 000129013 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000129013 520__ $$aEl presente trabajo se enfoca en el reconocimiento de emociones<br />humanas a partir del análisis de señales fisiológicas mediante el uso de<br />redes neuronales. Esto se lleva a cabo a través de un estudio exhaustivo<br />de diversos tipos de entradas y modelos de redes neuronales destinados<br />a la identificación de las seis emociones primordiales.<br />El método se fundamenta en el ensayo con un grupo de personas 18-25<br />años. Estos individuos se exponen a diecisiete vídeos de distintos géneros<br />cinematográficos con el propósito de evocar emociones. Este estudio se<br />lleva a cabo durante el período de una semana, en este mismo se hace<br />uso de una variedad de sensores para medir la actividad del corazón<br />(ECG), la conductancia de la piel (EDA) y la obtención de imágenes.<br />Durante la fase de recopilación se realizan evaluaciones de emociones e<br />intensidad para cada uno de los sujetos y una vez obtenidos los datos<br />integrales, se aplican metodologías de depuración para extraer<br />características relevantes de cada tipo de señal. Estos datos se<br />almacenan en archivos de formatos de tipo CSV, que posteriormente se<br />emplean como capas de características y de etiquetas en la red neuronal.<br />Por otro lado, para el procesamiento de los datos, se selecciona una red<br />de Memoria a Corto y Largo Plazo Bidireccional (BLSTM), cuya<br />configuración se ajusta en dos modalidades: de forma manual, a través<br />de estudios y conocimientos técnicos, y de manera automática, utilizando<br />GridSearchCV, con el propósito de determinar los hiperparámetros<br />óptimos para el modelo.<br />Además, se lleva a cabo un estudio para analizar la influencia que ejercen<br />las etiquetas usadas en la red neuronal, evaluando el desempeño tanto<br />con un enfoque multi-etiqueta como con etiquetas únicas. Para medir el<br />rendimiento del modelo, se efectúan cálculos de pérdida y precisión.<br />Es importante incidir que las entradas a la red neuronal se dividen en dos<br />conjuntos esenciales: el conjunto de entrenamiento y el conjunto de<br />validación. Estos conjuntos se emplean, respectivamente, para el proceso<br />de entrenamiento y para validar el rendimiento de la red. Con esto<br />mismo, permitiendo estudiar la influencia que diversos factores, como la<br />cantidad y tipo de datos de entrada, ejercen sobre el comportamiento y<br />el rendimiento de la red neuronal bidireccional.<br /><br /> 000129013 521__ $$aGraduado en Ingeniería Mecatrónica 000129013 540__ $$aDerechos regulados por licencia Creative Commons 000129013 700__ $$aAsiain Ansorena, David$$edir. 000129013 7102_ $$aUniversidad de Zaragoza$$bIngeniería Electrónica y Comunicaciones$$cElectrónica 000129013 8560_ $$f808027@unizar.es 000129013 8564_ $$s2325819$$uhttps://zaguan.unizar.es/record/129013/files/TAZ-TFG-2023-3791.pdf$$yMemoria (spa) 000129013 8564_ $$s2914891$$uhttps://zaguan.unizar.es/record/129013/files/TAZ-TFG-2023-3791_ANE.pdf$$yAnexos (spa) 000129013 909CO $$ooai:zaguan.unizar.es:129013$$pdriver$$ptrabajos-fin-grado 000129013 950__ $$a 000129013 951__ $$adeposita:2023-12-13 000129013 980__ $$aTAZ$$bTFG$$cALM 000129013 999__ $$a20230905132815.CREATION_DATE