Show simple item record

dc.contributor.authorSouza, Isaque Elcio de
dc.date.accessioned2020-03-10T11:51:05Z
dc.date.available2020-03-10T11:51:05Z
dc.date.issued2019-02-25
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/12293
dc.description.abstractEmotional state plays a fundamental role in explaining human behavior in everyday life, influencing decisions and even how to communicate. Therefore, understanding these characteristics and how to identify them is of the utmost importance for a better understanding of human behavior. Emotions can be classified into two models of taxonomy: Discrete Model that include basic emotions (happiness, sadness, fear, disgust, anger, surprise) and Dimensional Model that expresses two or more emotions in a space, with emotional domains such as Valencia (disgust, pleasure) and Excitement (calm, excitement). The literature presents ways of evaluating emotional cues, with inference in real time, by collecting physiological signals through sensors and classified by algorithms in the emotional domains of Valencia and Excitation. In this context, there is a complexity in collecting this data with low-cost sensors, as well as classifying emotions into more emotional domains, increasing the number of classes and consequently the accuracy of the classification in space. This dissertation aimed to classify physiological signals collected with low cost commercial sensors, inferring dimensional emotions in four domains: Valencia, Excitation, Feeling of control and Ease of conclusion of the objective. Thus, this work presents a dataset, with data from three sensors: cardiac activity (ECG), brain activity (EEG) and galvanic response (GSR). To compose the dataset, the physiological signals were collected from 33 participants in three sessions. In order to bring the individual to a desired emotional state, 16 prelabeled movie clips and video clips were used. After the collection and recording of the signals, a preprocessing step was performed to eliminate noise and inconsistent data and extraction of characteristics. In order to classify, we used the closest K-neighbors algorithms, Naive Bayes, Decision Tree, Random Forest, XGBoost, Support Vector Machine and Artificial Neural Networks. Finally, a statistical evaluation of the performance of the algorithms in each sensor data was performed. The classification algorithms that best fit the characteristics of the data were Naive Bayes for ECG and GSR with 96% and 77% accuracy and Support Vector Machine for EEG with 99% accuracy. The results suggest that the data collected allow classification in the four domains studied.eng
dc.description.sponsorshipConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)por
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectEmoçãopor
dc.subjectSensorespor
dc.subjectInteração humano-computadorpor
dc.subjectAprendizado de máquinapor
dc.subjectSinal fisiológicopor
dc.subjectDatasetpor
dc.subjectEmotioneng
dc.subjectSensorseng
dc.subjectHuman-computer interactioneng
dc.subjectMachine learningeng
dc.subjectPhysiological signaleng
dc.titleClassificação de sinais fisiológicos para inferência do estado emocional de usuáriospor
dc.title.alternativeClassification of physiological signals to infer the emotional state of userseng
dc.typeDissertaçãopor
dc.contributor.advisor1Neris, Vania Paula de Almeida
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0268728255033469por
dc.contributor.advisor-co1134656/2016-4
dc.description.resumoO estado emocional tem papel fundamental para explicar o comportamento humano no cotidiano, influenciando em decisões e até mesmo na forma de se comunicar. Portanto, entender tais características e como identificá-las é de extrema importância para conhecer melhor o comportamento humano. As emoções podem ser classificadas em dois modelos de taxonomia: Modelo Discreto, o qual inclui emoções básicas (felicidade, tristeza, medo, repugnância, raiva, surpresa) e o Modelo Dimensional, o qual expressa duas ou mais emoções em um espaço com domínios emocionais, como Valência (nojo, prazer) e Excitação (calma, excitação). A literatura apresenta as maneiras de avaliação de indícios emocionais, com inferência em tempo real, pela coleta de sinais fisiológicos por meio de sensores e classificados por algoritmos nos domínios emocionais de Valência e Excitação. Neste contexto, há uma complexidade em coletar esses dados com sensores de baixo custo, assim como em classificar emoções em mais domínios emocionais, aumentando a quantidade de classes e, consequentemente, a precisão da classificação no espaço. Desse modo, esta dissertação tem por objetivo classificar sinais fisiológicos coletados com sensores comerciais de baixo custo, inferindo emoções dimensionais em quatro domínios: Valência, Excitação, Sentimento de controle e Facilidade de conclusão do objetivo. Assim, este trabalho apresenta um dataset com dados de três sensores: de atividade cardíaca (ECG), atividade cerebral (EEG) e resposta galvânica (GSR). Para compor o dataset, os sinais fisiológicos foram coletados de 33 participantes em três sessões. Com o intuito de levar o indivíduo a um estado emocional desejado, utilizou-se 16 trechos de filmes e videoclipes pré-rotulados. Após a coleta e gravação dos sinais, realizou-se uma etapa de pré-processamento para eliminar ruídos e dados inconsistentes e extração de características. Na sequência, para a classificação, foram utilizados algoritmos K-vizinhos mais próximos, Naive Bayes, Decision Tree, Random Forest, XGBoost, Support Vector Machine e Redes Neurais Artificiais. Por fim, foi realizada uma avaliação estatística do desempenho dos algoritmos em dados de cada sensor. Os algoritmos de classificação que melhor se adaptaram com as características dos dados foram Naive Bayes para ECG e GSR com 96% e 77% acurácia e Support Vector Machine para EEG com 99% de acurácia. Os resultados sugerem que os dados coletados permitem a classificação nos quatro domínios estudados.por
dc.publisher.initialsUFSCarpor
dc.publisher.programPrograma de Pós-Graduação em Ciência da Computação - PPGCCpor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpor
dc.description.sponsorshipIdCNPq: 132895/2016-1por
dc.publisher.addressCâmpus São Carlospor
dc.contributor.authorlatteshttp://lattes.cnpq.br/8469941972572711por


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Brazil
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 Brazil