Classificação de emoções em sinais de EEG utilizando técnicas de aprendizado de máquina

• Ano de defesa: 2017
• Autor(a) principal: Simão, Vancley Oliveira
• Orientador(a): Lacerda, Wilian Soares
• Banca de defesa: Lacerda, Wilian Soares, Zegara, Demóstenes, Seixas, Paulo Fernando
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Emoções – Classificação – Algorítmos computacionais; Aprendizado de máquina – Modelos; Redes neurais (Computação); Florestas aleatórias (Computação); Máquinas de vetores de suporte; Emotions – Classification – Computer algorithms; Machine learning – Models; Neural networks (Computer science); Random forest (Computer science); Support vector machines
• Área do conhecimento CNPq: Análise de Algoritmos e Complexidade de Computação; Sistemas de Computação
• Link de acesso: https://repositorio.ufla.br/handle/1/28230

As emoções desempenham um papel fundamental no cotidiano humano, influenciando as decisões e até mesmo na forma de comunicação. Entender como são caracterizadas as emoções e como identificá-las são de extrema importância para entendermos melhor como os seres humanos se comportam. Vários métodos de classificação de emoções já foram propostos, porém as pesquisas por padrões existentes nas atividades cerebrais que correlacionam com emoções discretas ainda estão sendo investigados. Assim, esta dissertação de mestrado apresenta uma metodologia para classificar emoções discretas em sinais de EEG utilizando algoritmos de aprendizado de máquina, sendo eles: Redes Neurais Artificiais, Florestas Aleatórias e Máquinas de Vetor Suporte. Vários modelos foram criados utilizando os algoritmos de aprendizado de máquina, onde métricas de acurácia foram coletadas com a finalidade de realizar uma comparação e assim denotar qual foi o melhor modelo de classificação. Para o desenvolvimento dos modelos foi utilizado a base de dados DEAP, a qual apresentava um desbalanceamento nos dados. Deste modo, foram investigadas técnicas de balanceamento de dados, sendo elas os algoritmos SMOTE e ADASYN.Como contribuições principais desta dissertação de mestrado estão: o desenvolvimento de modelos de classificação de emoções discretas em sinais de EEG; a avaliação dos algoritmos de aprendizado de máquina e dos algoritmos de balanceamento de dados para o desenvolvimento dos modelos de classificação.Após realizados o desenvolvimento dos modelos, pela análise das métricas coletadas, observou-se uma acurácia média de 89,22% para os modelos utilizando o algoritmo de balanceamento de dados ADASYN e Florestas Aleatórias como técnica de aprendizado de máquina. Foram observados também, uma acurácia média de 87,36% para os modelos utilizando o algoritmo ADASYN e Máquinas de Vetor Suporte. E por fim, uma acurácia média de 68,56% para os modelos utilizando o algoritmo de balanceamento SMOTE e como classificador, Redes Neurais Artificiais.Desta forma, foi observado que para o problema de classificação de emoções discretas em sinais de EEG, os modelos utilizando o algoritmo ADASYN para a etapa de balanceamento dos dados e o algoritmo de Florestas Aleatórias como técnica de aprendizado de máquina se mostraram superiores quando comparados aos demais modelos testados.