Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/28230
metadata.teses.dc.title: Classificação de emoções em sinais de EEG utilizando técnicas de aprendizado de máquina
metadata.teses.dc.title.alternative: Emotion classification in EEG signals using machine learning techniques
metadata.teses.dc.creator: Simão, Vancley Oliveira
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/0390005814216777
metadata.teses.dc.contributor.advisor1: Lacerda, Wilian Soares
metadata.teses.dc.contributor.referee1: Lacerda, Wilian Soares
metadata.teses.dc.contributor.referee2: Zegara, Demóstenes
metadata.teses.dc.contributor.referee3: Seixas, Paulo Fernando
metadata.teses.dc.subject: 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
metadata.teses.dc.date.issued: 8-Dec-2017
metadata.teses.dc.identifier.citation: SIMÃO, V. O. Classificação de emoções em sinais de EEG utilizando técnicas de aprendizado de máquina. 2017. 90 p. Dissertação (Mestrado em Engenharia de Sistemas e Automação)-Universidade Federal de Lavras, Lavras, 2017.
metadata.teses.dc.description.resumo: 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.
metadata.teses.dc.description.abstract: Emotions play a fundamental role in human daily lives, having influences over decisions and even communications. Understanding how emotions are characterized and how they can be identified are of utmost importance to understand how humans behave. Various methods have been proposed for emotion classification, however researches that correlates discrete emotions and brain activity patterns are still being investigated. Thus this master’s dissertation presents a methodology for discrete emotion classification in EEG signals using machine learning algorithms.During the development of this work various models have been created using machine learning algorithms where accuracy metrics have been noted to be compared and thus select the best classification model. For the development of the models, the DEAP dataset was used. Once the dataset was unbalanced, the balancing algorithms SMOTE and ADASYN were evaluated in their capacity to balance data and contribute to the improvement of the classification models.The main contributions of this dissertation are: the development of the discrete emotion classification models in EEG signals and the evaluation of the machine learning and the data balancing algorithms.After developed the models, the results showed that the Random Forest model with the ADASYN algorithm for data balancing had the best results with an average accuracy of 89.22%. The models built with the SVM algorithm and the ADASYN technique for balancing the data also showed good results with an average accuracy of 87.36%. Finally, the models with Neural Networks and SMOTE algorithms showed the worst results with an average accuracy of 68.56%.Therefore, the results showed that for the discrete emotion classification in EEG signals, the models using the ADASYN algorithm for data balancing with the Random Forest algorithm for classification were superior when compared to the other tested models.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/28230
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: por
Appears in Collections:DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.