Volumen:
1
Edición:
11
DOI:
Análisis de las emociones básicas mediante la aplicación de modelos inteligentes para su detección y clasificación
Enrique Molina Reyes
José Crispín Hernández Hernández
Perfecto Malaquías Quintero Flores
Yesenia Nohemí González Meneses
Resumen
Este artículo presenta un procedimiento para realizar el reconocimiento de emociones básicas en un grupo de personas. Para ello, se realizó una breve revisión del estado del arte relacionado, considerando los temas más relevantes en el área, los trabajos más destacados, los dispositivos utilizados a lo largo del tiempo, así como su evolución para mejorar esta disciplina. Además, se destaca la importancia de configurar un entorno adecuado para clasificar emociones de manera controlada en un grupo de muestras, mediante la selección y filtrado del material utilizado para predecir dichas emociones. El preprocesamiento aplicado utiliza muestras recolectadas de las bases de datos FER2013, DISFA y BP4D, con el fin de aplicar posteriormente los métodos seleccionados para extraer características de interés que permitan lograr un reconocimiento más preciso. Durante el desarrollo de este trabajo, se seleccionó una muestra de una base de datos compuesta por imágenes y videos que registran reacciones emocionales de personas, con el propósito de utilizarlas de manera efectiva en los momentos requeridos. Con el objetivo de proponer un modelo para el reconocimiento emocional, se implementaron diferentes modelos y algoritmos computacionales, entre ellos la biblioteca de Deep Learning Fastai, así como el análisis de expresiones faciales utilizando el Sistema de Codificación de Acciones Faciales, en conjunto con la implementación de lógica difusa, permitió identificar la coincidencia de una o más Unidades de Acción en dos o más emociones analizadas, obteniendo resultados competitivos en la clasificación del reconocimiento emocional.
Palabras clave
Aprendizaje Profundo, Extracción de Características, Lógica Difusa, Reconocimiento de Emociones, Unidades de Acción
Białek, C., Matiolański, A., & Grega, M. (2023). An Efficient Approach to
Face Emotion Recognition with Convolutional Neural Networks.
Electronics, 12(12), 2707.
Contreras, R., Starostenko, O., Alarcon-Aquino, V., & Flores-Pulido, L.
(2010). Facial Feature Model for Emotion Recognition Using Fuzzy
Reasoning. J. F. Martínez-Trinidad, J. A. Carrasco-Ochoa, & J.
Kittler (Eds.), Advances in Pattern Recognition (Vol. 6256, pp. 11–
21). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-15992-3_2
Du, S., Tao, Y., & Martinez, A. M. (2014). Compound facial expressions
of emotion. Proceedings of the National Academy of Sciences,
Ekman, P., & Rosenberg, E. L. (1997). What the face reveals: Basic and
applied studies of spontaneous expression using the Facial Action
Coding System (FACS). Oxford University Press. https://doi.org/10.1093/acprof:oso/9780195179644.001.0001
Gursesli, M. C., Lombardi, S., Duradoni, M., Bocchi, L., Guazzini, A., &
Lanata, A. (2024). Facial Emotion Recognition (FER) Through
Custom Lightweight CNN Model: Performance Evaluation in Public
Datasets. IEEE Access, 12, 45543–45559.
Halim, A., El-Manfy, A., Badr, A. E.-R., El-Khatib, A., El-Basir, M. A., El-
Tabee, S., El-Den, Z. A., & El-Khouly, A. (2023). Facial expressions
analysis to evaluate the level of students’ understanding. 2023 Intelligent Methods, Systems, and Applications (IMSA), 424–429.
Howard, J., & Gugger, S. (2020). Deep learning for coders with fastai
and PyTorch: Al applications without a PhD. O’Reilly Media.
Khaireddin, Y., y Chen, Z. (2021). Facial Emotion Recognition: State of
the Art Performance on FER2013 [Preprint]. arXiv.
Khanzada, A., Bai, C., & Celepcikay, F. T. (2020). Facial expression
recognition with deep learning [Preprint]. arXiv.
King, D. E. (2009). Dlib-ml: A machine Learning Toolkit. Journal of
Machine Learning Research, 10(60), 1755-1758. https://www.jmlr.org/papers/volume10/king09a/king09a.pdf)
Morales-Vargas, E., Reyes-García, C. A., & Peregrina-Barreto, H.
(2019). On the use of Action Units and fuzzy explanatory models for
facial expression recognition. PLOS ONE, 14(10), e0223563.
Ross, T. J. (2010). Fuzzy Logic With Engineering Applications (3rd ed.).
Wiley.
Warner Josh, Jason Sexauer, Wouter Van den Broeck, Bruno P.
Kinoshita, Jakub Balinski, scikit-fuzzy, Christian Clauss, twmeggs,
alexsavio, Aishwarya Unnikrishnan, Marco Miretti, Guilherme
Castelão, Felipe Arruda Pontes, Tobias Uelwer, phme283, pd2f,
laurazh, Fernando Batista, moetayuko, … Thomas Germer. (2024).
JDWarner/scikit-fuzzy: Scikit-Fuzzy 0.5.0 (Versión v0.5.0) [Software].
Wu, Y., & Ji, Q. (2019). Facial Landmark Detection: A Literature Survey.
International Journal of Computer Vision, 127(2), 115–142.
Yao, L., Wan, Y., Ni, H., & Xu, B. (2021). Action unit classification for
facial expression recognition using active learning and SVM.
Multimedia Tools and Applications, 80(16), 24287–24301.
Zhu, Q., Zhuang, H., Zhao, M., Xu, S., & Meng, R. (2024). A study on
expression recognition based on improved mobilenetV2 network. Scientific Reports, 14(1), 8121. https://doi.org/10.1038/s41598-024-58736-x