Hispanopedia Wiki
Articulo de referencia

Reconocimiento de emociones

El reconocimiento de emociones es el proceso de identificar las emociones humanas . La precisión con la que las personas reconocen las emociones ajenas varía considerablemente. ...

Hispanopedia WikiContenido en espanolLectura gratuita

El reconocimiento de emociones es el proceso de identificar las emociones humanas . La precisión con la que las personas reconocen las emociones ajenas varía considerablemente. El uso de la tecnología para ayudar a las personas con el reconocimiento de emociones es un área de investigación relativamente incipiente. Generalmente, la tecnología funciona mejor si utiliza múltiples modalidades en contexto. Hasta la fecha, la mayor parte del trabajo se ha centrado en automatizar el reconocimiento de expresiones faciales a partir de vídeo, expresiones habladas a partir de audio, expresiones escritas a partir de texto y datos fisiológicos medidos mediante dispositivos portátiles.

Humano

Los humanos muestran una gran variabilidad en su capacidad para reconocer emociones. Un punto clave a tener en cuenta al aprender sobre el reconocimiento automático de emociones es que existen varias fuentes de "verdad fundamental", es decir, información sobre la emoción real. Supongamos que intentamos reconocer las emociones de Alex. Una fuente es "¿qué diría la mayoría de la gente que siente Alex?". En este caso, la "verdad" puede no corresponder a lo que Alex siente, sino a cómo la mayoría de la gente diría que aparenta sentirse. Por ejemplo, Alex puede sentirse triste, pero sonríe ampliamente y entonces la mayoría de la gente dice que parece feliz. Si un método automatizado obtiene los mismos resultados que un grupo de observadores, puede considerarse preciso, incluso si no mide realmente lo que Alex siente. Otra fuente de "verdad" es preguntarle a Alex qué siente realmente. Esto funciona si Alex tiene una buena percepción de su estado interno, quiere expresarlo y es capaz de describirlo con precisión con palabras o un número. Sin embargo, algunas personas son alexitímicas y no tienen una buena percepción de sus sentimientos internos, o no pueden comunicarlos con precisión mediante palabras y números. En general, llegar a la verdad sobre la emoción presente puede requerir cierto esfuerzo, variar según los criterios seleccionados y, por lo general, implica mantener cierto grado de incertidumbre.

Automático

Durante décadas se ha llevado a cabo investigación científica para desarrollar y evaluar métodos de reconocimiento automático de emociones. Actualmente existe una extensa bibliografía que propone y evalúa cientos de métodos diferentes, aprovechando técnicas de diversas áreas, como el procesamiento de señales , el aprendizaje automático , la visión artificial y el procesamiento del habla . Se pueden emplear diferentes metodologías y técnicas para interpretar las emociones , como las redes bayesianas [ 1 ] , los modelos de mezcla gaussiana [ 2 ] , los modelos ocultos de Markov [ 3 ] y las redes neuronales profundas [ 4 ] .

Aproches

La precisión del reconocimiento de emociones suele mejorar cuando se combina el análisis de expresiones humanas de formas multimodales como textos, fisiología, audio o vídeo. [ 5 ] Se detectan diferentes tipos de emociones mediante la integración de información de expresiones faciales , movimientos y gestos corporales y habla. [ 6 ] Se dice que esta tecnología contribuye al surgimiento de la llamada Internet emocional o emotiva . [ 7 ]

Los enfoques existentes en el reconocimiento de emociones para clasificar ciertos tipos de emociones se pueden clasificar generalmente en tres categorías principales: técnicas basadas en el conocimiento, métodos estadísticos y enfoques híbridos. [ 8 ]

Técnicas basadas en el conocimiento

Las técnicas basadas en el conocimiento (a veces denominadas técnicas basadas en el léxico ) utilizan el conocimiento del dominio y las características semánticas y sintácticas del texto y, potencialmente, del lenguaje hablado para detectar ciertos tipos de emociones . [ 9 ] En este enfoque, es común utilizar recursos basados ​​en el conocimiento durante el proceso de clasificación de emociones , como WordNet , SenticNet, [ 10 ] ConceptNet y EmotiNet, [ 11 ] por nombrar algunos. [ 12 ] Una de las ventajas de este enfoque es la accesibilidad y la economía que proporciona la gran disponibilidad de dichos recursos basados ​​en el conocimiento. [ 8 ] Por otro lado, una limitación de esta técnica es su incapacidad para manejar matices conceptuales y reglas lingüísticas complejas. [ 8 ]

Las técnicas basadas en el conocimiento se pueden clasificar principalmente en dos categorías: enfoques basados ​​en diccionarios y enfoques basados ​​en corpus. Los enfoques basados ​​en diccionarios encuentran palabras semilla de opinión o emoción en un diccionario y buscan sus sinónimos y antónimos para expandir la lista inicial de opiniones o emociones . [ 13 ] Los enfoques basados ​​en corpus, por otro lado, parten de una lista semilla de palabras de opinión o emoción y expanden la base de datos encontrando otras palabras con características específicas del contexto en un corpus grande . [ 13 ] Si bien los enfoques basados ​​en corpus tienen en cuenta el contexto, su rendimiento aún varía en diferentes dominios, ya que una palabra en un dominio puede tener una orientación diferente en otro dominio. [ 14 ]

Métodos estadísticos

Los métodos estadísticos suelen implicar el uso de diferentes algoritmos de aprendizaje automático supervisado en los que se introduce un gran conjunto de datos anotados para que el sistema aprenda y prediga los tipos de emociones apropiados . [ 8 ] Los algoritmos de aprendizaje automático generalmente proporcionan una precisión de clasificación más razonable en comparación con otros enfoques, pero uno de los desafíos para lograr buenos resultados en el proceso de clasificación es la necesidad de contar con un conjunto de entrenamiento suficientemente grande. [ 8 ]

Algunos de los algoritmos de aprendizaje automático más utilizados incluyen Máquinas de Vectores de Soporte (SVM) , Naive Bayes y Máxima Entropía . [ 15 ] El aprendizaje profundo , que pertenece a la familia de aprendizaje automático no supervisado , también se emplea ampliamente en el reconocimiento de emociones. [ 16 ] [ 17 ] [ 18 ] Los algoritmos de aprendizaje profundo más conocidos incluyen diferentes arquitecturas de Redes Neuronales Artificiales (ANN), como Redes Neuronales Convolucionales (CNN) , Memoria a Largo y Corto Plazo (LSTM) y Máquinas de Aprendizaje Extremo (ELM) . [ 15 ] La popularidad de los enfoques de aprendizaje profundo en el dominio del reconocimiento de emociones puede atribuirse principalmente a su éxito en aplicaciones relacionadas, como en visión artificial , reconocimiento de voz y procesamiento del lenguaje natural (NLP) . [ 15 ]

Enfoques híbridos

Los enfoques híbridos en el reconocimiento de emociones son esencialmente una combinación de técnicas basadas en el conocimiento y métodos estadísticos, que explotan características complementarias de ambas técnicas. [ 8 ] Algunos de los trabajos que han aplicado un conjunto de elementos lingüísticos impulsados ​​por el conocimiento y métodos estadísticos incluyen la computación sentic e iFeel , los cuales han adoptado el recurso basado en el conocimiento a nivel de concepto SenticNet. [ 19 ] [ 20 ] El papel de tales recursos basados ​​en el conocimiento en la implementación de enfoques híbridos es de suma importancia en el proceso de clasificación de emociones . [ 12 ] Dado que las técnicas híbridas se benefician de las ventajas que ofrecen tanto los enfoques basados ​​en el conocimiento como los estadísticos, tienden a tener un mejor rendimiento de clasificación en comparación con el empleo de métodos basados ​​en el conocimiento o estadísticos de forma independiente. Sin embargo, una desventaja del uso de técnicas híbridas es la complejidad computacional durante el proceso de clasificación. [ 12 ]

conjuntos de datos

Los datos son una parte integral de los enfoques existentes en el reconocimiento de emociones y, en la mayoría de los casos, resulta un desafío obtener los datos anotados necesarios para entrenar los algoritmos de aprendizaje automático . [ 13 ] Para la tarea de clasificar diferentes tipos de emociones a partir de fuentes multimodales en forma de textos, audio, videos o señales fisiológicas, se dispone de los siguientes conjuntos de datos:

  1. HUMAINE: proporciona clips naturales con palabras que expresan emociones y etiquetas de contexto en múltiples modalidades [ 21 ].
  2. Base de datos de Belfast: proporciona clips con una amplia gama de emociones de programas de televisión y grabaciones de entrevistas [ 22 ].
  3. SEMAINE: proporciona grabaciones audiovisuales entre una persona y un agente virtual y contiene anotaciones de emociones como ira, alegría, miedo, asco, tristeza, desprecio y diversión [ 23 ].
  4. IEMOCAP: proporciona grabaciones de sesiones diádicas entre actores y contiene anotaciones de emociones como felicidad, ira, tristeza, frustración y estado neutral [ 24 ].
  5. eNTERFACE : proporciona grabaciones audiovisuales de sujetos de siete nacionalidades y contiene anotaciones de emociones como felicidad, ira, tristeza, sorpresa, asco y miedo [ 25 ].
  6. DEAP: proporciona electroencefalografía (EEG), electrocardiografía (ECG) y grabaciones de vídeo facial, así como anotaciones de emociones en términos de valencia , excitación y dominancia de las personas que ven clips de películas [ 26 ].
  7. DREAMER: proporciona registros de electroencefalografía (EEG) y electrocardiografía (ECG), así como anotaciones de emociones en términos de valencia y dominancia de las personas que ven fragmentos de películas [ 27 ].
  8. MELD: es un conjunto de datos conversacionales multiparticipantes donde cada enunciado está etiquetado con emoción y sentimiento. MELD [ 28 ] proporciona conversaciones en formato de video y, por lo tanto, es adecuado para el reconocimiento multimodal de emociones y el análisis de sentimientos . MELD es útil para el análisis multimodal de sentimientos y el reconocimiento de emociones, sistemas de diálogo y reconocimiento de emociones en conversaciones . [ 29 ]
  9. MuSe: proporciona grabaciones audiovisuales de interacciones naturales entre una persona y un objeto. [ 30 ] Tiene anotaciones de emociones discretas y continuas en términos de valencia, activación y confiabilidad, así como temas de habla útiles para el análisis de sentimientos multimodal y el reconocimiento de emociones.
  10. UIT-VSMEC: es un corpus estándar de emociones en redes sociales vietnamitas (UIT-VSMEC) con aproximadamente 6927 oraciones anotadas por humanos con seis etiquetas de emociones, que contribuye a la investigación del reconocimiento de emociones en vietnamita, un idioma con pocos recursos en el procesamiento del lenguaje natural (PLN). [ 31 ]
  11. BED: proporciona valencia y activación de personas que observan imágenes. También incluye registros de electroencefalografía (EEG) de personas expuestas a diversos estímulos ( SSVEP , reposo con los ojos cerrados, reposo con los ojos abiertos, tareas cognitivas) para la tarea de biometría basada en EEG . [ 32 ]

Aplicaciones

El reconocimiento de emociones se utiliza en la sociedad por diversas razones. Affectiva , surgida del MIT , proporciona software de inteligencia artificial que optimiza tareas que antes se realizaban manualmente, principalmente la recopilación de información sobre expresiones faciales y vocales en contextos específicos donde los espectadores han dado su consentimiento para compartirla. Por ejemplo, en lugar de completar una extensa encuesta sobre cómo se siente en cada momento al ver un video educativo o un anuncio, puede autorizar a una cámara a grabar su rostro y escuchar sus palabras, registrando en qué momentos de la experiencia muestra expresiones como aburrimiento, interés, confusión o sonrisa. (Cabe destacar que esto no implica que el sistema lea sus sentimientos más profundos, sino únicamente lo que expresa externamente). Otros usos de Affectiva incluyen ayudar a niños con autismo, facilitar la lectura de expresiones faciales a personas ciegas, mejorar la interacción de los robots con las personas y monitorizar las señales de atención al volante para aumentar la seguridad vial. [ 33 ]

La investigación académica utiliza cada vez más el reconocimiento de emociones como método para estudiar cuestiones de ciencias sociales relacionadas con elecciones, protestas y democracia. Varios estudios se centran en las expresiones faciales de los candidatos políticos en las redes sociales y encuentran que los políticos tienden a expresar felicidad. [ 34 ] [ 35 ] [ 36 ] Sin embargo, esta investigación encuentra que las herramientas de visión artificial como Amazon Rekognition solo son precisas para la felicidad y son principalmente fiables como "detectores de felicidad". [ 37 ] Por lo tanto, los investigadores que examinan las protestas, donde se espera un afecto negativo como la ira, han desarrollado sus propios modelos para estudiar con mayor precisión las expresiones de negatividad y violencia en los procesos democráticos. [ 38 ]

Una patente archivada el 7 de octubre de 2019 en Wayback Machine , presentada por Snapchat en 2015, describe un método para extraer datos sobre multitudes en eventos públicos mediante el reconocimiento algorítmico de emociones en selfies geolocalizadas de los usuarios . [ 39 ]

Emotient era una empresa emergente que aplicaba el reconocimiento de emociones para leer ceños fruncidos, sonrisas y otras expresiones faciales, es decir, inteligencia artificial para predecir "actitudes y acciones basadas en expresiones faciales". [ 40 ] Apple compró Emotient en 2016 y utiliza la tecnología de reconocimiento de emociones para mejorar la inteligencia emocional de sus productos. [ 40 ]

nViso proporciona reconocimiento de emociones en tiempo real para aplicaciones web y móviles a través de una API en tiempo real . [ 41 ] Visage Technologies AB ofrece estimación de emociones como parte de su Visage SDK para marketing , investigación científica y propósitos similares. [ 42 ]

Eyeris es una empresa de reconocimiento de emociones que trabaja con fabricantes de sistemas embebidos , incluyendo fabricantes de automóviles y empresas de robótica social, para integrar su software de análisis facial y reconocimiento de emociones; así como con creadores de contenido de video para ayudarlos a medir la efectividad percibida de sus videos creativos de formato corto y largo. [ 43 ] [ 44 ]

También existen muchos productos para agregar información de las emociones comunicadas en línea, incluso a través de las pulsaciones del botón "Me gusta" y mediante el recuento de frases positivas y negativas en el texto y el reconocimiento de afecto, que se utiliza cada vez más en algunos tipos de juegos y realidad virtual, tanto con fines educativos como para dar a los jugadores un control más natural sobre sus avatares sociales. [ 45 ]

Subcampos

Es probable que el reconocimiento de emociones obtenga los mejores resultados si se aplican múltiples modalidades combinando diferentes objetos, incluyendo texto (conversación), audio, video y fisiología para detectar emociones.

Reconocimiento de emociones en texto

Los datos textuales son un objeto de investigación favorable para el reconocimiento de emociones cuando son gratuitos y están disponibles en todas partes de la vida humana. En comparación con otros tipos de datos, el almacenamiento de datos textuales es más ligero y fácil de comprimir para obtener el mejor rendimiento debido a la frecuente repetición de palabras y caracteres en los idiomas. Las emociones se pueden extraer de dos formas esenciales de texto: textos escritos y conversaciones (diálogos). [ 46 ] Para los textos escritos, muchos investigadores se centran en trabajar a nivel de oración para extraer "palabras/frases" que representan emociones. [ 47 ] [ 48 ]

Reconocimiento de emociones en audio

A diferencia del reconocimiento de emociones en texto, las señales vocales se utilizan para extraer emociones del audio . [ 49 ] A diferencia de las imágenes y los videos, que suelen ser datos bidimensionales o tridimensionales que capturan características espaciales o espaciotemporales, el audio es inherentemente un conjunto de datos de series temporales unidimensionales que representan variaciones en la amplitud del sonido a lo largo del tiempo. Esta diferencia fundamental hace que el reconocimiento de emociones a partir del audio sea único. En lugar de basarse en señales visuales o semántica textual, la detección de emociones basada en audio se centra en características prosódicas y acústicas como el tono, la intensidad, la velocidad del habla y la calidad de la voz. [ 50 ]

Reconocimiento de emociones en vídeo

Los datos de vídeo son una combinación de datos de audio, datos de imagen y, a veces, textos (en el caso de subtítulos [ 51 ] ).

Reconocimiento de emociones en la conversación

El reconocimiento de emociones en la conversación (ERC) extrae opiniones entre participantes a partir de grandes cantidades de datos conversacionales en plataformas sociales como Facebook , Twitter , YouTube y otras. [ 29 ] El ERC puede tomar datos de entrada como texto, audio, video o una combinación de estos para detectar diversas emociones como miedo, deseo, dolor y placer.

Véase también

Referencias

  1. ↑ Miyakoshi, Yoshihiro y Shohei Kato. "Detección de emociones faciales considerando la oclusión parcial del rostro mediante una red bayesiana" . Computers and Informatics (2011): 96–101.
  2. ↑ Hari Krishna Vydana, P. Phani Kumar, K. Sri Rama Krishna y Anil Kumar Vuppala. "Reconocimiento mejorado de emociones mediante GMM-UBM" . Conferencia Internacional de 2015 sobre Sistemas de Procesamiento de Señales e Ingeniería de Comunicaciones
  3. ↑ B. Schuller, G. Rigoll, M. Lang. "Reconocimiento de emociones en el habla basado en modelos ocultos de Markov" . ICME '03. Actas. Conferencia Internacional sobre Multimedia y Exposición de 2003.
  4. ↑ Singh, Premjeet; Saha, Goutam; Sahidullah, Md (2021). "Deformación de frecuencia no lineal mediante transformación Q constante para el reconocimiento de emociones en el habla". Conferencia Internacional de Comunicación e Informática Informática (ICCCI) de 2021. pp. 1–4 . arXiv : 2102.04029 . doi : 10.1109/ICCCI50826.2021.9402569 . ISBN  978-1-7281-5875-4. S2CID 231846518 . 
  5. ↑ Poria, Soujanya; Cambria, Erik; Bajpai, Rajiv; Hussain, Amir (septiembre de 2017). "Una revisión de la computación afectiva: del análisis unimodal a la fusión multimodal" . Information Fusion . 37 : 98–125 . Bibcode : 2017InfFu..37...98P . doi : 10.1016/j.inffus.2017.02.003 . hdl : 1893/25490 . S2CID 205433041. Archivado del original el 23 de marzo de 2023. Recuperado el 18 de mayo de 2021 . 
  6. ↑ Caridakis, George; Castellano, Ginevra; Kessous, Loic; Raouzaiou, Amaryllis; Malatesta, Lori; Asteriadis, Stelios; Karpouzis, Kostas (19 de septiembre de 2007). «Reconocimiento multimodal de emociones a partir de rostros expresivos, gestos corporales y habla». Inteligencia Artificial e Innovaciones 2007: De la Teoría a las Aplicaciones . IFIP, Federación Internacional para el Procesamiento de la Información. Vol. 247. pp. 375–388 . doi : 10.1007/978-0-387-74161-1_41 . ISBN   978-0-387-74160-4.
  7. ↑ Price (23 de agosto de 2015). "Aprovechando el Internet emocional" . TechCrunch . Consultado el 12 de diciembre de 2018 .
  8. 1 2 3 4 5 6 Cambria, Erik (marzo de 2016). "Computación afectiva y análisis de sentimientos". IEEE Intelligent Systems . 31 (2): 102– 107. Bibcode : 2016IISys..31b.102. . doi : 10.1109/MIS.2016.31 . S2CID 18580557 . 
  9. ↑ Taboada, Maite; Brooke, Julian; Tofiloski, Milan; Voll, Kimberly; Stede, Manfred (junio de 2011). "Métodos basados ​​en léxico para el análisis de sentimientos" . Lingüística Computacional . 37 (2): 267–307 . doi : 10.1162/coli_a_00049 . ISSN 0891-2017 . 
  10. ↑ Cambria, Erik; Liu, Qian; Decherchi, Sergio; Xing, Frank; Kwok, Kenneth (2022). "SenticNet 7: Un marco de IA neurosimbólica basado en el sentido común para el análisis de sentimientos explicable" (PDF) . Actas de LREC . págs. 3829–3839 . 
  11. ↑ Balahur, Alexandra; Hermida, JesúS M; Montoyo, AndréS (1 de noviembre de 2012). "Detección de expresiones implícitas de emoción en texto: un análisis comparativo" . Decision Support Systems . 53 (4): 742– 753. doi : 10.1016/j.dss.2012.05.024 . ISSN 0167-9236 . 
  12. 1 2 3 Medhat, Walaa; Hassan, Ahmed; Korashy, Hoda (diciembre de 2014). "Algoritmos y aplicaciones de análisis de sentimientos: una encuesta" . Revista de ingeniería de Ain Shams . 5 (4): 1093– 1113. doi : 10.1016/j.asej.2014.04.011 .
  13. 1 2 3 Madhoushi, Zohreh; Hamdan, Abdul Razak; Zainudin, Suhaila (2015). "Técnicas de análisis de sentimientos en trabajos recientes". Conferencia de Ciencia e Información (SAI) 2015 . págs. 288–291 . doi : 10.1109/SAI.2015.7237157 . ISBN  978-1-4799-8547-0. S2CID 14821209 . 
  14. ↑ Hemmatian, Fatemeh; Sohrabi, Mohammad Karim (18 de diciembre de 2017). "Un estudio sobre técnicas de clasificación para la minería de opiniones y el análisis de sentimientos". Artificial Intelligence Review . 52 (3): 1495– 1545. doi : 10.1007/s10462-017-9599-6 . S2CID 11741285 . 
  15. 1 2 3 Sun, Shiliang; Luo, Chen; Chen, Junyu (julio de 2017). "Una revisión de las técnicas de procesamiento del lenguaje natural para sistemas de minería de opiniones". Information Fusion . 36 : 10–25 . Bibcode : 2017InfFu..36...10S . doi : 10.1016/j.inffus.2016.10.004 .
  16. ↑ Majumder, Navonil; Poria, Soujanya; Gelbukh, Alexander; Cambria, Erik (marzo de 2017). "Modelado de documentos basado en aprendizaje profundo para la detección de personalidad a partir de texto". IEEE Intelligent Systems . 32 (2): 74– 79. Bibcode : 2017IISys..32b..74M . doi : 10.1109/MIS.2017.23 . S2CID 206468984 . 
  17. ↑ Mahendhiran, PD; Kannimuthu, S. (mayo de 2018). "Técnicas de aprendizaje profundo para la clasificación de polaridad en el análisis de sentimientos multimodal". Revista internacional de tecnología de la información y toma de decisiones . 17 (3): 883– 910. doi : 10.1142/S0219622018500128 .
  18. ↑ Yu, Hongliang; Gui, Liangke; Madaio, Michael; Ogan, Amy; Cassell, Justine; Morency, Louis-Philippe (23 de octubre de 2017). «Modelo de atención selectiva temporal para el reconocimiento de estados sociales y afectivos en contenido multimedia». Actas de la 25.ª conferencia internacional ACM sobre multimedia . MM '17. ACM. págs. 1743–1751 . doi : 10.1145/3123266.3123413 . ISBN  9781450349062. S2CID 3148578 . 
  19. ↑ Cambria, Erik; Hussain, Amir (2015). Sentic Computing: A Common-Sense-Based Framework for Concept-Level Sentiment Analysis . Springer Publishing Company, Incorporated. ISBN 978-3319236537.
  20. ↑ Araújo, Matheus; Gonçalves, Pollyanna; Cha, Meeyoung ; Benevenuto, Fabrício (7 de abril de 2014). «IFeel: Un sistema que compara y combina métodos de análisis de sentimientos». Actas de la 23.ª Conferencia Internacional sobre la World Wide Web . WWW '14 Companion. ACM. págs. 75–78 . doi : 10.1145/2567948.2577013 . ISBN  9781450327459. S2CID 11018367 . 
  21. ↑ Paolo Petta; Catherine Pelachaud ; Roddy Cowie, eds. (2011). Sistemas orientados a las emociones: el manual humano . Berlín: Springer. ISBN 978-3-642-15184-2.
  22. ↑ Douglas-Cowie, Ellen; Campbell, Nick; Cowie, Roddy; Roach, Peter (1 de abril de 2003). "Discurso emocional: hacia una nueva generación de bases de datos" . Speech Communication . 40 ( 1–2 ): 33–60 . CiteSeerX 10.1.1.128.3991 . doi : 10.1016/S0167-6393(02)00070-5 . ISSN 0167-6393 . S2CID 6421586 .   
  23. ↑ McKeown, G.; Valstar, M.; Cowie, R.; Pantic, M.; Schroder, M. (enero de 2012). "La base de datos SEMAINE: registros multimodales anotados de conversaciones con carga emocional entre una persona y un agente limitado" . IEEE Transactions on Affective Computing . 3 (1): 5– 17. Bibcode : 2012ITAfC...3....5M . doi : 10.1109/T-AFFC.2011.20 . S2CID 2995377 . 
  24. ↑ Busso, Carlos; Bulut, Murtaza; Lee, Chi-Chun; Kazemzadeh, Abe; Mower, Emily ; Kim, Samuel; Chang, Jeannette N.; Lee, Sungbok; Narayanan, Shrikanth S. (5 de noviembre de 2008). "IEMOCAP: base de datos interactiva de captura de movimiento diádico emocional". Language Resources and Evaluation . 42 (4): 335– 359. doi : 10.1007/s10579-008-9076-6 . ISSN 1574-020X . S2CID 11820063 .  
  25. ↑ Martin, O.; Kotsia, I.; Macq, B.; Pitas, I. (3 de abril de 2006). "La base de datos de emociones audiovisuales de eNTERFACE'05". 22.ª Conferencia Internacional sobre Talleres de Ingeniería de Datos (ICDEW'06) . Icdew '06. IEEE Computer Society. págs. 8–. doi : 10.1109/ICDEW.2006.145 . ISBN  9780769525716. S2CID 16185196 . 
  26. ^ Koelstra, Sander; Mühl, cristiano; Soleymani, Mohammad; Lee, Jong-Seok; Yazdani, Ashkan; Ebrahimi, Touradj; Juego de palabras, Thierry; Nijholt, Antón; Patras, Ioannis (enero de 2012). "DEAP: una base de datos para el análisis de emociones mediante señales fisiológicas". Transacciones IEEE sobre informática afectiva . 3 (1): 18– 31. Bibcode : 2012ITAfC...3...18K . CiteSeerX 10.1.1.593.8470 . doi : 10.1109/T-AFFC.2011.15 . ISSN 1949-3045 . S2CID 206597685 .   
  27. ↑ Katsigiannis, Stamos; Ramzan, Naeem (enero de 2018). "DREAMER: una base de datos para el reconocimiento de emociones a través de señales EEG y ECG de dispositivos inalámbricos de bajo costo disponibles en el mercado" (PDF) . IEEE Journal of Biomedical and Health Informatics . 22 ( 1 ): 98–107 . Bibcode : 2018IJBHI..22...98K . doi : 10.1109/JBHI.2017.2688239 . ISSN 2168-2194 . PMID 28368836. S2CID 23477696. Archivado del original (PDF) el 1 de noviembre de 2022. Recuperado el 1 de octubre de 2019 .   
  28. ↑ Poria, Soujanya; Hazarika, Devamanyu; Majumder, Navonil; Naik, Gautam; Cambria, Erik; Mihalcea, Rada (2019). "MELD: Un conjunto de datos multimodal multipartito para el reconocimiento de emociones en conversaciones". Actas de la 57.ª Reunión Anual de la Asociación de Lingüística Computacional . Stroudsburg, PA, EE. UU.: Asociación de Lingüística Computacional: 527–536 . arXiv : 1810.02508 . doi : 10.18653/v1/p19-1050 . S2CID 52932143 . 
  29. 1 2 Poria, S., Majumder, N., Mihalcea, R., & Hovy, E. (2019). Reconocimiento de emociones en la conversación: desafíos de investigación, conjuntos de datos y avances recientes . IEEE Access, 7, 100943-100953.
  30. ↑ Stappen, Lukas; Schuller, Björn; Lefter, Iulia; Cambria, Erik; Kompatsiaris, Ioannis (2020). «Resumen de MuSe 2020: Análisis de sentimiento multimodal, interacción entre la emoción y el objetivo, y detección de confiabilidad en medios de comunicación reales». Actas de la 28.ª Conferencia Internacional ACM sobre Multimedia . Seattle, PA, EE. UU.: Association for Computing Machinery. págs. 4769–4770 . arXiv : 2004.14858 . doi : 10.1145/3394171.3421901 . ISBN  9781450379885. S2CID 222278714 . 
  31. ↑ Ho, Vong (2020). "Reconocimiento de emociones en textos de redes sociales vietnamitas" . Lingüística computacional . Comunicaciones en informática y ciencias de la información. Vol. 1215. pp. 319–333 . arXiv : 1911.09339 . doi : 10.1007/978-981-15-6168-9_27 . ISBN   978-981-15-6167-2. S2CID 208202333 . 
  32. ↑ Arnau-González, Pablo; Katsigiannis, Stamos; Arevalillo-Herráez, Miguel; Ramzan, Naeem (febrero de 2021). "BED: un nuevo conjunto de datos para biometría basada en EEG" . Revista IEEE de Internet de las cosas . (Acceso anticipado) (15): 12219. Bibcode : 2021IITJ....812219A . doi : 10.1109/JIOT.2021.3061727 . ISSN 2327-4662 . S2CID 233916681 .  
  33. ↑ "Afectiva" .
  34. ↑ Bossetta, Michael; Schmøkel, Rasmus (2 de enero de 2023). "Emociones multiplataforma y participación de la audiencia en las campañas políticas en redes sociales: comparación de las imágenes de los candidatos en Facebook e Instagram en las elecciones estadounidenses de 2020" . Comunicación Política . 40 (1): 48– 68. doi : 10.1080/10584609.2022.2128949 . ISSN 1058-4609 . 
  35. ↑ Peng, Yilang (enero de 2021). "¿Qué hace populares las publicaciones de los políticos en Instagram? Análisis de las estrategias de redes sociales de candidatos y funcionarios con visión artificial" . The International Journal of Press/Politics . 26 (1): 143–166 . doi : 10.1177/1940161220964769 . ISSN 1940-1612 . S2CID 225108765 .  
  36. ↑ Haim, Mario; Jungblut, Marc (15 de marzo de 2021). "Autoimagen de los políticos y su representación en los medios: evidencia de 28 países mediante análisis computacional visual" . Comunicación política . 38 ( 1–2 ): 55–74 . doi : 10.1080/10584609.2020.1753869 . ISSN 1058-4609 . S2CID 219481457 .  
  37. ↑ Bossetta, Michael; Schmøkel, Rasmus (2 de enero de 2023). "Emociones multiplataforma y participación de la audiencia en las campañas políticas en redes sociales: comparación de las imágenes de los candidatos en Facebook e Instagram en las elecciones estadounidenses de 2020" . Comunicación Política . 40 (1): 48– 68. doi : 10.1080/10584609.2022.2128949 . ISSN 1058-4609 . 
  38. ↑ Won, Donghyeon; Steinert-Threlkeld, Zachary C.; Joo, Jungseock (19 de octubre de 2017). «Detección de actividad de protesta y estimación de la violencia percibida a partir de imágenes de redes sociales» . Actas de la 25.ª conferencia internacional ACM sobre multimedia . MM '17. Nueva York, NY, EE. UU.: Association for Computing Machinery. págs. 786–794 . arXiv : 1709.06204 . doi : 10.1145 /3123266.3123282 . ISBN  978-1-4503-4906-2.
  39. ↑ Bushwick, Sophie. "Este vídeo te observa" . Scientific American . Consultado el 27 de enero de 2020 .
  40. 1 2 DeMuth Jr., Chris (8 de enero de 2016). "Apple lee tu mente" . M&A Daily . Seeking Alpha . Recuperado el 9 de enero de 2016 .
  41. ↑ "nViso" . nViso.ch .
  42. ↑ "Visage Technologies" .
  43. ↑ "¿Te sientes triste, enojado? Tu futuro auto lo sabrá" .
  44. ↑ Varagur, Krithika (22 de marzo de 2016). "Los coches pronto podrían advertir a los conductores antes de que se queden dormidos" . Huffington Post .
  45. ^ Martins, Nuno RB; Angélica, Amara; Chakravarthy, Krishnan; Svidinenko, Yuriy; Boehm, Frank J.; Opris, Ioan; Lebedev, Mikhail A.; Cisne, Melanie; Garán, Steven A.; Rosenfeld, Jeffrey V.; Hogg, Tad; Freitas, Robert A. (2019). "Interfaz cerebro humano/nube" . Fronteras en Neurociencia . 13112.doi : 10.3389 / fnins.2019.00112 . ISSN 1662-4548 . PMC 6450227 . PMID 30983948 .   
  46. ↑ Shivhare, SN, & Khethawat, S. (2012). Detección de emociones a partir de texto. Preimpresión de arXiv arXiv : 1205.4944
  47. ↑ Ezhilarasi, R., & Minu, RI (2012). Reconocimiento y clasificación automática de emociones . Procedia Engineering, 38, 21-26.
  48. ↑ Krcadinac, U., Pasquier, P., Jovanovic, J., & Devedzic, V. (2013). Synesketch: Una biblioteca de código abierto para el reconocimiento de emociones basado en oraciones . IEEE Transactions on Affective Computing, 4(3), 312-325.
  49. ↑ Schmitt, M., Ringeval, F., & Schuller, BW (2016, septiembre). En la frontera entre la acústica y la lingüística: Bolsa de palabras de audio para el reconocimiento de emociones en el habla . En Interspeech (págs. 495-499).
  50. ↑ Jose, Jiby Mariya; Jeeva, Jose (junio de 2023). "Red neuronal convolucional 1D bioinspirada de energía reducida para el reconocimiento de emociones en audio" . Revista internacional de investigación científica en informática, ingeniería y tecnología de la información . 11 (3): 1034– 1054. doi : 10.32628/CSEIT25113386 . Consultado el 24 de julio de 2025 .
  51. ↑ Dhall, A., Goecke, R., Lucey, S., & Gedeon, T. (2012). Recopilación de grandes bases de datos de expresiones faciales ricamente anotadas a partir de películas . IEEE multimedia, (3), 34-41.
Lecturas relacionadas
6 articulos
EmociónEmociónLas emociones son estados físicos y mentales provocados por cambios neurofisiológicos , asociados de diversas formas con pensamientos , sentimiento...Modalidad (interacción humano-computadora)Modalidad (interacción humano-computadora)En el contexto de la interacción humano-computadora , una modalidad es la clasificación de un único canal independiente de entrada/salida entre una...FisiologíaFisiologíaLa fisiología ( / ˌfɪziˈlədʒi / ; del griego antiguo φύσις ( phúsis ) ' naturaleza, origen' y -λογία ( -logía ) ' estudio de ') [1] es el estudio c...AlexitimiaAlexitimiaLa alexitimia ( / ə ˌ l ɛ k s ɪ ˈ θ aɪ m i ə / ə- LEK -sih- THY -mee-ə ), también llamada ceguera emocional , [1] es un fenómeno neuropsicológico c...Procesamiento de señalesProcesamiento de señalesEl procesamiento de señales es un subcampo de la ingeniería eléctrica que se centra en el análisis, la modificación y la síntesis de señales , como...Aprendizaje automáticoAprendizaje automáticoEl aprendizaje automático ( ML ) es un campo de estudio en inteligencia artificial que se ocupa del desarrollo y estudio de algoritmos estadísticos...