Dissertação
{en_GB=Real World Group Emotional Analytics Using Eletrodermal Activity Signals} {} EVALUATED
{pt=O reconhecimento de emoções que quase todos os seres humanos consideram natural é um grande desafio no campo da Interação Homem-Computador. O presente trabalho, desenvolve várias tarefas dentro do campo de reconhecimento de emoções, tais como, o desenvolvimento de uma nova ferramenta de autoavaliação emocional, uma análise da frequência de amostragem mínima necessária para a aquisição de EDA e o benchmarking de um novo dispositivo para realizar aquisição de dados fisiológicos em configurações de grupo. No entanto, a tarefa mais relevante é a avaliação das emoções coletivas durante a visualização de um conteúdo audiovisual não calibrado de longa duração. O presente trabalho tem como objetivo analisar as semelhanças em anotações simultâneas entre diferentes participantes, juntamente com uma análise dos sinais EDA correspondentes e desenvolver uma nova abordagem para identificar regiões onde o público reagiu com maior intensidade com base no EDA e técnicas de aprendizagem automática. As anotações realizadas pelos participantes não vão de acordo com o esperado, revelando algumas limitações na fase de anotações. Além disso, a avaliação dos dados de EDA durante as anotações simultâneas revelou uma tendência para aumentar ao longo do período das anotações. Ainda assim, os sinais exibiram poucas semelhanças durante esses períodos de tempo. Em relação à aplicação de algoritmos de clustering, a metodologia que revelou o melhor desempenho foi o clustering hierárquico com linkage médio, proporcionando um maior número de clusters, com mais áreas em que o público teve uma reação emocional mais intensa. , en=The emotion recognition which almost all humans take for granted is a great challenge in the field of Human Computer Interaction. The current work develops several tasks within the field of emotion recognition, such as the development of a new self-assessment annotations tool, an analysis of the minimum sampling frequency required for the acquisition of EDA and the benchmarking of a new device to perform physiological data acquisition in group settings. Although, the most relevant task is the evaluation of collective group emotions while watching a long-duration uncalibrated audiovisual content in the wild, using EDA signals. The present work aims to analyze the similarities in simultaneous annotations across different participants, along with an analysis of the correspondent EDA signals and develop a new approach to identify time regions where the audience reacted with higher intensity based on the EDA data and unsupervised learning techniques. The annotations performed by the participants did not follow the expected, revealing some limitations in the annotations phase. Furthermore, the evaluation of EDA data during simultaneous annotations revealed a tendency to increase over the period of the annotations. Although, the signals displayed few similarities during these time periods. Regarding the application of clustering algorithms, the best performing methodology was hierarchical clustering with average linkage, providing a higher number of clusters, with more areas in which the audience had a more intense emotional reaction. }
novembro 18, 2021, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
