29
Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)
ISSN 2542-3401
29
29
Salomón et al., Productividad del proceso minero, mas allá de la producción
Caicedo et al., Red neuronal alticial para el reconocimiento de emociones humanas
ATHENEA JOURNAL IN ENGINEERING SCIENCES Vol. 2, Nº 5 September 2021 (pp. 2934)
ISSN 27376419
Red neuronal articial para el reconocimiento de emociones humanas
bajo un algoritmo de retropropagación
Recibido (10/07/21), Aceptado (15/08/21)
Resumen:
La era de la revolución tecnológica impulsa cada vez más el desarrollo de tecnologías que facilitan de
una u otra manera actividades de la cotidianidad de las personas, generando así un gran avance en el procesamiento
de información. Este trabajo tiene como nalidad implementar una red neuronal que permita clasicar los estados
emocionales de una persona partiendo de las distintas gestualidades humanas. Se utiliza una base de datos con
información de estudiantes de la escuela de Ingeniería en Sistemas y Computación de la PUCE-E. Dicha información
son imágenes que expresan las gestualidades de los alumnos y con las cuales se lleva a cabo el análisis comparativo
con los datos de entrada. El entorno en el cual converge este trabajo propone que la implementación de este proyecto
se realice bajo la programación de una red neuronal de tipo multicapa. Las redes neuronales de alimentación
de múltiples capas poseen una serie de propiedades que las hacen particularmente adecuadas para problemas
complejos de clasicación de patrones. Back-Propagation, que es un algoritmo de retro propagación empleado
en la red neuronal Feedforward fue tomado en consideración para resolver la clasicación de las emociones.
Palabras Clave:
Procesamiento de imágenes, redes neuronales, gestualidad, back-propagation,
feedforward, clasicación, emociones.
Articial neural network for the recognition of
human emotions under a backpropagation algorithm
Abstract:
e era of the technological revolution increasingly encourages the development of technologies that
facilitate in one way or another people's daily activities, thus generating a great advance in information processing.
e purpose of this work is to implement a neural network that allows classifying the emotional states of a person
based on the dierent human gestures. A database is used with information on students from the PUCE-E School of
Computer Science and Engineering. Said information are images that express the gestures of the students and with
which the comparative analysis with the input data is carried out. e environment in which this work converges
proposes that the implementation of this project be carried out under the programming of a multilayer neural
network. Multilayer feeding neural networks possess a number of properties that make them particularly suitable
for complex pattern classication problems [8]. Back-Propagation [4], which is a backpropagation algorithm
used in the Feedforward neural network, was taken into consideration to solve the classication of emotions.
Keywords:
Image processing, neural networks, gestures, back-propagation, feedforward, classication,
emotions.
DOI: 10.47460/
athenea.V2I5.23
Alexander Caicedo
https://orcid.org/ 0000-0001-8729-5793
alex.caicedoalcivar@gmail.com
Banco General Rumiñahui
Quito, Ecuador.
Anthony Caicedo
https://orcid.org/ 0000-0001-7550-4754
anthony.caicedo@pucese.edu.ec
Public Promueve
Quito, Ecuador
30
Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)
ISSN 2542-3401
30
30
Juan Segura1, Franyelit Suàrez2, Juan Casierra2 .
Salomón et al., Productividad del proceso minero, mas allá de la producción
I.INTRODUCCIÓN
La evolución en el desarrollo de software junto con la electrónica ha permitido construir nuevas tecnologías,
aplicaciones y dispositivos que son manejados a través de la gestualidad humana, dando respuestas a procesos
concretos.
En este trabajo se desarrolló un sistema inteligente que caracteriza los rasgos faciales para conocer las emo
-
ciones humanas. Para el desarrollo de este sistema se utilizaron 68 imágenes de diferentes características emoti
-
vas que diferencian las emociones.
Se empleó el software de programación de Matlab 2015 para el procesamiento y desarrollo de la red neuronal,
ya que permite el manejo óptimo de los recursos y el procesamiento de los datos de forma agilizada.
Una red neuronal artificial es una técnica de inteligencia artificial que tiene la capacidad de aprender de las
experiencias, mejorando su rendimiento al adaptarse a los cambios en el entorno [11].
Las redes neuronales profundas (DNN) son modelos potentes que han logrado un rendimiento excelente en
tareas de aprendizaje difíciles. Aunque los DNN funcionan bien cuando hay disponibles conjuntos de entrena
-
miento etiquetados grandes, no se pueden usar para asignar secuencias a las secuencias [9]. En los últimos años,
las redes neuronales artificiales profundas (incluidas las recurrentes) han ganado numerosos concursos de reco
-
nocimiento de patrones y aprendizaje automático [10].
Existe un aspecto fundamental que los diseñadores de redes neuronales enfrentan actualmente y no es más
que es elegir un tamaño de red apropiado para una aplicación determinada [6]. El tamaño de la red implica en
el caso de las arquitecturas de redes neuronales en capas, el número de capas en una red, el número de nodos por
capa y el número de conexiones.
Está claro que la velocidad de aprendizaje de las redes neuronales feedforward es en general mucho más lenta
de lo requerido y ha sido un cuello de botella importante en sus aplicaciones durante las últimas décadas [7]. Dos
razones principales detrás pueden ser: 1. Los algoritmos de aprendizaje basados en gradiente lentos son amplia
-
mente utilizados para entrenar las redes neuronales, y 2. Todos los parámetros de las redes están sintonizados de
forma iterativa mediante el uso de este tipo de algoritmos de aprendizaje
II.DESARROLLO
En este trabajo se empleó el procesamiento de imágenes utilizando redes neuronales artificiales con el uso del
algoritmo Back-Propagation [5]. Esta red neuronal se encuentra dentro del grupo de red de aprendizaje supervi
-
sado el cual trabajan bajo un gradiente descendente, donde el patrón de entrada se propaga por toda la red hasta
la salida, así mismo las salidas de error se propagan hacia la capa anterior de neuronas [2].
Para esta investigación se trabajó con 68 imágenes diferenciadas según la emoción que presenten cada uno
de los 17 individuos que conformaron este estudio. Se diferenciaron cuatro gestualidades relacionadas con las
siguientes emociones: ira, alegría, tristeza y susto; es decir, por cada individuo del estudio se capturaron cuatro
imágenes. Se empleó el software de Matlab 2015 con el toolbox de redes neuronales, ya que ofrece una amplia
variedad de comandos y versatilidad para la ejecución del sistema y la obtención de resultados óptimos.
III.METODOLOGÍA
La aplicación desarrollada consiste en analizar los rostros de los estudiantes del 8vo, 9no semestres de la Es
-
cuela de Sistemas y Computación de la universidad Pontificia Universidad Católica Sede Esmeraldas (PUCE-SE).
Esta permite ingresar el rostro de los estudiantes a través de una imagen para ser analizados con la base de da
-
tos y así determinar cuál es el estado emotivo del estudiante; el procesamiento de la imagen se realizó primero
redimensionando la imagen y convirtiendo la misma a escala de grises. En las imágenes en escala de gris, los
componentes R, G y B tienen la misma intensidad en el espacio RGB [3]. Pero, son más fáciles de procesar que
las imágenes a color.
A partir de las imágenes en escala de grises se extrajo los ojos y las porciones de la boca ya que estas áreas
contienen la información más esencial de la emoción. Estas áreas extraídas se contabilizaron en una matriz de
64X64 cada una [1]. Estas matrices contienen valores numéricos que van de 0 a 255, las mismas que se manipu
-
laron para la extracción de características.
En la figura 1 se presenta el esquema del sistema desarrollado donde se observan cinco etapas secuenciales
que caracterizan el proceso de clasificación.
Caicedo et al., Red neuronal alticial para el reconocimiento de emociones humanas
ATHENEA JOURNAL IN ENGINEERING SCIENCES Vol. 2, Nº 5 September 2021 (pp. 2934)
ISSN 27376419
31
Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)
ISSN 2542-3401
31
31
Salomón et al., Productividad del proceso minero, mas allá de la producción
Caicedo et al., Red neuronal alticial para el reconocimiento de emociones humanas
Fig. 1. Esquema de clasificación de gestualidades.
La extracción de la característica se hace usando la transformación 2D discreta del coseno (DCT 2D), ya
que este método permite representar cualquier señal en el plano de las frecuencias [1]. Aplicando mencionada
transformación en este trabajo se logró cambiar los datos de una imagen del dominio espacial al dominio de la
frecuencia. Luego, de esta manera se formó un vector de características para entrenar la red de reconocimiento
de patrones, es decir, la red neuronal Feedforward.
El clasificador es la red neural de Feedforward que utiliza el algoritmo de BackPropagation para entrenar al
clasificador para datos de entrada contra datos de destino ya especificados, es decir, las cuatro emociones. La fun
-
ción de entrenamiento utilizada para esta red fue Trainscg, que es una función escalada de gradiente conjugado
[1].
Para un clasificador, los valores de datos de entrada son características extraídas que forman un vector de
particularidades y los datos de destino son otro vector 4X1. El parámetro T es una matriz para los datos objetivos
donde las emociones ira, alegría, tristeza y susto se denotan por primera, segunda, tercera y cuarta filas de matriz
respectivamente. Para una imagen que contenga una emoción de susto, este vector T mantendrá valores de 0 en
todas las filas excepto 1 en la cuarta fila. A continuación se muestra el detalle del vector T.
(1)
De esta manera el clasificador es entrenado para múltiples imágenes permitiendo al sistema aprender varias
emociones.
ATHENEA JOURNAL IN ENGINEERING SCIENCES Vol. 2, Nº 5 September 2021 (pp. 2934)
ISSN 27376419
T=
0
0
0
1
32
Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)
ISSN 2542-3401
32
32
Juan Segura1, Franyelit Suàrez2, Juan Casierra2 .
Salomón et al., Productividad del proceso minero, mas allá de la producción
IV.RESULTADOS
En la figura 2, se presenta la ventana principal de la aplicación. Esta ventana destaca todos y cada uno de los
controles que permiten la interacción con la base de datos donde reposan las imágenes.
Fig. 2. Vista inicial de la aplicación.
Una vez conocidos los controles de la aplicación se podrá cargar una imagen al panel de entrada desde la base
de datos previamente almacenada para su posterior análisis (Fig. 3).
Fig. 3. Obtener imagen desde la base de datos.
Previa obtención de la imagen, luego se procede a entrenar la red neuronal. Se debe elegir el tipo de emoción
que presenta la imagen precargada. Cabe señalar que cada imagen es usada una sola vez para evitar el sobre-en
-
trenamiento de la red (Fig. 4).
Caicedo et al., Red neuronal alticial para el reconocimiento de emociones humanas
ATHENEA JOURNAL IN ENGINEERING SCIENCES Vol. 2, Nº 5 September 2021 (pp. 2934)
ISSN 27376419
33
Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)
ISSN 2542-3401
33
33
Salomón et al., Productividad del proceso minero, mas allá de la producción
Caicedo et al., Red neuronal alticial para el reconocimiento de emociones humanas
Fig. 4. Entrenamiento de la red neuronal.
Por último, para comprobar que el entrenamiento de la red ha sido el correcto se debe volver a cargar una ima
-
gen de prueba para que la aplicación determine qué tipo de emoción presenta el individuo. La imagen de prueba
puede ser cualquiera elegida de forma aleatoria de entre un grupo de imágenes que correspondan al individuo en
estudio (Fig. 5).
Fig. 5. Reconocimiento de emoción.
V.CONCLUSIONES
1.La gestualidad de las personas es de fácil reconocimiento siempre que la individualidad de la misma lo per
-
mita, ya que existen personas de difícil expresividad que no manifiestan sus estados de ánimo, en cuyos casos
resulta de mayor dificultad.
2.La gestualidad de las personas es una característica inevitable, que permite caracterizar las formas de sus
emociones y las manifestaciones de las mismas.
3.Las redes neuronales artificiales permiten resolver problemas de no linealidad, como el caso de la gestuali
-
dad humana, que difiere considerablemente en cada individuo.
4.Es preciso señalar que debido a que la muestra de estudio es reducida no es posible realizar un análisis mu
-
cho más profundo. Este punto sería una de las limitaciones de este trabajo.
ATHENEA JOURNAL IN ENGINEERING SCIENCES Vol. 2, Nº 5 September 2021 (pp. 2934)
ISSN 27376419
34
Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)
ISSN 2542-3401
34
34
Juan Segura1, Franyelit Suàrez2, Juan Casierra2 .
Salomón et al., Productividad del proceso minero, mas allá de la producción
REFERENCIAS
[1]S. Gangwar, S. Shukla, D. Arora. “Human Emotion Recognition by Using Pattern Recognition Network”,
Journal of Engineering Research and Applications, Vol. 3, Issue 5, pp.535-539, 2013.
[2]K. Rohit. “Back Propagation Neural Network based Emotion Recognition System”. International Journal of
Engineering Trends and Technology (IJETT), Vol. 22, Nº 4, 2015.
[3]S. Eishu, K. Ranju, S. Malika, “Speech Emotion Recognition using BFO and BPNN”, International Journal of
Advances in Science and Technology (IJAST), ISSN2348-5426, Vol. 2 Issue 3, 2014.
[4]A. Fiszelew, R. García-Martínez and T. de Buenos Aires. “Generación automática de redes neuronales con
ajuste de parámetros basado en algoritmos genéticos”. Revista del Instituto Tecnológico de Buenos Aires, 26,
76-101, 2002.
[5]Y. LeCun, B. Boser, J. Denker, D. Henderson, R. Howard, W. Hubbard, and L. Jackel. “Handwritten digit re
-
cognition with a back-propagation network”. In Advances in neural information processing systems. pp. 396-404,
1990.
[6]G. Bebis and M. Georgiopoulos. “Feed-forward neural networks”. IEEE Potentials, 13(4), 27-31, 1994.
[7]G. Huang, Q. Zhu and C. Siew. “Extreme learning machine: a new learning scheme of feedforward neural
networks”. In Neural Networks, 2004. Proceedings. 2004 IEEE International Joint Conference. Vol. 2, pp. 985-
990. IEEE, 2004.
[8]D. Montana and L. Davis. “Training Feedforward Neural Networks Using Genetic Algorithms”. In IJCAI,
Vol. 89, pp. 762-767, 1989.
[9]I. Sutskever, O. Vinyals and Q. Le. “Sequence to sequence learning with neural networks”. In Advances in
neural information processing systems. pp. 3104-3112, 2014.
[10]J. Schmidhuber. “Deep learning in neural networks: An overview”. Neural networks, 61, 85-117, 2015.
[11]R. Santos, M. Ruppb, S. Bonzi and A. Filetia, “Comparación entre redes neuronales feedforward de múltiples
capas y una red de función radial para detectar y localizar fugas en tuberías que transportan gas”. Chem. Ing.
Trans , 32 (1375), e1380, 2013.
Caicedo et al., Red neuronal alticial para el reconocimiento de emociones humanas
ATHENEA JOURNAL IN ENGINEERING SCIENCES Vol. 2, Nº 5 September 2021 (pp. 2934)
ISSN 27376419