Palabras clave
redes neuronales
gestualidad
back-propagation
feedforward
clasificación
emociones
Cómo citar
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 finalidad implementar una red neuronal que permita clasificar 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 clasificación de patrones. Back-Propagation, que es un algoritmo de retro propagación empleado en la red neuronal Feedforward fue tomado en consideración para resolver la clasificación de las emociones.
Palabras Clave: Procesamiento de imágenes, redes neuronales, gestualidad, back-propagation, feedforward, clasificación, emociones.
Citas
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.
K. Rohit. “Back Propagation Neural Network Based Emotion Recognition System”. International Journal of Engineering Trends and Technology (IJETT), Vol. 22, Nº 4, 2015.
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.
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.
Y. LeCun, B. Boser, J. Denker, D. Henderson, R. Howard, W. Hubbard, and L. Jackel. “Handwritten digit recognition with a back-propagation network”. In Advances in neural information processing systems. pp. 396-404, 1990.
G. Bebis and M. Georgiopoulos. “Feed-forward neural networks”. IEEE Potentials, 13(4), 27-31, 1994.
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.
D. Montana and L. Davis. “Training Feedforward Neural Networks Using Genetic Algorithms”. In IJCAI, Vol. 89, pp. 762-767, 1989.
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.
J. Schmidhuber. “Deep learning in neural networks: An overview”. Neural networks, 61, 85-117, 2015.
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.
