IDENTIFICAÇÃO DE COMPORTAMENTO ANÔMALO ATRAVÉS DA OBSERVAÇÃO DA VARIAÇÃO EMOCIONAL DO INDIVÍDUO
##plugins.themes.bootstrap3.article.main##
Resumo
As emoções são essenciais na forma como os indivíduos compreendem e percebem o mundo ao seu redor. O processo de reconhecimento das emoções é dinâmico e crucial para o desenvolvimento de agentes inteligentes que interagem com indivíduos em situações complexas [1]. Portanto, a interpretação precisa dos sinais emocionais de múltiplas modalidades sendo imprescindível para garantir uma comunicação significativa [2,3]. Nos últimos anos, diversos métodos computacionais foram desenvolvidos para facilitar a análise das emoções. Essas abordagens envolvem métodos baseados em modelos matemáticos ou neurais individuais, bem como modelos híbridos que combinam vários recursos e classificadores [4]. No campo da computação afetiva, o desenvolvimento de modelos combinados e métodos híbridos não apenas permite processar, mas também identificar e compreender comportamentos anômalos [5]. Além disso, esses modelos possibilitam a identificação e reconhecimento automatizados de aspectos sociopsicológicos, características faciais, auditivas, fisiológicas e textuais, proporcionando melhores estimativas e evitando incidentes desagradáveis [6]. Apesar dos avanços tecnológicos, ainda existem desafios significativos na precisão e confiabilidade dos sistemas de reconhecimento emocional. A complexidade inerente às variações emocionais humanas e a diversidade de contextos em que essas variações ocorrem tornam difícil a criação de sistemas universalmente precisos e robustos. Além disso, a falta de integração e padronização entre diferentes abordagens e técnicas representa uma lacuna crítica na literatura, dificultando a comparação direta e a avaliação da eficácia dessas metodologias. Portanto, é essencial desenvolver uma base de conhecimento consolidada que aborde essas questões e promova avanços consistentes na detecção de comportamentos anômalos. Para preencher essas lacunas, este estudo investiga como diferentes métodos de reconhecimento emocional podem ser aplicados para identificar comportamentos anômalos em diversos contextos. A pesquisa abrange uma análise detalhada das técnicas existentes, incluindo o uso de redes neurais profundas (DNN), máquinas de vetores de suporte (SVM), redes neurais convolucionais (CNN) e algoritmos de aprendizado profundo (DL), que têm se mostrado promissores na melhoria da precisão e eficácia dos sistemas de detecção. Além disso, a combinação de múltiplas modalidades de detecção, como reconhecimento facial, análise de voz e monitoramento fisiológico, é explorada para maximizar a precisão e a capacidade de resposta dos sistemas. Os resultados indicam que há uma correlação significativa entre variações emocionais e comportamentos anômalos, validada por avaliações formalizadas. Modelos combinados e métodos híbridos, que utilizam múltiplas modalidades de detecção, demonstram uma eficácia superior no reconhecimento de anomalias emocionais. A utilização de grandes bases de dados e algoritmos avançados é crucial para aprimorar a confiabilidade e a eficácia desses sistemas, permitindo uma resposta mais rápida e precisa a comportamentos de risco. A pesquisa também destaca a importância de desenvolver frameworks integrados que possam ser aplicados em diferentes cenários, desde a saúde mental até a segurança digital, para uma detecção mais abrangente e eficiente. Os achados deste estudo sublinham a importância de integrar tecnologias de reconhecimento emocional em áreas críticas como saúde mental, prevenção de crimes e cibersegurança. Pesquisas futuras devem focar em melhorar a precisão e a confiabilidade de sistemas existentes. Além disso, é essencial expandir e diversificar os conjuntos de dados utilizados, incorporando dados de diferentes contextos e populações para garantir melhor generalização e aplicabilidade. Deve-se também investir no desenvolvimento de métodos híbridos que combinam múltiplas modalidades de detecção, como análise de voz, reconhecimento facial e monitoramento fisiológico, para maximizar a eficácia na identificação de comportamentos anômalos na perspectiva antidiscriminatória com melhor assertividade nos resultados.
Palavras-chave: Detecção Emocional; Comportamentos Anômalos; Métodos Híbridos; Aprendizado Profundo.
Referências
Barros, P., Churamani, N., Lim, A., & Wermter, S. (2019, September). The OMG-Empathy Dataset: Evaluating the Impact of Affective Behavior in Storytelling. In 2019 8th International Conference on Affective Computing and Intelligent Interaction (ACII) (pp. 1- 7). IEEE.
Abdullah, Sharmeen M. Saleem Abdullah et al. Multimodal emotion recognition using deep learning. Journal of Applied Science and Technology Trends, v. 2, n. 02, p. 52-58, 2021.
Khalil, Ruhul Amin et al. Speech emotion recognition using deep learning techniques: A review. IEEE Access, v. 7, p. 117327-117345, 2019.
Saxena, Anvita; KHANNA, Ashish; GUPTA, Deepak. Emotion recognition and detection methods: A comprehensive survey. Journal of Artificial Intelligence and Systems, v. 2, n. 1, p. 53-79, 2020.
Orrù, Giulia et al. Detecting anomalies from video-sequences: A novel descriptor. In: 2020 25th International Conference on Pattern Recognition (ICPR). IEEE, 2021. p. 4642-4649.
STUDENT, P. G. Abnormal Human Behavior Detection and Classification In Crowd Using Image Processing. In: National Conference on―Unprecedented and Advanced Concepts of Computer Vision‖ NCUACC. 2021.
Palavras-chave: Detecção Emocional; Comportamentos Anômalos; Métodos Híbridos; Aprendizado Profundo.
Referências
Barros, P., Churamani, N., Lim, A., & Wermter, S. (2019, September). The OMG-Empathy Dataset: Evaluating the Impact of Affective Behavior in Storytelling. In 2019 8th International Conference on Affective Computing and Intelligent Interaction (ACII) (pp. 1- 7). IEEE.
Abdullah, Sharmeen M. Saleem Abdullah et al. Multimodal emotion recognition using deep learning. Journal of Applied Science and Technology Trends, v. 2, n. 02, p. 52-58, 2021.
Khalil, Ruhul Amin et al. Speech emotion recognition using deep learning techniques: A review. IEEE Access, v. 7, p. 117327-117345, 2019.
Saxena, Anvita; KHANNA, Ashish; GUPTA, Deepak. Emotion recognition and detection methods: A comprehensive survey. Journal of Artificial Intelligence and Systems, v. 2, n. 1, p. 53-79, 2020.
Orrù, Giulia et al. Detecting anomalies from video-sequences: A novel descriptor. In: 2020 25th International Conference on Pattern Recognition (ICPR). IEEE, 2021. p. 4642-4649.
STUDENT, P. G. Abnormal Human Behavior Detection and Classification In Crowd Using Image Processing. In: National Conference on―Unprecedented and Advanced Concepts of Computer Vision‖ NCUACC. 2021.
Downloads
Não há dados estatísticos.
##plugins.themes.bootstrap3.article.details##
Seção
Engenharia da Computação e Sistemas