@MASTERSTHESIS{ 2024:1541507484,
 	title = {Reconhecimento de emo??es baseado em Aprendizado Autossupervisionado},
 	year = {2024},
 	url = "https://tede.ufam.edu.br/handle/tede/10368",
 	abstract = "O reconhecimento de emo??es ? uma aplica??o do aprendizado de m?quina que 
 envolve a an?lise de sinais fisiol?gicos, de ?udio e/ou v?deo para identificar emo??es 
 expressas pelos indiv?duos. A obten??o de bases de dados rotuladas para essa tarefa ? 
 desafiadora e onerosa, muitas vezes apresentando problemas estruturais como 
 desequil?brio de classes, dados faltantes e vieses de rotulagem.
 Uma abordagem promissora para contornar esses problemas ? desenvolver 
 solu??es de reconhecimento de padr?es baseadas no aprendizado autossupervisionado. 
 Essa abordagem permite treinar modelos utilizando dados n?o rotulados, transferindo o 
 conhecimento adquirido para um modelo especializado no reconhecimento de emo??es. 
 Dessa forma, ? poss?vel superar a depend?ncia de bases de dados rotuladas, tornando o 
 processo mais eficiente e menos custoso.
 A escolha de tarefas auxiliares no aprendizado autossupervisionado ? crucial, pois 
 possibilita o treinamento eficiente de modelos em grandes bases de dados n?o rotulados 
 e contribui para a aprendizagem de representa??es robustas e generaliz?veis. Isso permite 
 que o modelo se adapte melhor a diferentes tarefas e cen?rios.
 Nesse contexto, este trabalho apresenta uma arquitetura de rede neural que utiliza 
 uma abordagem auto-supervisionada para o reconhecimento de emo??es a partir de sinais 
 de eletrocardiograma. Para avaliar o desempenho da arquitetura neural proposta, 
 implementamos e avaliamos diferentes combina??es de tarefas auxiliares, analisando 
 como cada uma contribui para a efic?cia e precis?o do modelo. Identificamos as tarefas 
 auxiliares mais significativas para a classifica??o de emo??es e realizamos an?lises 
 detalhadas dos par?metros associados a essas tarefas.
 Experimentos conduzidos em quatro bases de dados p?blicas demonstraram 
 consistentemente o desempenho superior do m?todo proposto em compara??o com a 
 mesma arquitetura treinada de forma supervisionada. Na base de dados SWELL, o 
 m?todo alcan?ou uma acur?cia de 93,64% na classifica??o de excita??o, que ? uma 
 dimens?o da emo??o, utilizando apenas 25% dos dados rotulados, comparado a 78,20% 
 do m?todo supervisionado.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}