@MASTERSTHESIS{ 2024:1783326062,
 	title = {Reconhecimento de emoções baseado em Aprendizado Autossupervisionado},
 	year = {2024},
 	url = "https://tede.ufam.edu.br/handle/tede/10368",
 	abstract = "O reconhecimento de emoções é uma aplicação do aprendizado de máquina que 
 envolve a análise de sinais fisiológicos, de áudio e/ou vídeo para identificar emoções 
 expressas pelos indivíduos. A obtenção de bases de dados rotuladas para essa tarefa é 
 desafiadora e onerosa, muitas vezes apresentando problemas estruturais como 
 desequilíbrio de classes, dados faltantes e vieses de rotulagem.
 Uma abordagem promissora para contornar esses problemas é desenvolver 
 soluções de reconhecimento de padrões baseadas no aprendizado autossupervisionado. 
 Essa abordagem permite treinar modelos utilizando dados não rotulados, transferindo o 
 conhecimento adquirido para um modelo especializado no reconhecimento de emoções. 
 Dessa forma, é possível superar a dependência de bases de dados rotuladas, tornando o 
 processo mais eficiente e menos custoso.
 A escolha de tarefas auxiliares no aprendizado autossupervisionado é crucial, pois 
 possibilita o treinamento eficiente de modelos em grandes bases de dados não rotulados 
 e contribui para a aprendizagem de representações robustas e generalizáveis. Isso permite 
 que o modelo se adapte melhor a diferentes tarefas e cenários.
 Nesse contexto, este trabalho apresenta uma arquitetura de rede neural que utiliza 
 uma abordagem auto-supervisionada para o reconhecimento de emoções a partir de sinais 
 de eletrocardiograma. Para avaliar o desempenho da arquitetura neural proposta, 
 implementamos e avaliamos diferentes combinações de tarefas auxiliares, analisando 
 como cada uma contribui para a eficácia e precisão do modelo. Identificamos as tarefas 
 auxiliares mais significativas para a classificação de emoções e realizamos análises 
 detalhadas dos parâmetros associados a essas tarefas.
 Experimentos conduzidos em quatro bases de dados públicas demonstraram 
 consistentemente o desempenho superior do método proposto em comparação com a 
 mesma arquitetura treinada de forma supervisionada. Na base de dados SWELL, o 
 método alcançou uma acurácia de 93,64% na classificação de excitação, que é uma 
 dimensão da emoção, utilizando apenas 25% dos dados rotulados, comparado a 78,20% 
 do método supervisionado.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Informática},
 	note = {Instituto de Computação}
}