Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/4203| Clasificación multimodal de emociones en perros Multimodal classification of emotions in dogs | |
| Eliaf Yahir Garcia Loya | |
| Irvin Hussen López Nava Humberto Pérez Espinoza | |
| Acceso Abierto | |
| Atribución | |
| Reconocimiento de emociones caninas, Análisis multimodal, Aprendizaje máquina, Señales fisiológicas, Procesado e integración de datos Canine Emotion Recognition, Multimodal Analysis, Machine Learning, Physiological Signals, Data Processing and Integration | |
| Esta tesis presenta un enfoque multimodal integral para el análisis y clasificación de emociones en perros, integrando datos fisiológicos, inerciales y visuales para mejorar la precisión del reconocimiento emocional. El estudio comienza adaptando el modelo de emociones de Ekman a los comportamientos caninos, explorando dimensiones como la valencia y la activación. Estos conceptos forman la base para categorizar las emociones caninas, analizando actividades específicas (juego, frustración, abandono, caricias) dentro de este marco. La recolección de datos involucró un dispositivo desarrollado por nuestro equipo de investigación que sincronizó datos fisiológicos, inerciales y visuales. A pesar de desafíos como pérdida de datos, limitaciones de hardware y dificultades logísticas, los datos proporcionaron una base sólida para el análisis. El procesamiento de datos visuales, especialmente mediante el software DeepLabCut, fue laborioso pero esencial para una clasificación precisa de emociones. La investigación utilizó algoritmos de aprendizaje automático como Naïve Bayes, Máquina de soporte vectorial, ExtraTrees y K vecinos más cercanos para clasificar emociones. Técnicas de reducción de dimensionalidad como PCA y de selección de características como el ranking de importancia proveniente de un bosque aleatorio identificaron características clave en los dominios de datos, siendo las señales fisiológicas las más significativas, seguidas por los datos inerciales y visuales. Los resultados experimentales destacaron la superioridad de los enfoques multimodales sobre los unimodales, con ExtraTrees mostrando el mejor rendimiento, especialmente con un conjunto reducido de características. Los desafíos incluyeron la variabilidad en las respuestas emocionales entre diferentes razas de perros y dificultades en la aplicación de protocolos a perros altamente entrenados. La tesis plantea la pregunta crítica de si se están clasificando emociones o simplemente las actividades que las inducen, sugiriendo que futuras investigaciones deberían explorar métodos de análisis de datos más complejos y jerárquicos. En conclusión, este trabajo contribuye con un marco multimodal robusto para el reconocimiento emocional en perros, sentando las bases para futuros estudios que refinen estas técnicas y aborden las limitaciones actuales, especialmente a través de modelos más sofisticados y una recolección de datos ampliada. This thesis presents a comprehensive multimodal approach to analyzing and classifying emotions in dogs, integrating physiological, inertial, and visual data to enhance emotion recognition accuracy. The study begins by adapting Ekman’s emotion model to canine behaviors, exploring dimensions like valence and arousal. These concepts form the foundation for categorizing dog emotions, with specific activities (e.g., playing, frustration, abandonment, petting) analyzed within this framework. Data collection involved a custom-developed device that synchronized physiological, inertial, and visual data. Despite challenges such as data loss, hardware limitations, and logistical difficulties, the data provided a solid basis for analysis. Visual data processing, especially using DeepLabCut, was labor-intensive but essential for accurate emotion classification. The research employed machine learning algorithms like Naïve Bayes, SVM, ExtraTrees, and KNN to classify emotions. Dimensionality reduction techniques such as PCA and feature selection techniques like the importance ranking obtained through Random Forest identified key features across data domains, with physiological signals proving most significant, followed by inertial and visual data. Experimental results highlighted the superiority of multimodal approaches over unimodal ones, with ExtraTrees consistently performing best, particularly with a reduced feature set. Challenges included variability in emotional responses across different dog breeds and difficulties in applying protocols to highly trained dogs. The thesis raises the critical question of whether the study is classifying emotions or merely the activities inducing them, suggesting that future research should explore more complex, hierarchical data analysis methods. In conclusion, this work contributes a robust multimodal framework for canine emotion recognition, laying the groundwork for future studies to refine these techniques and address current limitations, particularly through more sophisticated models and expanded data collection. | |
| CICESE | |
| 2024 | |
| Tesis de maestría | |
| Español | |
| Garcia Loya, E.Y. 2024. Clasificación multimodal de emociones en perros. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 87 pp. | |
| DISPOSITIVOS DE TRANSMISIÓN DE DATOS | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| thesis_Eliaf Yahir Garcia Loya_18 oct 2024.pdf | Descripción completa de la tesis | 13.11 MB | Adobe PDF | Visualizar/Abrir |