Events
Divulgação - Defesa Nº 245
Aluno: Arianne Sarmento Torcate
Título: Arquiteturas profundas híbridas para detecção e reconhecimento de emoções em expressões faciais em idosos
Orientador: Wellington Pinheiro dos Santos(PPGEC)
Examinador Externo : Giselle M. Magalhães Moreno- (USP)
Examinador Interno : Patrícia Takako Endo (PPGEC)
Data-hora: 18/Fevereiro/2022 (14:00h)
Local: Formato Remoto (https://meet.google.com/xzf-wbfg-nih)
Resumo:
Dados da Organização Mundial da Saúde indicam que o número de pessoas com 60 anos ou mais na população mundial está aumentando gradativamente. As projeções evidenciam que em 2030 haverá 1.4 bilhões de idosos e 2.1 bilhões em 2050. É importante esclarecer que junto ao processo natural de envelhecimento de qualquer ser humano, mudanças na percepção e cognição podem causar danos que contribuem para que os idosos tenham dificuldades de reconhecer e expressar emoções através da face. Poucos estudos na literatura abordam o reconhecimento das emoções em idosos, sejam eles afetados por processos demenciais ou não. Não ser capaz de expressar e reconhecer emoções por meio da face pode contribuir para que os idosos tenham dificuldades em comunicar mensagens importantes, como o desconforto associado a tratamentos. Portanto, esta pesquisa teve como objetivo desenvolver técnicas para reconhecimento de emoções através de imagens de faces a partir de arquiteturas híbridas baseadas em redes profundas pré-treinadas e modelos clássicos de aprendizado de máquina. Ao todo, cinco bases de dados foram utilizadas para realização dos experimentos. Em todos os cenários, uma arquitetura híbrida composta por uma rede LeNet (utilizada para extração de atributos) e um algoritmo Random Forest (aplicado para classificação das emoções) se destacou, apresentando acurácia mínima de 75,51%, média de 82,05% e máxima de 87,95% nos conjuntos de validação das bases de dados. Os resultados obtidos são promissores e abrem um leque de possibilidades para realização de trabalhos futuros. Por fim, a possibilidade de desenvolver sistemas inteligentes que apoiem o reconhecimento de emoções na população idosa surge como uma ferramenta valiosa, representando uma alternativa para promover não só a qualidade de vida dos idosos, mas também de toda rede de apoio que o cerca.
Divulgação - Defesa Nº 244
Aluno: Flávio Secco Fonsêca
Título: “Reconhecimento de Emoções pela Análise de Sinais de Voz em Idosos”
Orientador: Wellington Pinheiro dos Santos (PPGEC)
Examinador Externo : Cristine Martins G. de Gusmão - (UFPE)
Examinador Interno : Alexandre Magno Andrade Maciel (PPGEC)
Data-hora: 18/Fevereiro/2022 (10:00h)- AM
Local: Formato Remoto (https://meet.google.com/hyy-zwwn-jon)
Resumo:
O reconhecimento das emoções é uma das áreas que mais avançou com a inteligência artificial. No entanto, criar modelos que compreendam as nuances da linguagem natural e da fala ainda é uma tarefa complexa. Isso é ainda pior quando falamos dos idosos, grupo com maior predisposição a problemas fisiológicos, psicológicos e até sociais. Com o crescimento demográfico e o envelhecimento da população, é fundamental desenvolvermos sistemas para apoiar a qualidade de vida dessas pessoas. Neste capítulo, propomos algumas abordagens clássicas e outras inusitadas para realizar o reconhecimento de emoções em idosos por meio da fala usando o banco de dados público RAVDESS. A ideia é que esses modelos sejam utilizados em interfaces homem-máquina para dar suporte a terapeutas e médicos para esses pacientes. Inicialmente, foi utilizada uma arquitetura CNN com extração do atributo do espectrograma log-mel. Embora os resultados encontrados não tenham ultrapassado 61%, serviram de experimento inicial para os próximos modelos. No segundo experimento, aplicamos a transformada wavelet, convertendo sinais sonoros em imagens por meio de pseudocores. A partir dessas imagens, 2.048 características foram extraídas por uma rede ResNet pré-treinada. Também aplicamos o algoritmo de otimização de enxame de partículas (PSO). Ele selecionou 410 recursos considerados mais influentes entre os extraídos pela rede profunda, na etapa anterior. Assim, para investigar os efeitos do PSO na arquitetura, utilizamos ambas as sub-bases geradas (com 2048 e com 410 features). Essas 2 novas sub-bases serviram para o treinamento e teste dos classificadores inteligentes Bayesian Network, Naive Bayes, árvore de decisão J48, Random Tree, Random Forests e Support Vector Machines (SVM). Os resultados finais foram comparados entre si, considerando diversas métricas. O RBF-kernel SVM com γ = 0,5 mostrou grande potencial. O pré-processamento com aprendizagem por transferência atingiu uma precisão de 81,1%, sendo o melhor modelo. Notamos também a relevância da seleção de atributos para a simplificação do problema. Como os resultados foram em sua maioria muito semelhantes, o modelo com PSO mostrou-se uma alternativa viável. Especialmente quando procuramos soluções móveis fáceis de implementar. Com esses resultados, no futuro, esperamos aplicar a arquitetura proposta a bancos de dados específicos de idosos e, testando outras configurações, pretendemos desenvolver um modelo mais robusto, prático e com melhor desempenho em comparação com o estado da arte atual.
Divulgação - Defesa Nº 243
Aluno: Geovanne Oliveira Alves
Título: "Desenvolvimento de Modelos de Previsão de Vendas Utilizando Dados do Varejo Físico”
Orientador: Alexandre Magno Andrade Maciel (PPGEC)
Corientador: Jorge Cavalcanti Barbosa Fonsêca (UPE)
Examinador Externo : Djalma Silva Guimarães Júnior - (UPE)
Examinador Interno : Byron Leite Dantas Bezerra (PPGEC/UPE)
Data-hora: 17/Dezembro/2021 (15:00h) - PM
Local: Formato Remoto (https://meet.google.com/bhc-osuv-jwf)
Resumo:
O varejo é um setor da economia que está expandindo ao longo dos últimos anos, tanmesmo sob as consequências da pandemia do Covid-19. Para mensurar os impactos no desempenho das estratégias empresariais, os indicadores auxiliam os gestores na identificação de possíveis problemas e melhorias necessárias. Um importante indicador é o faturamento bruto, referente ao montante que a empresa adquiriu através das vendas. Como esse indicador contribui com o entendimento do estado da empresa, gerar previsões do faturamento de vendas é uma estratégia que auxilia o gestor no direcionamento do negócio. Com o foco no comércio físico, que engloba mais desafios na extração de dados e detém a maior parte do PIB do setor que os ecommerces, este trabalho tem tem como objetivo de desenvolver um conjunto de modelos de Machine Learning (ML) para previsao de vendas no varejo físico. Para condução desse trabalho foi proposta uma metodologia para criar, comparar e avaliar modelos de ML que contempla as etapas de apresentação das bases de dados, pré-processamento dos dados, seleção de atributos, divisão dos conjuntos em treinamento e teste, treinamento e avaliação dos modelos. A partir das bases de dados de vendas, utilização do Wi-Fi e fluxo de pessoas em um shopping center, foram criados dois conjuntos de dados com periodicidade por hora e por dia. Os modelos foram treinados com esses conjuntos, com seleção e atributos e com todos eles. A cada execução, foi realizado o treinamento de 13 algoritmos de ML, dentre eles, foram selecionados os melhores, a partir da métrica F1-score, para o ajuste dos hiper-parâmetros. Após o teste estatístico de Wilcoxon, os modelos foram avaliados sob as métricas F1-score, Acurácia e MCC, e também pelas matrizes de confusão. Ao analisar os dois cenários, foi observado que as previsões do cenário por hora apresentaram maior desempenho que as previsões do cenário por dia. Destacamos o modelo LIGHTGBM, pois apresentou as melhores pontuações nas métricas de avaliação. Espera-se, que os modelos de previsão ajudem os gestores a encontrar insights e apoiar as decisões operacionais do varejo físico, contribuindo para realizar ações de otimização da jornada de trabalho dos colaboradores, melhorar o processo de controle de estoque, criar ações de impulsionamento das vendas através de campanhas de marketing ou elaborar sistemas de metas para a equipe, por exemplo.
O Programa
