DEFESA DE TESE DE DOUTORADO Nº 38

Aluna: Arianne Sarmento Torcate

Título: "Arquiteturas Híbridas com Deep-Wavelets e Transfer Learning para Reconhecimento de emoções em Idosos como apoio à Personalização da Musicoterapia".

Orientador: Wellington Pinheiro dos Santos

Examinador Externo: Hugo Valadares Siqueira (UTFPR)

Examinadora Externa: Giselle Machado Magalhães Moreno (UFPE)

Examinador Externo: Allan Kardec Duailibe Barros Filho (UFMA)

Examinador Interno: Cleyton Mário de Oliveira Rodrigues

Data-hora: 27 de fevereiro de 2026 às 8h

Local: formato remoto

---

Resumo:

         "O envelhecimento populacional é um fenômeno crescente que impõe desafios relevantes às áreas da saúde e do cuidado, especialmente no que se refere à promoção da qualidade de vida de idosos. Nesse contexto, sistemas de reconhecimento automático de emoções têm se destacado como ferramentas promissoras para apoiar a personalização de intervenções terapêuticas, como a musicoterapia, sobretudo em populações afetadas por processos demenciais. Diante desse cenário, esta pesquisa tem como objetivo propor arquiteturas híbridas para o reconhecimento de emoções em idosos, considerando abordagens unimodais, baseadas em expressões faciais, e bimodais, integrando expressões faciais e sinais eletroencefalográficos (EEG), com vistas à construção de um núcleo inteligente para um sistema de biofeedback. Para atingir esse objetivo, três estratégias principais foram exploradas: (i) uma abordagem exploratória utilizando Redes Neurais Convolucionais clássicas; (ii) arquiteturas híbridas baseadas em Transfer Learning, empregando redes pré-treinadas para extração de atributos e o classificador Random Forest para a etapa de classificação; e (iii) uma abordagem baseada em Deep-Wavelet Neural Network (DWNN), caracterizada por ser uma rede rasa, sem processo de aprendizado, fundamentada exclusivamente na extração de atributos estatísticos simples (média, mediana, moda, mínimo e máximo) a partir de decomposições wavelet. Diferentes configurações de pré-processamento foram avaliadas, incluindo balanceamento de classes e seleção de atributos. Os resultados demonstraram que, no contexto unimodal, as arquiteturas baseadas em Transfer Learning apresentaram desempenho elevado, com destaque para a LeNet combinada ao Random Forest, que alcançou 96,03% de acurácia na etapa de teste, mesmo utilizando um número reduzido de atributos. A abordagem com DWNN também apresentou resultados expressivos, atingindo 92% de acurácia, evidenciando que uma arquitetura sem aprendizado profundo pode ser altamente competitiva. Nos experimentos bimodais, a integração de expressões faciais e EEG resultou em desempenhos consistentes, com acurácia de até 88,93% para DenseNet baseada em Transfer Learning e 86,65% com DWNN, reforçando o potencial das abordagens híbridas propostas. Além do desempenho obtido, destacam-se como contribuições desta tese a proposição de soluções computacionalmente simples, a validação da DWNN como alternativa viável às redes profundas tradicionais e a construção de uma base de dados autoral de idosos. Os resultados reforçam que, ao contrário da tendência de aumento da complexidade arquitetural, abordagens mais simples podem alcançar desempenho comparável ou superior, contribuindo para aplicações reais, interpretáveis e viáveis no contexto da saúde. O desenvolvimento de um sistema robusto de biofeedback tem potencial não apenas para aprimorar a personalização das terapias, mas também para atuar como ferramenta de apoio à melhoria da qualidade de vida de idosos, especialmente daqueles que enfrentam desafios associados a processos demenciais."