DECIFRANDO SENTIMENTOS: TECNOLOGIA DE ANÁLISE FACIAL PARA AUTISTAS
Palavras-chave:
Autismo, Rede Neural Convolucional, Imagem, SentimentosResumo
A integração social de pessoas com o Transtorno do Espectro Autista (TEA) é um desafio significativo devido às dificuldades que essas pessoas enfrentam em socialização, comunicação e aprendizagem. Uma área crítica é a representação emocional, onde pessoas com TEA têm dificuldades em assumir e expressar emoções, especialmente por meio de expressões faciais, o que torna a comunicação social ainda mais desafiadora. Para abordar essa necessidade, foi desenvolvido um protótipo de aplicação que utiliza técnicas de aprendizado de máquina para detectar sentimentos em pessoas, com o objetivo de promover a inclusão social de indivíduos com TEA. A aplicação utiliza uma câmera de um celular para capturar as expressões faciais de uma pessoa, analisando-as e informando ao usuário autista qual o sentimento que está sendo expresso. Isso facilita a compreensão do autista ao relacionar o sentimento identificado pelo aplicativo com as expressões faciais correspondentes, proporcionando maior autonomia de convívio e demonstrando suas capacidades. A tecnologia utilizada inclui uma Rede Neural Convolucional (CNN), uma forma de inteligência artificial especializada em análise de imagens. A base de dados para o treinamento da rede neural foi retirada do Kaggle, composta por fotos de rostos. Os resultados mostraram uma acurácia de 78,85% após 50 temporadas de treinamento, o que possibilita a classificação de emoções em tempo real. Essa aplicação representa um avanço significativo na redução das barreiras sociais para pessoas com TEA, ao auxiliar na interpretação de emoções.
Referências
ANDRADE, Vinicius Santos et al. Classificador de formas utilizando descritor de Fourier usando distância do centroide. Fatec Ourinhos, 2021. Disponível em: https://www.fatecourinhos.edu.br/retec/index.php/retec/article/view/403/270. Acesso em: 07 jul. 2024.
BALAN, Willians Cerozzi. A imagem digital. Apostila, UNESP, São Paulo, SP, Brasil, 2019. Disponível em: http://willians.pro.br/textos_publicados/A%20Imagem%20Digital%20-%20Willians%20Cerozzi%20Balan.pdf. Acesso em: 2 jul. 2024.
CASTRO, Giulia Z. de et al. Desenvolvimento de uma base de dados de sinais de Libras para aprendizado de máquina: estudo de caso com CNN 3D. In: Simpósio Brasileiro de Automação Inteligente, 2019. Disponível em: https://www.researchgate.net/profile/Frederico-Guimaraes-4/publication/338202250_Desenvolvimento_de_uma_Base_de_Dados_de_Sinais_de_Libras_para_Aprendizado_de_Maquina_Estudo_de_Caso_com_CNN_3D/links/5e29a5c192851c3aadd3da86/Desenvolvimento-de-uma-Base-de-Dados-de-Sinais-de-Libras-para-Aprendizado-de-Maquina-Estudo-de-Caso-com-CNN-3D.pdf. Acesso em: 07 jul. 2024.
FERREIRA, Jackeline Tuan Costa et al. Efeitos da fisioterapia em crianças autistas: estudo de séries de casos. Cadernos de Pós-Graduação em Distúrbios do Desenvolvimento, v. 16, n. 2, São Paulo, dez. 2016. Disponível em: http://pepsic.bvsalud.org/scielo.php?script=sci_arttext&pid=S1519-03072016000200005. Acesso em: 27 jun. 2024.
GARCIA, Lucas Henz. Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware. Universidade Federal do Rio Grande do Sul, Escola de Engenharia, Departamento de Engenharia Elétrica, 2021. Disponível em: https://lume.ufrgs.br/bitstream/handle/10183/234173/001134980.pdf?sequence=1&isAllowed=y. Acesso em: 07 jul. 2024.GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning. Cambridge: MIT Press, 2016.
KOVÁCS, Zsolt László. Redes neurais artificiais: fundamentos e aplicações. 4. ed. São Paulo: Livraria da Física, 2006. p. 31.
LEONTIEV, A. N. Actividad, consciencia y personalidad. Havana: Editorial Pueblo y Educación, 1975. p. 164.
OLIVEIRA, Anderson Castro Soares de; SOUZA, Ademária Aparecida de; LACERDA, Wilian Soares; GONÇALVES, Luciene Resende. Aplicação de redes neurais artificiais na previsão da produção de álcool. Universidade Federal de Lavras/UFLA, 2010. Disponível em: https://www.researchgate.net/publication/240772105_Aplicacao_de_redes_neurais_artificiais_na_previsao_da_producao_de_alcool. Acesso em: 09 jul. 2024.
ORGANIZAÇÃO PAN-AMERICANA DA SAÚDE. Transtorno do espectro autista. Disponível em: https://www.paho.org/pt/topicos/transtorno-do-espectro-autista. Acesso em: 11 ago. 2024.
PONTI, Moacir A.; PARANHOS DA, Gabriel B. Como funciona o Deep Learning. Cornell University, 2018. Disponível em: https://arxiv.org/abs/1806.07908. Acesso em: 04 jul. 2024.
RIBEIRO, Amanda Gracielly. Impacto psicológico da família ao receber o diagnóstico de autismo. 2020. Disponível em: http://104.207.146.252:8080/xmlui/handle/123456789/548. Acesso em: 17 ago. 2024.
SALEHI, Hadi; BURGUEÑO, Rigoberto. Emerging artificial intelligence methods in structural engineering. Engineering Structures, United Kingdom, v. 171, p. 170-189, 2018. Disponível em: https://doi.org/10.1016/j.engstruct.2018.05.084. Acesso em: 25 set. 2021.
SCURI, Luís Marcelo Paschoal. Notas de aula: curso de CGI. 1999. Disponível em: https://www2.tecgraf.puc-rio.br/ftp_pub/curso-cgi/Notas_de_Aula/scuri.pdf. Acesso em: 13 ago. 2024.
SILVA JÚNIOR, Juarez Antônio da; PACHECO, Admilson da Penha. Classificador Support Vector Machines para o mapeamento da cobertura do solo usando imagens CBERS-4/MUX e Landsat-8/OLI. Revista Brasileira de Geografia Física, v. 16, 2023. Disponível em: https://periodicos.ufpe.br/revistas/index.php/rbgfe/article/view/257409/43877. Acesso em: 09 jul. 2024.
SIQUEIRA, Lucas Pavanelo. Identificação e classificação de lixo doméstico através de rede neural convolucional. Porto Alegre: Universidade Federal do Rio Grande do Sul, Escola de Engenharia, Departamento de Engenharia Química, novembro de 2021. Trabalho de Conclusão de Curso em Engenharia Química. Disponível em: https://lume.ufrgs.br/handle/10183/235795. Acesso em: 08 jul. 2024.
TRIPATHY, Abinash; AGRAWAL, Ankit; RATH, Santanu Kumar. Classification of sentimental reviews using machine learning techniques. In: International Conference on Recent Trends in Computing, 3., 2015, [Local da conferência]. Proceedings of the 3rd International Conference on Recent Trends in Computing. ELSEVIER, 2015. Disponível em: https://core.ac.uk/download/pdf/82667502.pdf. Acesso em: 1 jul. 2024.
YINGGE, Huo; ALI, Imran; LEE, Kang-Yoon. Deep neural networks on chip - a survey. IEEE, Busan, Korea (South), 2020. Disponível em: https://ieeexplore.ieee.org/abstract/document/9070243. Acesso em: 19 jun. 2024.