1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Chihuahua
4. Instituto Tecnológico de Chihuahua
5. Tesis de Maestría
6. Maestría en Ciencias en Ingeniería Electrónica

Título :	REDES NEURONALES PROFUNDAS HÍBRIDAS PARA EL RECONOCIMIENTO DE ESTADOS AFECTIVOS NEGATIVOS A PARTIR DE SEÑALES EEG Y EXPRESIONES FACIALES
Autor :	AMPARÁN ORTEGA, NIRVANA CINNERETH
metadata.dc.subject.other:	REDES NEURONALES PROFUNDAS HÍBRIDAS PARA EL RECONOCIMIENTO DE ESTADOS AFECTIVOS NEGATIVOS A PARTIR DE SEÑALES EEG Y EXPRESIONES FACIALES
Fecha de publicación :	2026-01-01
Editorial :	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Chihuahua
Descripción :	Los trastornos afectivos negativos son alteraciones del estado de ánimo asociados a estados emocionales que afectan el bienestar físico y mental. Su diagnóstico clínico suele basarse en evaluaciones subjetivas que dependen de la cooperación y capacidad de expresión del paciente, lo que puede conducir a diagnósticos tardíos o imprecisos. Ante esta problemática, se han desarrollado modelos basados en técnicas de Inteligencia Artificial (IA) que procesan señales físicas y fisiológicas para identificar y clasificar estados afectivos positivos y negativos. Sin embargo, los modelos actuales aun presentan limitaciones para lograr altos desempeños. Como una alternativa han surgido los modelos híbridos que integran distintas arquitecturas con el propósito de mejorar la representación de las características y aumentar la precisión en la clasificación de los estados afectivos. Por esta razón, esta tesis se enfoca en el estudio de modelos híbridos aplicados al reconocimiento de estados afectivos negativos a partir de señales EEG y expresiones faciales. Se realizaron experimentos utilizando bases de datos de reconocimiento de emociones: FER2013 y JAFFE para expresiones faciales, y DREAMER y SEED-IV para señales EEG. Para el reconocimiento de estados afectivos negativos se utilizó la base de datos EMOTION ITCH. Para la definición de los modelos híbridos propuestos en esta tesis, se integraron Redes Neuronales Convolucionales (CNN, por sus siglas en inglés) con un Mecanismo de Autoatención Multicabeza (MHSA, por sus siglas en inglés). Se evaluaron diversas arquitecturas basadas en CNN, identificando a la arquitectura Inception como la más adecuada para cada tipo de dato. Posteriormente, se aplicó un MHSA sobre los mapas de características generados por la CNN en etapas intermedias. Esto permitió al MHSA identificar regiones relevantes dentro de dichas representaciones intermedias lo que hizo posible reducir la cantidad de capas de la arquitectura Inception utilizada como base y, con ello, obtener una versión reducida en parámetros y complejidad del modelo. La evaluación de los modelos propuestos se llevó a cabo mediante validación cruzada utilizando la métrica de exactitud (accuracy). Los resultados sugieren que los modelos híbridos propuestos pueden alcanzar desempeños competitivos con una menor cantidad de parámetros en comparación con redes neuronales profundas reportadas en la literatura, lo que aporta un beneficio ante contextos con recursos limitados o bases de datos reducidas.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Aparece en las colecciones:	Maestría en Ciencias en Ingeniería Electrónica

Este ítem está protegido por copyright original Visualizar la licencia

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons