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

Title:	MODELO DE APRENDIZAJE PROFUNDO PARA EL RECONOCIMIENTO DE EMOCIONES POR MEDIO DEL HABLA EN ESPAÑOL
Authors:	ANG FOSTER, RICARDO STEVE
metadata.dc.subject.other:	MODELO DE APRENDIZAJE PROFUNDO PARA EL RECONOCIMIENTO DE EMOCIONES POR MEDIO DEL HABLA EN ESPAÑOL
Issue Date:	2026-04-22
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Chihuahua
Description:	El reconocimiento de emociones a partir del habla es un área de investigación relevante dentro de la interacción humano–computadora, ya que la voz contiene información emocional implícita que puede ser aprovechada por sistemas inteligentes. En los últimos años, el aprendizaje profundo ha permitido mejorar significativamente el desempeño de los sistemas de reconocimiento de emociones. Sin embargo, la mayoría de los estudios se han enfocado en idiomas como el inglés o el alemán, existiendo una exploración aún limitada para el idioma español. Por lo tanto, en esta tesis se presenta el diseño y la evaluación de un modelo de aprendizaje profundo para el reconocimiento de emociones a partir del habla en español. Dicho modelo utiliza el espectrograma logarítmico de Mel para la extracción de características y el reconocimiento de emociones mediante una arquitectura híbrida que combina redes neuronales convolucionales profundas y modelos Transformer. La metodología para la obtención del modelo propuesto consistió en realizar una evaluación comparativa de diversos modelos populares de reconocimiento de emociones, incluyendo arquitecturas convolucionales, recurrentes y basadas en Transformers, utilizando los conjuntos de datos EmoMatchSpanishDB y Spanish MEACorpus 2023. A partir de los resultados experimentales, se identificó que las arquitecturas híbridas en configuración en serie, compuestas por una ResNet-50 y un bloque Transformer/Conformer, presentan un mejor desempeño frente a modelos del estado del arte, logrando resultados robustos en métricas como la exactitud balanceada y la medida-F1.Los resultados obtenidos confirman que es posible diseñar modelos de aprendizaje profundo eficaces para el reconocimiento de emociones en el habla en español, incluso cuando se dispone de conjuntos de datos de tamaño limitado y con clases desbalanceadas.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Maestría en Ciencias en Ingeniería Electrónica

This item is protected by original copyright View License

This item is licensed under a Creative Commons License