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:	RECONOCIMIENTO DE EMOCIONES Y ESTADOS AFECTIVOS EN TIEMPO REAL MEDIANTE EXPRESIONES FACIALES CON UN MODELO DE APRENDIZAJE DE MÁQUINA EMBEBIDO
Authors:	MUÑOZ PACHECO, JESÚS JOSHUA
metadata.dc.subject.other:	RECONOCIMIENTO DE EMOCIONES Y ESTADOS AFECTIVOS EN TIEMPO REAL MEDIANTE EXPRESIONES FACIALES CON UN MODELO DE APRENDIZAJE DE MÁQUINA EMBEBIDO
Issue Date:	2026-01-01
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Chihuahua
Description:	La computación afectiva es una rama de la inteligencia artificial que estudia cómo las máquinas pueden reconocer, interpretar y simular emociones humanas. El estudio de esta disciplina es relevante porque los estados afectivos negativos pueden influir en la calidad y el rendimiento de una persona, llegando incluso a provocar desde bajo desempeño laboral hasta accidentes graves, especialmente cuando se opera maquinaria bajo dichas condiciones. Actualmente, existen modelos capaces de reconocer emociones básicas, pero presentan una alta complejidad computacional, lo que dificulta su uso en tiempo real en dispositivos móviles o en entornos que están fuera del acceso a sistemas de cómputo de alto rendimiento como servidores especializados. Esta tesis presenta un método de reconocimiento de emociones y estados afectivos con imágenes de expresiones faciales y un modelo ligero de aprendizaje profundo para procesamiento en tiempo real en sistemas embebidos. El modelo se llamó Little Expression Net (LiExNet) y se trata de una red neuronal convolucional de bajo costo computacional que integra mecanismos de atención para mejorar la clasificación de emociones faciales. LiExNet se entrena y prueba con las bases de datos de CK+, JAFFE, KDEF y FER2013. Los resultados de la exactitud del modelo con las diferentes bases de datos fueron de aproximadamente 98.2 %, 71.8 %, 85.3 % y 78.2 % respectivamente. Posteriormente, el modelo se adapta mediante fine-tunning al reconocimiento de estados afectivos, empleando la base de datos EMOTION-ITCH etiquetadas definidas por la prueba SAM (Self-Assessment Manikin). Se utilizó la tarjeta de evaluación NVIDIA Jetson TX2 para las pruebas de inferencia en tiempo real en sistemas embebidos, ya que es un sistema que tiene a su disposición software para la facilitar la implementación de redes neuronales bajo APIs como Keras/Tensorflow. Los resultados obtenidos fueron una inferencia de aproximadamente 269.44 FPS, y un uso de la memoria RAM del 88 % en estado de rendimiento máximo de la tarjeta Jetson TX2.
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