Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/10495/18771
Título : Análisis de arquitecturas de aprendizaje profundo para el modelamiento de rostro y expresiones faciales
Autor : Gómez Gómez, Luis Felipe
metadata.dc.contributor.advisor: Orozco Arroyave, Juan Rafael
metadata.dc.subject.*: Expresión corporal
Movement education
Enfermedad mental
Mental diseases
Enfermedad del sistema nervioso
Nervous system diseases
Neurología
Neurology
Estadísticas científicas
Science statistics
Dominio Afectivo
Enfermedad de Parkinson
Expresiones faciales
Función de triple perdida
Hipomimia
Unidades de acción facial
http://vocabularies.unesco.org/thesaurus/concept3543
http://vocabularies.unesco.org/thesaurus/concept5463
http://vocabularies.unesco.org/thesaurus/concept8193
http://vocabularies.unesco.org/thesaurus/concept4295
http://vocabularies.unesco.org/thesaurus/concept8873
Fecha de publicación : 2021
Resumen : RESUMEN: La enfermedad de Parkinson (EP) es un trastorno neurológico que afecta a los movimientos faciales y la comunicación no verbal. Los pacientes con EP presentan una reducción de los movimientos faciales movimientos faciales llamada hipomimia que se evalúa en el ítem 3.2 de la escala MDS-UPDRS-III. En este trabajo, proponemos utilizar el análisis de la expresión facial a partir de imágenes de la cara basadas en dominios afectivos para mejorar la detección de la EP. Proponemos diferentes técnicas de adaptación de dominios para explotar los últimos avances en el reconocimiento facial y la detección de la Unidad de Acción Facial (UAF). Las principales contribuciones de este trabajo son: (1) un marco novedoso para explotar arquitecturas faciales profundas para modelar la hipomimia en pacientes con EP; (2) comparamos experimentalmente la detección de la EP basada en imágenes individuales frente a secuencias de imágenes mientras se evocan en los pacientes diversas expresiones faciales; (3) exploramos diferentes técnicas de adaptación de dominio para explotar los modelos existentes inicialmente entrenados para el reconocimiento facial o para la detección de UAF para la discriminación automática entre los pacientes con EP y los sujetos sanos; y sanos; y (4) un nuevo enfoque para utilizar el aprendizaje de triple pérdida para mejorar el modelado de la hipomimia y la detección de la EP. Los resultados en imágenes faciales reales de pacientes con EP muestran que somos capaces de modelar adecuadamente las emociones evocadas utilizando secuencias de imágenes (neutral, inicio-transición, ápice, offset-transición y neutro) con una mejora de la precisión de hasta el 5,5% (del 72,9% al 78,4%) con respecto a la detección de EP de una sola imagen. También mostramos que nuestra propuesta de adaptación al dominio afectivo proporciona mejoras en la detección de EP de hasta un 8,9% (de 78,4% a 87,3% de precisión en la detección).
Aparece en las colecciones: Maestrías de la Facultad de Ingeniería

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
GomezLuis_2021_AnalisisExpresionesParkinson.pdfTesis de Maestría17.61 MBAdobe PDFVisualizar/Abrir


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