Detección automática personalizada de la intensidad del dolor de expresiones faciales en video usando multitask learning

Quispe Pinares,  Jefferson

Detección automática personalizada de la intensidad del dolor de expresiones faciales en video usando multitask learning

dc.contributor.advisor	Camara Chavez, Guillermo
dc.contributor.author	Quispe Pinares, Jefferson
dc.date.accessioned	2023-11-27T15:27:02Z
dc.date.available	2023-11-27T15:27:02Z
dc.date.issued	2023
dc.description.abstract	Los métodos de Aprendizaje Profundo han logrado resultados impresionantes en varias tareas complejas como la estimación del dolor a partir de expresiones faciales en videos (secuencias de frames). La estimación de dolor es difícil de medir, debido a que es subjetiva y a las características propias de cada persona. Sin embargo, su estimaci´on es importante para procesos de evaluación clínica. Este trabajo de investigación propone la estimación de la intensidad del dolor automático a través de dos etapas: 1) mediante un enfoque de frame-level usando Convolutional Neural Network, (CNN) con Transferencia de Aprendizaje de un modelo preentrenado de rostros con un módulo de Atención Espacial y modelos secuenciales usando Recurrent Neural Network (RNN) para obtener una estimación más precisa del dolor; 2) estimación de la medida del dolor usando Visual Analog Score (VAS) y las otras escalas de dolor mediante Multitask Learning (MTL) personalizado con frame-level obtenido de la primera etapa con características personales de un individuo; lo que nos permite lograr resultados importantes de dolor por sequence-level. El uso del enfoque de MTL para personalizar las estimaciones mediante la realización de múltiples tareas en grupos de personas similares junto a semejantes tareas, proporciona mejoras importantes en el rendimiento de la predicción del VAS. La mejora en la precisión es notable con respecto a los modelos no personalizados obteniendo 2.25 usando la métrica MAE y 0.47 en ICC usando el modelo denominado PSPI+PF Personalized Multitask. Por otro lado tenemos los datos obtenidos de la base de datos reales para entrenar, el cual es de 2.17 usando la m´etrica MAE y 0.51 de ICC según el modelo PSPI (GT) Personalized Multitask.	es_PE
dc.description.uri	Tesis de maestría	es_PE
dc.format	application/pdf
dc.identifier.other	1080234
dc.identifier.uri	https://hdl.handle.net/20.500.12590/17851
dc.language.iso	spa
dc.publisher	Universidad Católica San Pablo
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/restrictedAccess
dc.subject	Personalización	es_PE
dc.subject	Dolor	es_PE
dc.subject	CNN	es_PE
dc.subject	RNN	es_PE
dc.subject	VAS	es_PE
dc.subject	PSPI	es_PE
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#1.02.01
dc.title	Detección automática personalizada de la intensidad del dolor de expresiones faciales en video usando multitask learning	es_PE
dc.type	info:eu-repo/semantics/masterThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	30960286
renati.advisor.orcid	https://orcid.org/0000-0003-2440-0247
renati.author.dni	47694610
renati.discipline	611017
renati.juror	Ochoa Luna, José Eduardo
renati.juror	Meza Lovon, Graciela Lecireth
renati.juror	Coelho Silva, Mateus
renati.juror	Cayhualla Cahuina, Edward Jorge Yuri
renati.level	https://purl.org/pe-repo/renati/level#maestro
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ciencia de la Computación	es_PE
thesis.degree.grantor	Universidad Católica San Pablo. Departamento de Ciencia de la Computación
thesis.degree.level	Maestría	es_PE
thesis.degree.name	Maestro en Ciencia de la Computación	es_PE
thesis.degree.program	Escuela Profesional Ciencia de la Computación	es_PE