Las Emociones

LAS EMOCIONES

La clasificación e identificación de emociones se puede hacer estableciendo categorías primarias, puntualmente seis grandes emociones: Felicidad, tristeza, disgusto, miedo, sorpresa, cólera; estas fueron definidas en 1996 por Cornelius en “The Science of emotion research and tradition in the psychology of emotion”; un estudio previo realizado por Ekman y Friesen en 1978 para codificar emociones, desarrollo un sistema de codificación de acciones faciales FACS (Facial Action Coding System), donde los movimientos del rostro se describen a través de variables ligadas a los movimientos musculares, este avance fue el punto de partida para diversos estudios en el área de reconocimiento facial mediante imágenes. Esta clasificación de emociones descrita anteriormente, se definen como primaria, pues a partir de ellas se pueden derivar emociones más complejas, el estudio, análisis y reconocimiento de dichas emociones, puede resultar más dispendioso, pero independiente del grado de complejidad de la emoción a tratar, el objetivo de los métodos y algoritmos de reconocimiento es partir de la emoción codificada como valor numérico – sin importar del método de adquisición-, para hacer que mediante el tratamiento estadístico de dicho valor, sea más fácil la identificación de la emoción tratada.

En el caso específico de la detección de emociones mediante el reconocimiento facial, se tienen básicamente dos métodos de adquisición de datos, captura de imágenes estáticas (ampliamente usado) y uso de imágenes dinámicas o video, este último ha generado buenos resultados en la práctica; sin embargo e independiente del método utilizado, la efectividad en la identificación de las emociones radica en las técnicas de análisis empleadas para dar tratamiento a los valores numéricos obtenidos de la codificación de las imágenes.

Entre las técnicas empleadas para el reconocimiento de emociones los modelos ocultos de Markov (HMM, por sus siglas en inglés) son ampliamente usados dada su efectividad; estos asumen que el sistema a estudiar sigue un proceso de Markov con parámetros ocultos; el objetivo principal consiste en determinar los parámetros ocultos a partir de los parámetros observables. Pese a que en este modelo los estados no son visibles para el observador, si lo son las variables influenciadas por dichos estados, cada uno de los estados presenta una distribución de probabilidad asociada al conjunto de posibles valores de salida. Es así que Los modelos ocultos de Markov generan una secuencia de valores de salida que arrojan información sobre la secuencia de estados. Todo HMM presenta tres problemas fundamentales: Evaluación de la probabilidad de una secuencia de observaciones dado un modelo de Markov especifico, determinación de la mejor secuencia de estados del modelo, y ajuste de los parámetros del modelo que mejor se acoplen a los valores observados. El uso del modelo en el reconocimiento de emociones es descrito por DeSilva y Pei Chi (2000).

Como antecedentes importantes en el desarrollo de los HMM, se tiene el trabajo del Doctor Lawrence Rabiner que presento el modelo dirigido a las ciencias de la computación, lo cual revoluciono el modelado de datos de secuencia, ya que los cálculos y los resultados se obtienen de manera más rápido y efectiva; por otra parte Herbert Jaeger (2000 ) en su publicación “Observable Operator Models for Discrete Stochastic Time Series” demostró que los HMM pueden ser expresados como operadores observables, él planteo que si el interés radica en la obtención de una cantidad final, es posible no tener que recuperarla exactamente, basta con aplicar una matriz invertible para obtenerla; sin embargo el gran interrogante apunta a como se debe escoger esta matriz invertible, Daniel Hsu en su publicación “A Spectral Algorithm for Learning Hidden Markov

...