Browsing by Issue Date, starting with "2022-02-11"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Automatização do reconhecimento do bem-estar em ambiente de trabalho: definição e implementação de um pipeline para um sistema de deteção do bem-estar em trabalhadores de escritórioPublication . Carvalho, Célio Domingos de Faria; Torres, José; Moreira, Rui SilvaO reconhecimento automático de emoções, que refletem o bem-estar dos humanos, tem sido alvo de investigação em vários domínios. Considera-se nestes esforços que a relação entre pessoas e máquinas pode ser mais fácil, se estas conseguirem interpretar e comunicar emoções na interação com os humanos. Contudo, cada pessoa é única e singular. Pode, por isso, reagir de forma diferente perante vários estímulos. Esta ambiguidade faz com que seja difícil reconhecer emoções de forma automática. Por este motivo, os investigadores procuram descobrir as melhores variáveis de contexto para identificar ou inferir emoções, usando, por exemplo, algoritmos de Machine Learning (ML). O autor deste projecto acredita que a diversificação e combinação das modalidades de recolha e do cuidado no processamento dos dados, pode contribuir para o aumento da qualidade da identificação de emoções e determinar o bem-estar associado. Assim, conduziu-se uma experiência para recolher um dataset abrangente contendo dados de contexto fisiológico, social, cultural e religioso. Neste procedimento recolheram-se dados de 20 trabalhadores de escritório em 7 organizações, numa série de 10 iterações de recolha, utilizando 11 instrumentos & sensores. Realizaram-se diversas visitas de controlo durante a recolha para minimizar problemas na recolha (e.g. ajustando sensores, lembrando o preenchimento dos questionários). Invariavelmente, estes processos experimentais estão sujeitos a interferências, ruído e outros imprevistos. Por isso, na fase de pré-processamento dos dados, foi dada uma atenção especial ao tratamento e qualidade dos dados. Definiu-se uma estratégia e implementaram-se várias ferramentas de pré-processamento, com o objetivo de conferir a melhor qualidade possível aos dados recolhidos bem como de propriedades extraídas adicionais que foram geradas para enriquecer o dataset final. Uma das principais contribuições desta tese, é o dataset multimodal pré-processado, com mais de 1500 horas de dados de contexto, recolhido em ambientes reais. Este dataset é inovador e pretende ser uma pedra fundamental para a investigação relacionada com a deteção automática do bem-estar em trabalhadores de escritório. Adicionalmente, resultaram ainda outras contribuições igualmente importantes para além do dataset. Destas contribuições realça-se a criação de um relatório técnico muito exaustivo que descreve e analisa detalhadamente o estado da arte no reconhecimento de emoções e bem-estar, bem como a criação de um conjunto de instrumentos para facilitar a avaliação da qualidade de dados e a geração do dataset final.