Loading...
Publication
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 escritório
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 8.44 MB | Adobe PDF |
Advisor(s)
Abstract(s)
O 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.
The automatic recognition of emotions, which reflect the well-being of humans, has been the subject of research in various fields. It is considered in these efforts that the relationship between people and machines can be easier if machines can interpret and communicate emotions when interacting with humans. However, each person is unique and singular and therefore may react differently to various stimuli. This ambiguity makes it difficult to recognize emotions automatically. For this reason, researchers are trying to discover the best context variables to identify or infer emotions, using, for example, Machine Learning (ML) algorithms. The author of this project believes that diversification and combination of collection modalities and care in processing data, can contribute to increase the quality of emotion identification and determine the associated well-being. Therefore, an experiment was conducted to collect an embracing dataset containing physiological, social, cultural and religious context data. In this procedure, data was collected from 20 office workers, from 7 organizations, in a series of 10 collection iterations, using 11 instruments & sensors. Several control visits were made during the experiment to minimize collection problems (e.g. adjusting sensors, reminding filling out questionnaires). Invariably, these experimental processes are subject to interference, noise and other unforeseen events. Therefore, in the data pre-processing phase, special attention was paid to data processing and quality. A strategy was defined and several pre-processing tools were implemented, with the aim of giving the best possible quality to the collected data, as well as additional extracted properties that were generated to enrich the final dataset. One of the main contributions of this thesis is the pre-processed multimodal dataset, with more than 1500 hours of context data, collected in real environments. This dataset is innovative and intends to be a cornerstone for research related to the automatic detection of well-being in office workers. In addition, other equally important contributions beyond the dataset have resulted. These contributions include the creation of a very comprehensive technical report that describes and analyzes in detail the state of the art in emotion recognition and well-being, as well as the creation of a set of tools to facilitate the evaluation of data quality and the generation of the final dataset.
La reconnaissance automatique des émotions, qui reflètent le bien-être des humains, a fait l’objet de recherches dans différents domaines. On considère dans ces efforts que la relation entre les personnes et les machines peut être plus facile si les machines peuvent interpréter et communiquer les émotions lorsqu’elles interagissent avec les humains. Cependant, chaque personne est unique et singulière. Il ou elle peut donc réagir différemment à divers stimuli. Cette ambiguïté rend difficile la reconnaissance automatique des émotions. C’est pourquoi les chercheurs tentent de découvrir les meilleures variables de contexte pour identifier ou déduire les émotions, en utilisant, par exemple, des algorithmes d’apprentissage automatique. L’auteur de ce projet pense que la diversification et la combinaison des modalités de collecte et le soin apporté au traitement des données peuvent contribuer à augmenter la qualité de l’identification des émotions et à déterminer le bien-être associé. Il a donc mené une expérience visant à collecter un ensemble complet de données contenant des données sur le contexte physiologique, social, culturel et religieux. Dans cette procédure, les données ont été collectées auprès de 20 employés de bureau de 7 organisations dans une série de 10 itérations de collecte à l’aide de 11 instruments & capteurs. Plusieurs visites de contrôle ont été effectuées pendant la collecte afin de minimiser les problèmes de collecte (par exemple, réglage des capteurs, rappel du remplissage des questionnaires, etc.) Invariablement, ces à processus expérimentaux sont soumis à des interférences, au bruit et â d’autres événements imprévus. Par conséquent, lors de la phase de prétraitement des données, une attention particulière a été accordée au traitement et à la qualité des données. Une stratégie a été définie et plusieurs outils de prétraitement ont été mis en œuvre, dans le but de donner la meilleure qualité possible aux données collectées ainsi qu’aux propriétés supplémentaires extraites qui ont été générées pour enrichir le jeu de données final. L’une des principales contributions de cette thèse est l’ensemble de données multimodales prétraitées, avec plus de 1500 heures de données contextuelles, collectées dans un environnement réel. Cet ensemble de données est innovant et se veut une pierre angulaire pour la recherche liée à la détection automatique du bien-être des employés de bureau. En outre, d’autres contributions tout aussi importantes ont été apportées au-delà de l’ensemble de données. Parmi ces contributions, nous soulignons la création d’un rapport technique très complet qui décrit et analyse en détail l’état de l’art en matière de reconnaissance des émotions et du bien-être, ainsi que la création d’un ensemble d’outils pour faciliter l’évaluation de la qualité des données et la génération de l’ensemble de données final.
The automatic recognition of emotions, which reflect the well-being of humans, has been the subject of research in various fields. It is considered in these efforts that the relationship between people and machines can be easier if machines can interpret and communicate emotions when interacting with humans. However, each person is unique and singular and therefore may react differently to various stimuli. This ambiguity makes it difficult to recognize emotions automatically. For this reason, researchers are trying to discover the best context variables to identify or infer emotions, using, for example, Machine Learning (ML) algorithms. The author of this project believes that diversification and combination of collection modalities and care in processing data, can contribute to increase the quality of emotion identification and determine the associated well-being. Therefore, an experiment was conducted to collect an embracing dataset containing physiological, social, cultural and religious context data. In this procedure, data was collected from 20 office workers, from 7 organizations, in a series of 10 collection iterations, using 11 instruments & sensors. Several control visits were made during the experiment to minimize collection problems (e.g. adjusting sensors, reminding filling out questionnaires). Invariably, these experimental processes are subject to interference, noise and other unforeseen events. Therefore, in the data pre-processing phase, special attention was paid to data processing and quality. A strategy was defined and several pre-processing tools were implemented, with the aim of giving the best possible quality to the collected data, as well as additional extracted properties that were generated to enrich the final dataset. One of the main contributions of this thesis is the pre-processed multimodal dataset, with more than 1500 hours of context data, collected in real environments. This dataset is innovative and intends to be a cornerstone for research related to the automatic detection of well-being in office workers. In addition, other equally important contributions beyond the dataset have resulted. These contributions include the creation of a very comprehensive technical report that describes and analyzes in detail the state of the art in emotion recognition and well-being, as well as the creation of a set of tools to facilitate the evaluation of data quality and the generation of the final dataset.
La reconnaissance automatique des émotions, qui reflètent le bien-être des humains, a fait l’objet de recherches dans différents domaines. On considère dans ces efforts que la relation entre les personnes et les machines peut être plus facile si les machines peuvent interpréter et communiquer les émotions lorsqu’elles interagissent avec les humains. Cependant, chaque personne est unique et singulière. Il ou elle peut donc réagir différemment à divers stimuli. Cette ambiguïté rend difficile la reconnaissance automatique des émotions. C’est pourquoi les chercheurs tentent de découvrir les meilleures variables de contexte pour identifier ou déduire les émotions, en utilisant, par exemple, des algorithmes d’apprentissage automatique. L’auteur de ce projet pense que la diversification et la combinaison des modalités de collecte et le soin apporté au traitement des données peuvent contribuer à augmenter la qualité de l’identification des émotions et à déterminer le bien-être associé. Il a donc mené une expérience visant à collecter un ensemble complet de données contenant des données sur le contexte physiologique, social, culturel et religieux. Dans cette procédure, les données ont été collectées auprès de 20 employés de bureau de 7 organisations dans une série de 10 itérations de collecte à l’aide de 11 instruments & capteurs. Plusieurs visites de contrôle ont été effectuées pendant la collecte afin de minimiser les problèmes de collecte (par exemple, réglage des capteurs, rappel du remplissage des questionnaires, etc.) Invariablement, ces à processus expérimentaux sont soumis à des interférences, au bruit et â d’autres événements imprévus. Par conséquent, lors de la phase de prétraitement des données, une attention particulière a été accordée au traitement et à la qualité des données. Une stratégie a été définie et plusieurs outils de prétraitement ont été mis en œuvre, dans le but de donner la meilleure qualité possible aux données collectées ainsi qu’aux propriétés supplémentaires extraites qui ont été générées pour enrichir le jeu de données final. L’une des principales contributions de cette thèse est l’ensemble de données multimodales prétraitées, avec plus de 1500 heures de données contextuelles, collectées dans un environnement réel. Cet ensemble de données est innovant et se veut une pierre angulaire pour la recherche liée à la détection automatique du bien-être des employés de bureau. En outre, d’autres contributions tout aussi importantes ont été apportées au-delà de l’ensemble de données. Parmi ces contributions, nous soulignons la création d’un rapport technique très complet qui décrit et analyse en détail l’état de l’art en matière de reconnaissance des émotions et du bien-être, ainsi que la création d’un ensemble d’outils pour faciliter l’évaluation de la qualité des données et la génération de l’ensemble de données final.