Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/34366
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2022_RenatoDaCostaMottaJunior_tcc.pdfTrabalho de Conclusão de Curso 2,63 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorMiosso, Cristiano Jacques-
dc.contributor.authorMotta Junior, Renato da Costa-
dc.identifier.citationMOTTA JÚNIOR, Renato da Costa. Comparação de metodologias de classificação de traços de personalidade a partir de sinais encefalograficos. 2022. 79 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia Eletrônica) — Universidade de Brasília, Brasília, 2022.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade UnB Gama, 2022.pt_BR
dc.description.abstractEsse trabalho aborda as classificações de personalidade e a possibilidade de que sinais de EEG tenham informação que torne possível predizer a classificação por um teste autoaplicado. O objetivo ´ultimo desse projeto ´e avaliar a predicabilidade desses traços de personalidade utilizando apenas sinais de eletroencefalografia, sem utilizar outros sinais biológicos e outras formas de aquisição de dados. Para isso foram utilizados diferentes classificadores baseados em aprendizado de maquina, com enfoque na exploração sistemática dos possíveis valores para parâmetros desses classificadores e para as variáveis utilizadas no preprocessamento dos dados. Foram utilizados LSTM e resultado de votação entre 8 diferentes classificadores utilizando a função ensemble.VotingClassifier da biblioteca Scikit-learn. Diferentes abordagens foram exploradas para cada uma dessas três formas de classificação. A base de dados utilizada foi a AMIGOS, contendo 40 participantes que tiveram os sinais coletados enquanto assistiam vídeos com diferentes cargas emocionais, sendo de 36 a 38 deles utilizáveis dependendo do vídeo assistido. A classificação de base ´e sobre o modelo Big-5 que quantifica os traços: Extroversão, Agradabilidade, Conscienciosidade, Estabilidade Emocional e Criatividade (Abertura a experiencias). Os resultados foram comparados com o de dois trabalhos semelhantes utilizando a mesma base de dados ou uma variação dela.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordProcessamento de sinais - técnicas digitaispt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.titleComparação de metodologias de classificação de traços de personalidade a partir de sinais encefalograficospt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2023-03-29T13:04:08Z-
dc.date.available2023-03-29T13:04:08Z-
dc.date.submitted2022-10-
dc.identifier.urihttps://bdm.unb.br/handle/10483/34366-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1This paper dive into personalities classification and the possibility that EEG signals carry information that can maek possible to predict the classification got by self-applied personality tests. The main goal of this work is to evaluate the predictability of such personality traits using just the EEG signals alone, discarding other biological signals and other ways of data acquisition. For that purpose a sort of machine learnig classifiers were used, focusing in the systematic exploration of possible values for the model parameters and for the variables used in the preprocessing of the data.LSTMs and a voting ensemble of 8 classifiers from the Scikit-learn library, using the VotingClassifier function. Different aproaches were explored for each of those classification forms. The dataset used is the AMIGOS database, containing 40 subjects that have the signals collected while watching a set of videos with different emotional contents, being 34 to 38 of those subjects usable depending on the video watched. The database labeling is made using the Big-5 model that quantifies the traits: Extraversion, Agreeableness, Conscienciousness, Emotional Stability and Creativity (Openness to Experience). The results were then compared with two similar studies using the same dataset or a variation of it.pt_BR
Aparece na Coleção:Engenharia Eletrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.