Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/45126
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2025_CaioMoreiraSantana_tcc.pdf1,22 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorRocha, Adson Ferreira da-
dc.contributor.authorSantana, Caio Moreira-
dc.identifier.citationSANTANA, Caio Moreira. Análise da variação vocal para detecção de estresse e emoções. 2025. 76 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecatrônica) — Universidade de Brasília, Brasília, 2025.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, 2025.pt_BR
dc.description.abstractEste trabalho apresenta o desenvolvimento e avaliação de um sistema de detecção de estresse na fala por meio da análise da variação vocal, utilizando técnicas de processamento de sinais e aprendizado de máquina, com foco em aplicações em entrevistas, avaliações psicológi cas e interações monitoradas. O objetivo geral foi desenvolver um método não intrusivo para identificar variações na voz indicativas de estresse, destacando-se pela praticidade em comparação com abordagens tradicionais, como o polígrafo. Foram selecionadas três bases de dados públicas: SAVEE (Surrey Audio-Visual Expressed Emotion), RAVDESS (Ryerson Audio-Visual Database of Emotional Speech and Song) e CREMA-D (Crowd-sourced Emoti onal Multimodal Actors Dataset), reconhecidas por sua relevância na análise de emoções. O sistema implementado utiliza uma arquitetura híbrida denominada ERNN (Enhanced Recur rent Neural Network) que combina redes neurais convolucionais, LSTM (Long Short-Term Memory) bidirecionais e mecanismos de atenção multi-cabeça, com abordagem hierárquica para detecção de sentimento e estresse. O método inclui pré-processamento de sinais de voz, extração de características acústicas (frequência fundamental, jitter, shimmer, MFCCs (Mel-Frequency Cepstral Coefficients) e padrões de estresse) e treinamento de modelos de aprendizado de máquina. Os resultados indicam que o sistema é capaz de detectar estresse vocal com acurácias entre 45% e 69% (chegando a 68,79% no treinamento no modelo SAVEE), enquanto a detecção de sentimento apresenta acurácias entre 7% e 50% (com destaque para 49,54% no treinamento no modelo SAVEE), indicando melhor generalização para a tarefa binária de estresse. Foi desenvolvida uma interface gráfica web utilizando Streamlit que permite aos usuários carregar ou gravar áudios e visualizar predições em tempo real. O trabalho contribui para o avanço de método não intrusivos de monitoramento emocional, com potencial para aplicações em segurança, saúde e recrutamento.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordProcessamento de sinaispt_BR
dc.subject.keywordProcessamento de sinais de falapt_BR
dc.subject.keywordDetecção de emoçõespt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordFalapt_BR
dc.titleAnálise da variação vocal para detecção de estresse e emoçõespt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2026-07-24T18:55:13Z-
dc.date.available2026-07-24T18:55:13Z-
dc.date.submitted2025-12-09-
dc.identifier.urihttps://bdm.unb.br/handle/10483/45126-
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.contributor.advisorcoMerege, Fernando-
dc.description.abstract1This work presents the development and evaluation of a stress detection system in speech through voice variation analysis, employing signal processing and machine learning tech niques, with applications in interviews, psychological assessments, and monitored interac tions. The primary objective was to develop a non-invasive methodology to identify vocal variations indicative of stress, offering advantages in practicality compared to traditional approaches such as the polygraph. Three public datasets were selected: SAVEE, RAVDESS, and CREMA-D, widely recognized for their relevance in emotion analysis. The implemented system uses a hybrid architecture called ERNN (Emotional Recurrent Neural Network) that combines convolutional neural networks, bidirectional LSTM (Long Short-Term Memory), and multi-head attention mechanisms, with a hierarchical approach for sentiment and stress detection. The methodology includes voice signal preprocessing, extraction of acoustic features (fundamental frequency, jitter, shimmer, MFCCs, and stress patterns), and training of machine learning models. Results demonstrate that the system is capable of detecting vocal stress with accuracies between 45% and 69% (reaching 68.79% in the training in the SAVEE model), while sentiment detection presents accuracies between 7% and 50% (with 49.54% in the SAVEE model), indicating better generalization for the binary stress task. A web graphical interface was developed using Streamlit that allows users to upload or record audio files and visualize predictions in real-time. The work contributes to advancing non-invasive emotional monitoring methodologies, with potential applications in security, healthcare, and recruitment.pt_BR
Aparece na Coleção:Engenharia Mecatrônica



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