Il lavoro applica MAFALDA 2.0 al riconoscimento delle emozioni dai segnali fisiologici del dataset Emognition, acquisiti con dispositivi indossabili. Sono confrontate due configurazioni: una riga per filmato e finestre di trenta secondi. La valutazione separa i 43 partecipanti fra addestramento e test in otto divisioni. L’accuratezza bilanciata media sulle dieci emozioni appare migliore nella configurazione senza finestratura. L’ontologia rende ispezionabile la rappresentazione delle caratteristiche; i risultati mostrano limiti nella generalizzazione fra persone e nella corrispondenza fra finestre e autovalutazioni finali.
APPLICAZIONE DI UN FRAMEWORK DI MACHINE LEARNING IBRIDO SIMBOLICO/SUB-SIMBOLICO PER IL MONITORAGGIO DEL BENESSERE EMOTIVO SU DISPOSITIVI INDOSSABILI
BILLI, MARCELLO
2025/2026
Abstract
Il lavoro applica MAFALDA 2.0 al riconoscimento delle emozioni dai segnali fisiologici del dataset Emognition, acquisiti con dispositivi indossabili. Sono confrontate due configurazioni: una riga per filmato e finestre di trenta secondi. La valutazione separa i 43 partecipanti fra addestramento e test in otto divisioni. L’accuratezza bilanciata media sulle dieci emozioni appare migliore nella configurazione senza finestratura. L’ontologia rende ispezionabile la rappresentazione delle caratteristiche; i risultati mostrano limiti nella generalizzazione fra persone e nella corrispondenza fra finestre e autovalutazioni finali.| File | Dimensione | Formato | |
|---|---|---|---|
|
Tesi_Marcello_Billi_firmata.pdf
File consultabile da postazioni biblioteca
Descrizione: Applicazione di un framework di machine learning ibrido simbolico/sub-simbolico per il monitoraggio del benessere emotivo su dispositivi indossabili
Dimensione
1.63 MB
Formato
Adobe PDF
|
1.63 MB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14253/110436