Cesar E. Santos Gonzales, Karla L. Esparza Avila, Maria M. Galvez Llumpo, Orlando J. Horna Chavez

Memorias de la Vigésima Tercera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2024, pp. 264-270 (2024); https://doi.org/10.54808/CISCI2024.01.264

Cesar E. Santos Gonzales
La Libertad-Universidad Privada del Norte, Trujillo, Perú

Karla L. Esparza Avila
La Libertad-Universidad Privada del Norte, Trujillo, Perú

Maria M. Galvez Llumpo
La Libertad-Universidad Privada del Norte, Trujillo, Perú

Orlando J. Horna Chavez
La Libertad-Universidad Privada del Norte, Trujillo, Perú

Cite this paper as:
Santos Gonzales, C. E., Esparza Avila, K. L., Galvez Llumpo, M. M., Horna Chavez, O. J. (2024). Desarrollo de un Algoritmo de Visión e Inteligencia Artificial con Reconocimiento de Emociones Faciales. En N. Callaos, Jesús de la Fuente Arias, J. Horne, B. Sánchez, A. Tremante (Eds.), Memorias de la Vigésima Tercera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2024, pp. 264-270. International Institute of Informatics and Cybernetics. https://doi.org/10.54808/CISCI2024.01.264

La inteligencia artificial es una herramienta vital en el campo de la salud mental, ofrece nuevas perspectivas para mejorar la calidad de vida. Por ello, se propone desarrollar un algoritmo de reconocimiento de emociones faciales utilizando técnicas avanzadas de IA. Esta iniciativa aborda las complejas interacciones entre factores biológicos, psicológicos, sociales y familiares que influyen en la salud mental de las personas.
Basados en la recopilación y análisis de datos de la base de datos de Reconocimiento de Expresiones Faciales (FER), que contiene imágenes faciales etiquetadas con emociones humanas básicas. El procesamiento de imágenes se utilizó la biblioteca OpenCV de código abierto, que proporciona herramientas para el análisis de imágenes. Además, los algoritmos y modelos de IA se implementan en Python, aprovechando bibliotecas como TensorFlow y scikit-learn.
Esta metodología divide los datos en conjuntos de entrenamiento, validación y prueba, así como la extracción de características y entrenamiento de modelos de IA, como CNN. Los resultados muestran el rendimiento del modelo en la clasificación de emociones, sustentando su eficacia para detectar con precisión estados emocionales a partir de expresiones faciales.