Sistema Automático para el Reconocimiento de Estados Emocionales de Personas Analizando su Voz Aplicado al Sistema de Emergencias 911 de Salta (SE911)

Abstract

Este estudio se llevó a cabo siguiendo la Metodología de Investigación Científica Design Science Research Methodology (DSRM), usando un enfoque iterativo y secuencial que constó de 4 iteraciones. Durante las dos primeras iteraciones, se realizó un exhaustivo estudio de factibilidad y se exploraron las arquitecturas de DL necesarias para abordar el desafío del SER. En un
principio, se emplearon datasets públicos, como RAVDESS y EMO-DB, que contenían grabaciones de voz en idioma inglés y alemán respectivamente. Posteriormente, en la tercera iteración, se adaptó el prototipo inicial del SER al dataset propio del SE911. La última iteración fue la más significativa, ya que, se centró en la investigación y desarrollo de arquitecturas más sofisticadas de Computer Vision (CV) aplicadas al SER y SD. Se investigó el uso de técnicas de Audio DL para el análisis frecuencial, y mediante el campo de CV y del Natural Language Processing (NLP), usando arquitecturas como Transformers y ResNet, se lograron obtener resultados más precisos. Además, se abordó la tarea más compleja de implementar el SD en los datos del SE911, enfrentando desafíos debido a la escasez de sistemas preentrenados en diferentes idiomas y los altos requerimientos computacionales involucrados. Es importante destacar que estos resultados excepcionales se obtuvieron utilizando un dataset de tan solo 176 audios. Esta limitación resalta aún más la eficacia y relevancia del sistema desarrollado, demostrando su potencial para ser aplicado en entornos de emergencias médicas, seguridad y protección civil.