Reconhecimento de Emoções Faciais, Teoria da Informação, Planos Causais

Este estudo apresenta uma abordagem abrangente para o reconhecimento automático de emoções, integrando características geométricas extraídas de marcos faciais com quantifi- cadores da teoria da informação. Utilizando uma arquitetura multientrada baseada em Redes Neurais Convolucionais (CNN), o modelo combina aprendizado visual com características computadas manualmente, incluindo Entropia de Permutação normalizada, Complexidade Es- tatística e Informação de Fisher. Esses descritores são derivados de sequências ordenadas de coordenadas de marcos faciais e visam capturar as propriedades estruturais e dinâmicas das expressões faciais. A avaliação experimental foi conduzida no conjunto de dados FER2013 usando validação cruzada K-fold. Os resultados indicam que a inclusão de características da teoria da informação melhora o desempenho da classificação, com um ganho de acurácia de 3% em relação aos modelos de base. Emoções como Felicidade e Surpresa são consisten- temente reconhecidas com alta precisão e recordação, enquanto Nojo e Medo permanecem desafiadores, provavelmente devido a padrões faciais sobrepostos e desequilíbrio de classes. A visualização nos planos Complexidade-Entropia e Fisher-Shannon confirma ainda mais o po- tencial discriminativo das características extraídas, oferecendo mapeamentos interpretáveis da dinâmica emocional. No geral, as descobertas destacam a relevância de combinar descritores artesanais e aprendizado profundo para uma caracterização emocional robusta.