Detección de mentiras a través del análisis pupilar: un enfoque con ResNet-50

Vista sencilla de ítem
dc.contributor.advisorMartínez-Sánchez, Víctor H.
dc.contributor.authorMartínez-Luna, David
dc.date.accessioned2024-09-03T19:50:57Z
dc.date.available2024-09-03T19:50:57Z
dc.date.issued2024-07
dc.description.abstractLa inteligencia artificial (IA) busca desarrollar sistemas que imiten el comportamiento humano en diversas tareas. Se han logrado avances significativos en el aprendizaje automático, donde los algoritmos aprenden a partir de conjuntos de datos. El aprendizaje profundo, una técnica dentro del aprendizaje automático, utiliza redes neuronales artificiales para procesar grandes cantidades de información y extraer patrones complejos. La visión por computadora, otro dominio de la IA, analiza y entiende imágenes y videos, con redes neuronales convolucionales (CNN) demostrando ser altamente efectivas para la clasificación de imágenes y la detección de objetos. En la detección de mentiras, la IA puede identificar patrones de comportamiento y detectar engaños. Los métodos tradicionales como el polígrafo son invasivos, costosos y requieren entrevistadores humanos capacitados. Los enfoques de IA basados en la hipótesis de que los mentirosos experimentan una mayor demanda cognitiva que los que dicen la verdad implican la observación de indicadores físicos como la dilatación de la pupila y orientación de la mirada. Este estudio propone utilizar un conjunto de imágenes faciales en entornos no controlados para entrenar un modelo que no esté limitado por estrictas especificaciones de iluminación, posicionamiento de cámara o características físicas de los sujetos. El método combina una detección mejorada de rostros y ojos utilizando redes convolucionales, específicamente arquitectura Residual Network 50 (ResNet-50), que incluye patrones de mirada y cambios en la dilatación de la pupila, eventos asociados con la mentira. El objetivo es generar un modelo con una precisión superior al 90%, basado en estos cambios oculares, optimizando el proceso para que sea más rentable y eficiente. El proyecto se centra en la IA y la psicología del engaño, temas importantes en la comunidad científica, con aplicaciones potenciales en diversos campos como la seguridad, la psicología, el derecho, la investigación privada y los recursos humanos. La investigación combina métodos existentes para mejorar la precisión del modelo y explora implicaciones éticas, enfatizando el uso responsable de la IA y el juicio humano en la interpretación de resultados. Los hallazgos contribuyen al desarrollo de nuevas técnicas de detección de mentiras basadas en IA, ofreciendo una alternativa viable para analizar el engaño a través de la visión por computadora y el aprendizaje profundo.
dc.description.sponsorshipITESO, A. C.es
dc.identifier.citationMartínez-Luna, D. (2024). Detección de mentiras a través del análisis pupilar: un enfoque con ResNet-50. Trabajo de obtención de grado, Maestría en Sistemas Computacionales. Tlaquepaque, Jalisco: ITESO.
dc.identifier.urihttps://hdl.handle.net/11117/11164
dc.language.isospa
dc.publisherITESO
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/deed.es
dc.subjectAprendizaje Profundo
dc.subjectMachine Learning
dc.subjectInteligencia Artificial
dc.subjectRedes Neuronales
dc.subjectDeep Learning
dc.subjectCNN
dc.subjectMentira
dc.subjectDetección de Objetos
dc.subjectInteligencia Artificial
dc.titleDetección de mentiras a través del análisis pupilar: un enfoque con ResNet-50
dc.title.alternativeLie detection through pupil analysis: an approach using ResNet-50
dc.typeinfo:eu-repo/semantics/masterThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Detección de Mentiras a través del Análisis Pupilar - Un Enfoque con ResNet-50.pdf
Tamaño:
1.04 MB
Formato:
Adobe Portable Document Format
Descargar

Colecciones

DESI - Trabajos de fin de Maestría en Sistemas Computacionales