Year: 2026
Type: dissertation
Abstract: V diplomski nalogi smo zasnovali in ovrednotili časovno-prostorsko grafovsko predstavitev podatkov sledilnika pogleda za binarno klasifikacijo valence. Meritve iz zbirke MAHNOB-HCI smo razdelili na desetsekundna okna in jih predstavili kot vozlišča s časovnimi, prostorskimi in fiksacijskimi povezavami. Primerjali smo homogeni GCN in tri heterogene različice z ločenim obravnavanjem relacij, učljivo fuzijo in utežmi povezav. S sedemkratnim prečnim preverjanjem po 22 udeležencih smo jih primerjali z modeli SVM, LightGBM, MLP, GazeMAE in MOMENT. Najboljši rezultat je dosegel SVM na koordinatah pogleda in velikostih zenic (točnost = 70,5 %, makro F1 = 69,7 %), najboljši grafovski model HeteroGCN-MLP pa samo na koordinatah pogleda (65,9 %, 65,8 %). Vsi grafovski modeli so presegli naključni in večinski klasifikator, vendar večja kompleksnost modela ne kaže doslednih izboljšav. V nalogi smo ugotovili, da grafovska predstavitev podatkov sledilnika pogleda vsebuje uporaben signal, vendar agregirane značilke ostajajo uspešnejše in računsko učinkovitejše za binarno klasifikacijo valence.
Author: Božak, Tomi
Language: Slovenian
Topic: Emotion and Mood Recognition
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7204744512
