Time Series Analysis of Physiological Data for Emotion Recognition using Deep Learning

Kamenz, Andreas

DC Element	Wert	Sprache
dc.contributor.advisor	von Luck, Kai	-
dc.contributor.author	Kamenz, Andreas	-
dc.date.accessioned	2022-03-01T08:38:20Z	-
dc.date.available	2022-03-01T08:38:20Z	-
dc.date.created	2019-04-29	-
dc.date.issued	2022-03-01	-
dc.identifier.uri	http://hdl.handle.net/20.500.12738/12541	-
dc.description.abstract	A good emotion recognition is of great importance for companion systems in order to be able to respond to the user in the best possible way. In this master thesis the test setup and the laboratory study will be described. We propose serveral machine and deep learning methods to solve this problem. These methods will be implemented and compared to show that they contribute to an improved emotion recognition performance.	en_US
dc.description.abstract	Eine gute Emotionserkennung ist für Companion Systeme von großer Bedeutung, um bestmöglich auf den Benutzer antworten zu können. In dieser Masterarbeit wird der erstellte Versuchsaufbau und der durchgeführte Laborversuch im Kontext Emotionserkennung beschrieben. Mehrere Machine- und Deep-Learning Verfahren werden vorgeschlagen, um dieses Problem zu lösen. Diese werden implementiert und miteinander verglichen, um einen Beitrag zu besseren Ergebnissen bei der Emotionserkennung zu leisten.	de
dc.language.iso	en	en_US
dc.rights.uri	http://rightsstatements.org/vocab/InC/1.0/	-
dc.subject	Deep Learning	en_US
dc.subject	Machine Learning	en_US
dc.subject	Companion Technology	en_US
dc.subject	Affective Computing	en_US
dc.subject.ddc	004: Informatik	en_US
dc.title	Time Series Analysis of Physiological Data for Emotion Recognition using Deep Learning	en_US
dc.type	Thesis	en_US
openaire.rights	info:eu-repo/semantics/openAccess	en_US
thesis.grantor.department	Fakultät Technik und Informatik	en_US
thesis.grantor.department	Department Informatik	en_US
thesis.grantor.universityOrInstitution	Hochschule für Angewandte Wissenschaften Hamburg	en_US
tuhh.contributor.referee	Tiedemann, Tim	-
tuhh.identifier.urn	urn:nbn:de:gbv:18302-reposit-141532	-
tuhh.oai.show	true	en_US
tuhh.publication.institute	Fakultät Technik und Informatik	en_US
tuhh.publication.institute	Department Informatik	en_US
tuhh.type.opus	Masterarbeit	-
dc.type.casrai	Supervised Student Publication	-
dc.type.dini	masterThesis	-
dc.type.driver	masterThesis	-
dc.type.status	info:eu-repo/semantics/publishedVersion	en_US
dc.type.thesis	masterThesis	en_US
dcterms.DCMIType	Text	-
tuhh.dnb.status	domain	-
item.creatorGND	Kamenz, Andreas	-
item.fulltext	With Fulltext	-
item.creatorOrcid	Kamenz, Andreas	-
item.grantfulltext	open	-
item.cerifentitytype	Publications	-
item.advisorGND	von Luck, Kai	-
item.languageiso639-1	en	-
item.openairecristype	http://purl.org/coar/resource_type/c_46ec	-
item.openairetype	Thesis	-
Enthalten in den Sammlungen:	Theses