Titulli i Disertacionit: ANALIZA E PARASHIKIMEVE DHE KLASIFIKIME NË MACHINE LEARNING DUKE PËRDORUR TEORINË BAYESIANE: MODELET SHUMËPËRMASORE TË MIKSUARA BETA DHE TË TJERA NË NJOHJEN E MIKRO-SHPREHJEVE
- Autori: Viola BAKIASI
- Institucioni: Universiteti i Tiranës, Fakulteti i Shkencave të Natyrës, Departamenti: Matematikë e Aplikuar
- Fusha e studimit: Matematikë e Aplikuar
- Data e publikimit: 03/06/2026
- Disertacioni gjendet i publikuar në Gjuhën Shqipe
© E drejta e autorit: Viola BAKIASI
Publikuar nga Universiteti i Tiranës. Bazuar në aktet ligjore,rregulloreve dhe politikave të UT-ës.
👉Klikoni këtu për të parë disertacionin e plotë (PDF)
PËRMBLEDHJE
Njohja automatike e mikro-shprehjeve të fytyrës përbën një sfidë të rëndësishme në kompjuterikën afektive për shkak të intensitetit shumë të ulët vizual, kohëzgjatjes së shkurtër të sinjalit emocional dhe pabalancimit të klasave në dataset-et ekzistuese. Ky disertacion trajton këtë problem përmes zhvillimit të një kornize metodologjike hibride që integron zvogëlimin e përmasave, klasifikimin e mbikëqyrur dhe inferencën Bayesiane në një proces të unifikuar.
Metodologjia përfshin përpunimin paraprak të imazheve, nxjerrjen e veçorive diskriminuese dhe zvogëlimin e përmasave përmes Analizës së Komponentëve Kryesorë (PCA), Analizës së Komponentëve Kryesorë me Kernel (KPCA) dhe t-Shpërndarjes Stokastike të Fqinjit më të Afërt (t-SNE). Mbi këto përfaqësime të reduktuara aplikohen klasifikues të ndryshëm të nxënies së mbikëqyrur, përfshirë Ndarësin me Vektorë Mbështetës (SVM), K-Fqinjët më të Afërt (K-NN), Pyllin e Rastit (RF), Bayes-in Naiv dhe klasifikimin e kombinuar. Inferenca Bayesiane përdoret për kalibrimin e probabiliteteve të klasifikimit dhe vlerësimin sasior të pasigurisë së parashikimeve.
Sistemi është implementuar në Python dhe është testuar mbi dataset-et AffectNet dhe CASME II, si dhe është zhvilluar një Ndërfaqe Grafike e Përdoruesit (GUI) për zbulimin në kohë reale të mikro-shprehjeve. Rezultatet tregojnë se ndërthurja e zvogëlimit të përmasave me klasifikuesit e mbikëqyrur dhe me modelimin probabilitar përmirëson stabilitetin e performancës dhe balancën ndërmjet saktësisë dhe vlerës F1 në kushte me të dhëna të pabalancuara.
Fjalë kyçe: mikro-shprehje, kompjuterikë afektive, zvogëlim i përmasave, nxënie e mbikëqyrur, klasifikim i kombinuar, inferencë Bayesiane, GUI.
BSTRACT
Automatic recognition of facial micro-expressions represents a significant challenge in affective computing due to their extremely low visual intensity, short duration of the emotional signal, and class imbalance in existing datasets. This dissertation addresses this problem through the development of a hybrid methodological framework that integrates dimensionality reduction, supervised classification, and Bayesian inference within a unified pipeline.
The methodology includes image preprocessing, extraction of discriminative features, and dimensionality reduction through Principal Component Analysis (PCA), Kernel Principal Component Analysis (KPCA), and t-Distributed Stochastic Neighbor Embedding (t-SNE). On these reduced representations, several supervised learning classifiers are applied, including Support Vector Machines (SVM), K-Nearest Neighbors (K-NN), Random Forest (RF), Naive Bayes, and stacking. Bayesian inference is employed for probability calibration and quantitative uncertainty estimation of classification predictions.
The system is implemented in Python and evaluated on the AffectNet and CASME II datasets. Additionally, a Graphical User Interface (GUI) has been developed for real-time micro-expression detection. The results demonstrate that combining dimensionality reduction with supervised classifiers and Bayesian calibration improves performance stability and enhances the balance between accuracy and F1-score under class-imbalanced conditions.
Keywords: micro-expressions, affective computing, dimensionality reduction, supervised learning, stacking, Bayesian inference, GUI.