Equa ion Chap e 1 Sec ion 1
T abajo Fin de G ado
Ingenie ía de las Tecnologías Indus iales
C eación de una aplicación de econocimien o
emocional en Py hon pa a Neu oma ke ing y
Neu omanagemen
Au o : D. Jaime Rod íguez Cá a e á a e
Tu o es: D . D. An onio González Mo ales
D. Alejand o Talaminos Ba oso
Dp o. O ganización Indus ial y Ges ión de Emp esas
Escuela Técnica Supe io de Ingenie ía
Uni e sidad de Se illa
Se illa, 2020
T abajo Fin de G ado
Ingenie ía de las Tecnologías Indus iales
C eación de una aplicación de econocimien o
emocional en Py hon pa a Neu oma ke ing y
Neu omanagemen
Au o :
D. Jaime Rod íguez Cá a e
Tu o es:
D . D. An onio González Mo ales
D. Alejand o Talaminos Ba oso
Dp o. O ganización Indus ial y Ges ión de Emp esas
Escuela Técnica Supe io de Ingenie ía
Uni e sidad de Se illa
Se illa, 2020
P oyec o ejecu ado al ampa o del "ACUERDO DE COOPERACIÓN CIENTÍFICA Y TÉCNICA ENTRE LA
UNIVERSIDAD DE SEVILLA Y LA ASOCIACIÓN ESPAÑOLA DE
NEUROMARKETING Y NEUROCOMUNICACIÓN (AENENE)" i mado el 28 de julio de 2020 y coo dinado
po el D . D. An onio González Mo ales
T abajo Fin de G ado: C eación de una aplicación de econocimien o emocional en Py hon pa a
Neu oma ke ing y Neu omanagemen
Au o :
D. Jaime Rod íguez Cá a e
Tu o :
D . D. An onio González Mo ales
D. Alejand o Talaminos Ba oso
El ibunal nomb ado pa a juzga el P oyec o a iba indicado, compues o po los siguien es miemb os:
P esiden e:
Vocales:
Sec e a io:
Acue dan o o ga le la cali icación de:
Se illa, 2020
El Sec e a io del T ibunal

Ag adecimien os
El
camino has a llega aquí ha es ado ma cado po pe sonas que me han acompañado y que, aunque
me ezcan mucho más, qué menos que dedica les unas líneas en es e abajo.
G acias papá y mamá po da me la ida, educa me y hace me c ece has a la pe sona que soy hoy en día.
Sin oso os, no es a ía esc ibiendo es o en es os momen os.
G acias abuela po se la mejo abuela del mundo. Desde que nací me cuidas e y lo sigues haciendo,
siemp e e sien o ce ca.
G acias Juli po se el he mano que enseña a base de peleas.
G acias amilia po es a apoyándome siemp e.
G acias a oso os amigos po se di e sión y ayuda.
G acias Ma ía po apa ece , se mi compañe a de iaje y da me odo lo bueno que nunca hubie a imaginado.
I
Resumen
El
econocimien o emocional es una disciplina que se cen a en el análisis de las exp esiones aciales
gene adas po las emociones que las pe sonas sien en en cada momen o. Las emociones son una pa e
i al pa a las pe sonas, pa a su supe i encia y pa a sus decisiones. Po es e mo i o, las aplicaciones del
econocimien o emocional son nume osas en los ámbi os del neu oma ke ing, neu omanagemen , sani a io,
en la o ganización indus ial, e c. En es e abajo se ha elabo ado un modelo pa a de ec a las emociones
de las ca as de los se es humanos y se ha ealizado un expe imen o con el que pone de mani ies o su
u ilidad. El modelo se ealizó median e el en enamien o de una ed neu onal con el lenguaje de p og amación
Py hon. El expe imen o se ealizó usando el so wa e Open Sou ce Ogama. Se diseñó un expe imen o
cen ado en la asignación de es candida os a es pues os de abajos, u ilizando el modelo c eado pa a
de ec a las pun uaciones de las emociones. Los esul ados ob enidos mos a on la p edisposición de los
suje os pa icipan es en el expe imen o pa a cada uno de los pues os de abajo, acili ando y op imizando
la asignación de los ecu sos humanos a los pues os exis en es en la emp esa. Los esul ados ob enidos
mani ies an que el econocimien o emocional puede p opo ciona una a iable undamen al, que se debe
ene en cuen a en la op imización de la asignación de los ecu sos den o del ámbi o de la o ganización
indus ial y de o os ámbi os de las emp esas y las o ganizaciones.
III
XÍndice
7 Discusión 43
8 Limi aciones e in es igaciones u u as 45
Índice de Figu as 47
Índice de Tablas 49
Re e encias 51

1 In oducción
El
obje o del p esen e p oyec o, es la ealización de una he amien a que pe mi a gene a expe imen os
y de e mina las emociones que p esen an acialmen e las pe sonas que lo ealizan, pa a su uso en
la in es igación y en la aplicación p ác ica den o del ámbi o de la ges ión de emp esas, la o ganización
indus ial y el ma ke ing. An es de comenza a desa olla es e p oyec o, pod ía p egun a se, ¿po qué nos
in e esa conoce las emociones de alguien? Básicamen e, po que puede apo a más in o mación de la que en
p incipio nos podemos imagina . Po ese mo i o, cada ez son mayo es las in es igaciones publicadas en
e is as cien í icas de p ime ni el sob e el campo del neu oma ke ing o el neu omanagemen , y las emp esas
que demandan es e ipo de se icios.
“These emo ions a e closely ela ed o he consume ’s subconscious b ain ac i i y (Ka a zyna,
2014, p.12). To unde s and ha he emo ions in luence he subconscious b ain ac i i y o he
consume is ano he s ep owa ds he objec i e o his a icle and demons a es he po en ial o
he use o neu osciences in b and s a egy de elopmen , h ough wha has come o be called
“Neu oma ke ing”. The Spanish Associa ion o Neu oma ke ing and Neu ocommunica ion
AENENE de ines Neu oma ke ing as “ he applica ion o neu osciences in o de o acili a e and
imp o e he c ea ion, communica ion and exchange o ac ions, se ices and p oduc s o alue
among g oups and indi iduals who need and wan o sa is y hei needs h ough hese exchanges”
(González-Mo ales, 2016)”. (Ci ado en González-Mo ales, Mi o ic, & Ga cia, 2020, p.3)
Los campos de aplicación de es a ciencia son múl iples y en es e momen o, es as disciplinas de las
neu ociencias han hecho an solo comenza sus andadu as, pe o el u u o es más que p ome edo . Las
aplicaciones de las neu ociencias a las emp esas y las o ganizaciones son muy ú iles en di e en es ac i idades
de las mismas, po ejemplo:
•
Ma ke ing. Se pueden ealiza es udios de me cado, con los que pode conoce mejo las necesidades
de nues o me cado ac ual o po encial, e alua los p oduc os desa ollados, los p ecios o e ados, los
canales de en a y dis ibución y la pe cepción de los p ecios, llegando incluso a que podamos o ece
p oduc os a los consumido es dependiendo de cómo se encuen en. Como se ci a en Codina, Rod íguez
y Cadena (2017, p.160):
“La me cado ecnia emocional, es conside ada ciencia po la Academia de Ciencias Ad-
minis a i as, la ACACIA, al econoce la como Me cado ecnia Emocional... De acue do
a una columna de iMedia Connec ion (2016), esc i a po Jim Meskauskas, es ablece que
“la neu ociencia consis e en ap ende que hay más de una pa e del ce eb o que in luye en
los sen imien os, mien as que la o a pa e in luye en los pensamien os. El me cado ecnia
emocional pe mi e decodi ica es os p ocesos y con e i la comunicación de me cado ecnia
en un código que a ae a di e en es pa es del ce eb o y mo i a la decisión de comp a a
a o de una ma ca de p oduc o o se icio”...”
•
Pues o de abajo, pudiendo de ec a si el empleado que ejecu a el abajo es á es esado, aleg e,
en adado, e c. Es o pe mi i ía asigna a eas en unción de la p edisposición del suje o a las mismas,
e i ando que las desempeñen pe sonas que no ayan a dis u a y da su máximo en cada una de ellas.
También o ece ía de ec a es ados c í icos según el abajo que se ealice, como puede se el es és
pa a un pilo o de a ión, idea p opues a en Bo ghini, As ol i, Vecchia o, Ma ia, y Babiloni (2014).
1
2Capí ulo 1. In oducción
•
Mejo a la de inición de los p oduc os pa a sa is ace mejo las necesidades del me cado, po ejemplo,
que a un ele iso se le ins ale una cáma a emo a que isualice la ca a de su p opie a io y de ec e que
se es á quedando do mido o que ya es á do mido y sal e una ala ma, apagándose solo el ele iso . O
simplemen e e aluando la pe cepción que iene el clien e cuando isualiza su se ie a o i a en ella, o
su diseño, o su ma ca, o su logo ipo, e c.
•
Aplicaciones sani a ias o de mejo a de la salud. Como se ex ae de Mano y cols. (2016), se pod ía
hace uso de las exp esiones aciales y emociones pa a moni o iza pacien es o pe sonas mayo es que
necesi en cuidados especiales. Se de ec a ía si la pe sona es á su iendo o simplemen e si lle a mucho
iempo en la habi ación y necesi a de ayuda, si llo an los niños pequeños, e c.
•
Depo e. Haciendo un econocimien o emocional an es de un pa ido, pod ía comp oba se los jugado es
que es án más mo i ados pa a juga ese pa ido.
“Se han es udiado las unciones ejecu i as ales como el azonamien o lógico, el con ol
del compo amien o de an icipación a consecuencias y habilidades simila es, c eándose
la c eencia de que el compo amien o humano es pe ec amen e acional, en con a de lo
que en ealidad sucede. Se han desc i o dos ipos de unciones ejecu i as: “Las me acog-
ni i as y las emocionales, dependiendo de los dis in os sis emas ce eb ales que ac úan.
Las unciones me acogni i as pa ecen se ú iles en la solución de p oblemas ex e nos y
emocionalmen e neu os, pe o an e si uaciones sociales e impulsos biológicos, la capacidad
acional disminuye signi ica i amen e.” (A dila, 2008, p.97). “Las p uebas ac uales de
las unciones ejecu i as que se conside aban me acogni i as, en su mayo ía equie e de la
unción emocional”, po lo que se puede en ende la impo ancia de la emoción en la unción
ejecu i a en gene al. Hoy en día se conside a que la e aluación emocional es undamen al
en los p ocesos de decisión (A dila, 2008, p.92).” (Ci ado en González-Mo ales 2018)
Es as son solo algunas de las in ini as aplicaciones que, desde el conocimien o de las emociones de las
pe sonas an e los di e en es es ímulos y si uaciones, se pueden ealiza con la inalidad de mejo a la oma de
decisiones y, po ende, de consegui mayo e iciencia en las emp esas y las o ganizaciones. Una ez is o la
absolu a impo ancia del econocimien o emocional pa a la mejo a de la asignación de los ecu sos humanos,
la mejo a de la calidad de ida de las pe sonas en los pues os de abajo, la mejo a de los p oduc os, de la
comunicación de las acciones de ma ke ing en gene al, de la sanidad, e c., amos a analiza cómo se puede
lle a a cabo es a an in e esan e pe o a la ez di ícil labo .
2 Es ado del a e
2.1 In oducción
El
pila undamen al de es e abajo son las emociones del se humano. El se humano se dis ingue del
es o de animales po la comple a capacidad que iene pa a que sea conocido su es ado anímico, ya
sea median e el lenguaje co po al, o lo que nos concie ne a noso os, median e nues a exp esión acial. La
p egun a que el lec o se pod ía es a haciendo es la siguien e: ¿cómo es ablecemos unos pa áme os pa a
pode deci que alguien es á is e, eliz o simplemen e agobiado e balizándolo? Es una ealidad que, aún
en con ac o di ec o en e las pe sonas, es o no es una ciencia ácil y mucho menos exac a, a eces es di ícil
econoce el es ado emocional que es á eniendo una pe sona. El con ac o di ec o nos o ece mucha más
in o mación que la ges ual, cómo puede se el lenguaje co po al, la esc i u a o la oz. Es e úl imo caso, es un
campo muy impo an e que se ab e pa a el econocimien o emocional. Según Lim, Jang y Lee (2016, p.1),
econoce emociones median e la oz es un abajo aún a duo, debido a las di e en es o mas que ienen las
pe sonas de comunica se y po la di icul ad pa a elegi ca ac e ís icas óp imas pa a de e mina la emoción
adecuada.
Es e abajo se cen a en econoce las emociones según las exp esiones aciales de las pe sonas, po lo
que hay que i c eando la base eó ica en la que se basa el mismo. Pa a eso amos a i desg anando de lo más
global e in ui i o has a lo más écnico.
2.2 Reconocimien o acial
La he amien a que se es á ealizando en es e abajo, pe sigue de e mina la emoción que las pe sonas es án
sin iendo an e de e minados es ímulos, a eas, si uaciones, e c. Pa a ello, se i á g abando un ídeo de la ca a
de las pe sonas y lo p ime o que nues o p og ama end á que de ec a es la ca a en cualquie o og ama.
Pa a eso, exis en cie as écnicas, odas englobadas bajo el í ulo inglés de Facial ecogni ion.
Da id Hubel y To s en Wiesel demos a on que el se humano iene cie as células ne iosas pa a analiza
y codi ica las imágenes. Según es os au o es, se dedican a econoce ca ac e ís icas pun uales de una escena,
como puede se líneas o bo des. Es a úl ima ca ac e ís ica es de suma impo ancia, pues o que muchos de los
mé odos de acial ecogni ion hacen uso de es o. (Ci ado en Wagne , 2012, p.2)
Kanade Takeo (1973) desc ibió una de las p ime as o mas pa a pode au oma iza el econocimien o
acial median e la geome ía. Pa a consegui es o, se cen ó en ma ca el luga exac o de los pun os de más
in e és de la ca a de un indi iduo, como puede se la na iz, ojos u oídos. Con es a in o mación, se decla aban
cie os ea u e ec o s cuyas componen es exp esa an alo es como la dis ancia o los ángulos en e pun os.
Años más a de, se demos ó que no e a su icien e el análisis geomé ico pa a la de ección de os os, po lo
que se p ocedió al es udio de o as o mas de econocimien o. (Ci ado en Wagne , 2012, p.2)
Uno de los abajos más amosos en emas de econocimien o acial ue lle ado a cabo po Kohonen (1989).
Aquí se in odujo la u ilidad que ienen las edes neu onales pa a es a labo , usando compu e ace desc ip ion
pa a ap oxima los eigen ec o s (aho a conocidos como eigen aces) de la ma iz de au oco elación de la
ca a. O as in es igaciones pos e io es se cen a on en edes neu onales y mé odos de de ección de bo des,
pe o la limi ación esidía a la ho a de ene una ex ensa base de da os con localización desconocida y escala
de la ca a. (Ci ado en Asiedu, Me le, y No ey, 2014, p. 158)
3
4Capí ulo 2. Es ado del a e
Ki by y Si o ich (1990) in oduje on el análisis de componen es p incipales (p incipal componen analysis)
pa a la de ección acial. Es e abajo ue seguido en la ob a de Tu k y Pen land (1991), en la que se cen a on
en el uso de las eigen aces. Con su abajo, concluye on que e a mejo ocaliza el econocimien o acial a
un conjun o de ca ac e ís icas en un pequeño conjun o de imágenes que de mane a óp ima se ap oxima an
al conjun o de imágenes conocidas. Es o lo hacía ápido y simple, ya que no enía que cen a se en algo
an i ial cómo dis ancias en e pun os de in e és. Además, es o pe mi ía da un also posi i o en e a ias
imágenes, cosa que nos pod ía in e esa si necesi ásemos cele idad, o si simplemen e nues o in e és esidie a
en la p ecisión, nos bas a ía con que nues o sis ema se pasa a unos segundos analizando la imagen (como en
el caso de una cáma a de segu idad).
O a écnica que se p esen a en Asiedu y Cols (2014, p.160), es la descomposición en alo es singula es.
Es a puede e se desde es di e en es pun os de is a:
1.
Mé odo pa a ans o ma a iables co elacionadas a un conjun o de no co elacionadas pa a obse a
las elaciones en e los da os a a a .
2. Mé odo pa a iden i ica y o dena las dimensiones en las que los da os p esen an la mayo a iación.
3.
Una ez hallado la mayo a iación, es posible ap oxima los da os o iginales con menos dimensiones.
Exis e o o mé odo, que ue es udiado en Viola y Jones (2001):
“Es un mé odo de de ección de obje os que se usa ampliamen e en la de ección de ca as en
imágenes y ídeo. El algo i mo se basa en la compa ación en e las in ensidades luminosas
de egiones ec angula es de las imágenes denominadas Haa -like ea u es las que calcula
empleando una imagen in eg al. Es e mé odo, englobado den o de los basados en ca ac e ís icas
y en subg upo de análisis de ca ac e ís icas, ha sido ecuen emen e u ilizado g acias a su apidez
y a los g andes esul ados que p opo ciona en ca as de en e. Debido al bajo cos e compu acional,
es e p ocedimien o, supuso una e olución en el campo de de ección de os os, pe mi iendo
po p ime a ez la de ección de ca as en iempo eal en disposi i os de modes as p es aciones.”
(Ma ínez Rod íguez y So o Gómez, 2018, p.11)
Como se explica en Kadi , Kama uddin, Nasi , Sa ie, y Bak i (2014, pp.335-336), las ea u es usadas po
Viola y Jones se basan en las Haa wa ele s de Haa (1910). Es as son señales cuad adas (con un in e alo al o
y o o bajo), que en dos dimensiones son un pa de ec ángulos adyacen es, uno cla o y el o o oscu o. Aún
con es o, es as no son usadas pa a econocimien o isual, sino que se u ilizan o os ec ángulos modi icados
llamados Haa -like ea u es, mos ados en la Figu a 1:
Figu a 1 Haa -like Fea u es. Imagen ob enida de Lienha y Mayd (2002, p.2).
Aunque los Haa -like ea u es pe mi an una g an apidez compu acional, aen consigo un incon enien e:
alsos posi i os. Como se sugie e en Sha i a a, Rahim, y Anisi (2014, p.77), pa a mejo a es o se puede hace
uso de Neu al ne wo ks. El esquema a segui se ía el de la Figu a 2, dando luga a un sis ema más obus o
que mejo a las des en ajas del Haa cascade classi ie .
2.2 Reconocimien o acial 5
Figu a 2
Combinación de Haa yNeu al ne wo k. Imagen ob enida de Sha i a a, Rahim, y Anisi (2014,
p.77).
En gene al, como se expone en Sha i a a y cols. (2014, pp.74-75), exis en cua o mé odos pa a abo da el
p oblema de la de ección acial enunciados en la Figu a 3:
Figu a 3 Esquema mé odos de econocimien o acial. Imagen ob enida de Sha i a a, Rahim, y Anisi (2014,
p.74).
1.
Fea u e-based: es el enca gado de analiza las ea u es del se humano ales como colo de piel, na iz,
o ejas... Se ha demos ado que es a p ime a es de especial u ilidad a la ho a de econocimien o de
ca as en e obje os. En el a ículo de Thak e y Aga ka (2020), se analiza el desempeño de la en e,
cejas, pa e baja del ojo y ambas mejillas pa a nues o come ido. Al inal se concluye que lo que mejo
esul ado da es una combinación de los clasi icado es como se puede e en la Figu a 4.
2.
Appea ance-based: en es e caso, se u ilizan clasi icado es como Haa -like. Además, es e mé odo es á
basado en el ap endizaje es adís ico pa a los clasi icado es. Un ejemplo del que se hace uso es el
AdaBoos , se ca ac e iza po se un clasi icado en cascada donde p ime o hay clasi icado es débiles,
enca gados de decidi si la imagen pasa o no el umb al es ablecido. En caso a i ma i o, se p ocede a
endu ece los clasi icado es. Es o se puede esquema iza con el esquema plan eado en la Figu a 5.

6Capí ulo 2. Es ado del a e
Figu a 4
Desempeño de los di e en es clasi icado es de exp esión acial. Imagen ob enida de Thak e y
Aga ka (2020, p.4).
Figu a 5 AdaBoos . Imagen ob enida de Cuimei y cols. (2017, p.484).
3.
Knowledge-based: en es a ocasión, se es ablecen unas eglas pa a la de ección acial como que hay
dos o ejas, una boca... Se ex aen las ea u es aciales y luego se econocen basándose en las eglas
p ees ablecidas. La p oblemá ica es c ea las eglas pa a cualquie ca a en cualquie ambien e.
4.
Templa e-based: es a ez se busca compa a la imagen de en ada con un modelo ya hecho. La compa-
ación se ealiza en emas de in ensidad de píxel. Un ejemplo de modelo es el de la Figu a 6.
Figu a 6 Ejemplos de modelos aciales. Imagen ob enida de Sha i a a, Rahim, y Anisi (2014, p.75).
2.3 Reconocimien o emocional 7
2.3 Reconocimien o emocional
2.3.1 In oducción
Has a es e pun o del abajo, se ha ealizado un buen eco ido po el amplio mundo de la de ección de ca as
de se es humanos. Como se ha podido comp oba , aún con el g an pode compu acional que enemos a
nues o alcance, no es algo sencillo y cada mé odo debe usa se según los equisi os o necesidades del abajo
que se es é ealizando. Dicho es o, amos a comenza con el ema p incipal de es e abajo: el econocimien o
emocional. Ya enemos la ca a de ec ada, aho a sólo queda asocia le la emoción que más se ajus e a la
exp esión emocional que es á p esen e.
“Los sis emas au omá icos de econocimien o de emociones aciales se basan odos en un modelo
que se di iden en e apas como las que apa ecen ep esen adas en la Figu a 7. (Zapa e o Olmedillo,
2016)
Figu a 7
E apas econocimien o emocional. Imagen ob enida de Ma ínez Rod íguez y So o Gómez (2018,
p.9).
P ime o la imagen es ealzada pa a aumen a la e ec i idad en la de ección del os o, luego se
de ec a el os o, seguidamen e se ex aen de ella las ca ac e ís icas más signi ica i as, y, po
úl imo, el clasi icado p e iamen e en enado, de ec a la emoción en unción de las pa icula i-
dades de cada una. El clasi icado se en ena a pa i de un conjun o amplio de imágenes de las
que se conoce qué emoción ep esen a. Pa a ello se oma cada imagen y se ealizan unos pasos
simila es a los desc i os an e io men e: ealce de la imagen, de ección del os o, ex acción de
asgos y asociación de es a a la emoción ep esen ada.”
(
Ma ínez Rod íguez y So o Gómez,
2018, p. 9)
2.3.2 Redes neu onales
El g an a ance a la ho a de a a imágenes y en especial en el ema que nos concie ne, FER ( acial exp ession
ecogni ion), se p odujo cuando se desa olla on las edes neu onales. Es as son, en é minos gene ales, una
o ma de cálculo que hace uso de las denominadas neu onas (como sus análogas en pe sonas). Las neu onas
se enca gan de hace una mul iplicación en e el peso y la en ada de es as (apa e de un bias que se aplica,
comúnmen e igual a 1), aplicando una unción de ac i ación como So max, sigmoid o ReLU .
h(x) = s(W x +b)
Donde
h
se ía la a iable de salida p oducida po cada neu ona,
s
la unción de ac i ación,
W
el peso,
x
la
a iable de en ada y bel bias.
Una ed, al como se puede in ui , es á compues a po nume osas neu onas. Es as se di iden en capas, de
las cuales se di e encian es po sus di e en es unciones, aunque los cálculos que hagan sean simila es.
•
Capa de en ada: es a se á la des inada a ecibi los alo es de en ada, el ec o
x
. Cada componen e
de es e ec o se á una neu ona única, siendo la dimensión de la p ime a capa de nues a ed igual a la
dimensión de nues o ec o .
•
Capa ocul a: aquí el núme o de capas es inde e minado, es deci , es decisión p opia del c eado de la
ed, así como el núme o de neu onas que cons i uya cada una de es as capas. No hay que ol ida se que
apa e de la cuan ía, hace al a de e mina la unción de ac i ación de es as y su conexión en e ellas.
•
Capa de salida: es el úl imo paso pa a la adquisición del esul ado inal de nues a ed. En el caso de
un p oblema de clasi icación, hab ía an as neu onas como clases y es as da ían su solución.
8Capí ulo 2. Es ado del a e
Un mé odo de aplicación, po ejemplo, se ía el caso de un p oblema de eg esión. Dado una nube de
pun os, se halla ía la ec a que más se ajus e a es os pun os pa a consegui así un modelo que pueda p edeci
con nue as en adas.
Sin emba go, pa a el ema de a amien o de imágenes, el uso de es as edes no es ideal cuando es as
inc emen an an o el amaño como la calidad. No ue has a el descub imien o de las edes neu onales
con olucionales cuando se op imizo es a a dua a ea.
2.3.3 Redes neu onales con olucionales
Una imagen, en é minos de p og amación, es simplemen e es ma ices de dos dimensiones apiladas si es
de colo , si es en escalas de g ises es solo una ma iz. Es as ma ices ienen dos dimensiones (ancho,al o),
cuyos alo es an desde 0 a 255 como se puede obse a en la Figu a 8. Tal como se exp esa en Pé ez Es uch
(2017, p.12), las edes con olucionales (CNN ab e iado en inglés) son casi análogas a una ed básica, lo
único de e minan e es el uso de il os, de un amaño deseado, que se aplican a las ma ices an e io men e
mencionadas. Es o se ha ía buscando la simili ud con los pesos de una ípica ed.
Figu a 8 Ma ices de una imagen. Imagen ob enida de owa dsda ascience.com.
Como se comen a en An ona Co és (2017, p.16), es as edes abajan agmen ando y modelando la
in o mación. En el caso que nos ocupa, que es la clasi icación de emociones, la ed se di ide en dos e apas:
una p ime a en la que, suminis ando imágenes a la ed, se empieza la de ección de bo des y ca ac e ís icas
pa a di e encia una clase de o a. La segunda e apa se co esponde a la p opia de clasi icación, y aquí se sigue
el modelo común de las edes neu onales, capas en e amen e conec adas que e minan en una capa de salida
o mada po an as neu onas como clases enga nues o modelo. Un g an p oblema se a aja di idiéndolo en
p oblemas más pequeños.
Figu a 9 Esquema edes con olucionales. Imagen ob enida de owa dsda ascience.com.
2.3 Reconocimien o emocional 9
Pa a e mina es a e isión en é minos gene ales de qué es una ed con olucional, nos queda comen a las
nue as capas que emos en la Figu a 9 y que se engloban den o de la p ime a e apa ya mencionada, la de
ap ende ca ac e ís icas.
•
Capa con olucional: lo que consigue es aplica a nues a imagen una se ie de il os de amaño a
elegi . El compo amien o de es os il os, o ke nels en la li e a u a inglesa, se mues a en la Figu a 10.
Es os il os son la cla e de las edes con olucionales, pues o que son es os los des inados a de ec a
ca ac e ís icas y pa ones en nues as imágenes. Como ya se hacía en las edes neu onales, se le aplica
la unción de ac i ación deseada al esul ado.
Figu a 10 Fil o de amaño 2x2. Imagen ob enida de Aljaa a i (2018, p.33).
•
Capa de pooling: siemp e apa ecen después de las capas con olucionales, omando como en ada las
salidas de es as, y se le aplica el mé odo que se p e ie a. Lo común es aplica el max pooling o el
a e age pooling con un amaño o a ez escogido. En el caso de max pooling, se coge el alo máximo
del píxel en esa egión, mien as que en a e age pooling se hace una simple media (es o puede se
obse ado en la Figu a 11). La inalidad de es e p oceso es educi las dimensiones de nues as ma ices
pa a alige a la ca ga compu acional y dec emen a el núme o de pa áme os en enables de nues a
ed.
Figu a 11 Tipos de pooling. Imagen ob enida de owa dsda ascience.com.
2.3.4 Base de da os
Una pa e c ucial pa a nues o p oblema es de e mina con que in o mación amos a alimen a a la ed pa a
c ea el modelo: las bases de da os. En é minos de FER ( acial exp ession ecogni ion), los a ances en
es a cues ión han sido el impulso de es a ama del conocimien o. Den o de las nume osas bases de da os
que exis en, y que se esumen en la Figu a 12, una muy usada y ex endida en el mundo del econocimien o
emocional, ha sido FER-2013. Fue in oducida en el concu so de Kaggle:Challenges in Rep esen a ion
Lea ning: Facial Exp ession Recogni ion Challenge, c eada po Pie e Luc Ca ie y Aa on Cou ille. Las
o os se di iden en dos ca ego ías: el conjun o de en enamien o o mado po 28.709 ejemplos y el de p ueba,
16 Capí ulo 4. Ma e iales y mé odos
Tal y como se ha expues o en el capí ulo dos, el pila en el que se sus en a odo el abajo es el en enamien o
de una ed neu onal y la de ección de ca as pa a el econocimien o emocional. Con es e obje i o en men e,
los paque es undamen ales an a es a o ien ados a es a labo . Pa a ello, amos a necesi a paque es que sean
capaces de pode c ea es as edes, paque es que puedan a a los da os que en an y salen de es as y pode
isualiza es os esul ados. Una ez ealizado es o, se ía el u no de econoce una ca a y pode asigna le
una pun uación a la emoción que exp esa. Todas las di e en es biblio ecas, lib e ías y so wa e que se han
u ilizado se e e encian en la Tabla 2.
Tabla 2 Paque es u ilizados. Tabla de elabo ación p opia.
Paque e Desc ipción Re e encia
Tenso Flow
Biblio eca desa ollada po Google que pe mi e la
cons ucción y el en enamien o de edes neu ona-
les.
(Abadi y cols., 2015)
Ke as
API de al o ni el que se cons uye po encima de
Tenso Flow, siendo su u ilización más li iana que
es e úl imo.
(Cholle y cols., 2015)
Sciki -lea n Biblio eca que con iene di e sos algo i mos de e-
g esión y clasi icación, además de he amien as
pa a el a amien o y análisis de in o mación.
(Ped egosa y cols., 2011)
NumPy
Paque e undamen al pa a la compu ación cien í i-
ca en Py hon g acias a su sopo e pa a ec o es y
ma ices.
(Oliphan , 2006)
Ma plo lib
Lib e ía pa a c ea g á icos es á icos, animados e
in e ac i os.
(Hun e , 2007)
Seabo n
Lib e ía pa a la ep esen ación de da os basada en
Ma plo lib.
(Waskom y cols., 2020)
Pandas
Analizado y he amien a pa a manipula in o ma-
ción en Py hon.
(
pandas de elopmen eam,
2020)
OpenCV Biblio eca de isión a i icial. (B adski, 2000)
Pa a ealiza las p esen aciones de imágenes y o os expe imen os, se usa á el p og ama Ogama, un
p og ama de código abie o que iene mul i ud de uncionalidades pa a ealiza cualquie ipo de expe imen o,
además de p opo ciona la opción de usa un ha dwa e de seguimien o ocula , pa a conoce hacia donde se
di ige la mi ada de los pa icipan es en cada momen o.

5 Comp obación median e aplicación
5.1 In oducción
En
es e capí ulo se elabo a á la aplicación pa a el econocimien o emocional. Una ez es ablecidos los
ma e iales que amos a necesi a y los mé odos eque idos pa a lle a a cabo es a labo , nues o siguien e
paso es o ganiza cómo ealiza lo.
A lo la go de es e capí ulo, desa olla emos las bases ya mencionadas en el capí ulo es, la ed neu onal
y la p esen ación de las alo aciones de las emociones de nues os suje os, p o undizando en ellas has a
consegui el obje i o inal.
5.2 En enamien o de la Red Neu onal
El en enamien o de la ed neu onal es un p oceso i al pa a nues o p opósi o. Se á la enca gada de consegui
la mayo exac i ud posible a la ho a de pode econoce las emociones en el os o de una pe sona. Hablando
en é minos gene ales, es e en enamien o se puede di idi en es pa es: la u ilización de las bases de da os,
la elección del ipo de ed neu onal y el esul ado inal que se ían nues as p edicciones. El pa ón que
segui emos se e leja en la Figu a 15.
5.2.1 Bases de da os
Pa a pode en ena la ed, es de i al impo ancia comenza es udiando las bases de da os. Cabe des aca que
en el es ado del a e ya se ha hecho un b e e inciso en es a ma e ia, epasando cuales son las más impo an es
en los úl imos años y las ca ac e ís icas que las hacen an ú iles. Con es o a la is a, en es e abajo se an a
hace uso de es bases: FER-2013, la cual ha sido la base de muchos abajos en es a á ea, RAF-DB y CK+.
FER-2013
Es a amosa base de da os se p esen ó en el concu so de Kaggle:Challenges in Rep esen a ion Lea ning:
Facial Exp ession Recogni ion Challenge. Fue c eada po Pie e Luc Ca ie and Aa on Cou ille. Las
imágenes son en blanco y neg o, de un amaño 48x48 y es án di ididas en dos ca ego ías: el conjun o de
en enamien o o mado po 28.709 ejemplos y el de p ueba, con 7.178. Es as imágenes se e ique a on con
las siguien es emociones: Ang y, Disgus , Fea , Happy, Sad, Su p ise y Neu al. En la Figu a 16, podemos
obse a algunas de las imágenes con enidas en es a base de da os jun o al mapa de calo de sus píxeles, ya
que un píxel no es más que un alo comp endido en e 0 y 255 (si es RGB la o o, cada píxel end ía es
canales, uno po cada colo )
Años más a de, se hizo un eajus e en las emociones e ique adas a las o os de FER-2013, ya que muchas
de ellas no se co espondían con la ealidad. Es e abajo se llamó FER+. Cada imagen se asignó con ocho
emociones (una emoción más, con emp ), apa e de NF (no a ace) y unknown. Pa a ealiza es o, diez
pe sonas ue on las que iban eligiendo una a una la nue a emoción que debía co esponde le a la o o. Es o
da ía luga a una dis ibución de p obabilidades, siendo 10 (es deci , odos los e aluado es coinciden en la
misma emoción) el alo máximo que un único sen imien o puede ene . Son, po an o, es as las e ique as
que usa emos a lo la go de nues o p oyec o y no las o igina ias de FER-2013.
Como se ha dicho, cada e ique a end á comp endida en e el ce o y el diez. Es o se e leja en la Tabla
3, en el que podemos obse a el mé odo de FER+ pa a asigna los alo es a cada o og a ía. La columna
17
18 Capí ulo 5. Comp obación median e aplicación
Figu a 15 Esquema de nues a ed neu onal. Imagen de elabo ación p opia.
Sen imien o comp ende las siguien es emociones: neu al, elicidad, so p esa, is eza, en ado, asco, miedo,
desp ecio, desconocido y no ca a.
Tabla 3 E ique as de FER+. Tabla de elabo ación p opia.
Uso Imagen Sen imien o
En enamien o e 0000000 4 0 0 1 3 2 0 0 0 0
En enamien o e 0000001 6 0 1 1 0 0 0 0 2 0
En enamien o e 0000002 5 0 0 3 1 0 0 0 1 0
En enamien o e 0000003 4 0 0 4 1 0 0 0 1 0
Una ez is o la base con la que amos a cons ui nues o modelo, se debe e cómo amos a abaja con
es a. Sabiendo que la elección de una emoción es independien e pa a cada pe sona en FER+, puede da se dos
casuís icas en una o og a ía, que se desc iben g á icamen e median e la Figu a 17 y de mane a esc i a en las
siguien es líneas:
1.
Que el máximo de o aciones pa a el sen imien o mayo i a io sea in e io a un lími e impues o po
noso os. Es o se ha escogido po a ias azones.
•
Si una o o iene las emociones muy dispe sas, no es una buena mane a de alimen a a nues a ed
neu onal ya que no se ía in o mación anca.
•
Puede que g an pa e de las pe sonas la hayan ca alogado como no ca a o desconocido, dando
muy poca p obabilidad a que sea un sen imien o eal.
5.2 En enamien o de la Red Neu onal 19
Figu a 16 Ejemplos de FER-2013: en ado, elicidad y so p esa. Imagen de elabo ación p opia.
2. Que dos sen imien os sean los máximos. An e es a casuís ica, se ha decidido elimina la imagen de la
base de da os pa a no da pie a ambigüedades a la ho a de in e p e a las emociones. Una o o debe
ene un sen imien o cla o, si no, es inú il pa a nues o es udio.
Con odo es e p oceso desc i o, lo que conseguimos es c iba imágenes que no apo en a nues a ed
neu onal y e ique a a las que sí nos si en con su emoción p edilec a. El núme o de o og a ías o ales se
puede e e lejado en la Figu a 18. El esul ado, en é minos de p og amación, a a se un ec o one-ho
encode, es deci , un ec o con an as componen es como emociones enga, siendo odas 0 menos la posición
que co esponda al sen imien o. En es e abajo se han alo ado sie e emociones: neu o, elicidad, so p esa,
is eza, en ado, epulsión y miedo. Pa a ilus a es o, si enemos en cuen a una o o de elicidad, el ec o
asociado se ía de la siguien e o ma: [0 1 0 0 0 0 0].
RAF-DB
Con es a base de da os, amos a nu i a nues a ed neu onal con 15.339 imágenes más. La ca ego ización
de las emociones sigue las mismas pau as que en el caso an e io , siendo sie e el núme o o al de emociones.
Tal y como se de ine en la web, es a base de da os se ca ac e iza po se imágenes desca gadas de In e ne y
e ique adas de mane a independien e po 40 pe sonas. Apa e, lo que le da un g an alo a nues o p opósi o,
es la di e sidad en las imágenes an o en e nia, como en edades, géne os, si uaciones de luz..., que se pueden
obse a en los ejemplos de la Figu a 19, cuya dis ibución en núme os se puede isualiza en la Figu a 20.
CK+
En es a ocasión, nos encon amos con una base de da os más escue a: un o al de 927 imágenes di ididas en
elicidad, so p esa, is eza, en ado, epugnancia e i a. Lo más des acable es que las o os son de un núme o
20 Capí ulo 5. Comp obación median e aplicación
Figu a 17 Diag ama de lujo pa a FER+. Imagen de elabo ación p opia.
Figu a 18 Dis ibución emociones en FER-2013. Imagen de elabo ación p opia.
ijo de suje os haciendo las di e en es poses eque idas pa a los sen imien os co espondien es. Se puede
isualiza ejemplos de es a base de da os en la Figu a 21 y su dis ibución en la Figu a 22.
5.2 En enamien o de la Red Neu onal 21
Figu a 19 Ejemplos de RAF-DB: miedo, elicidad y is eza. Imagen de elabo ación p opia.
Figu a 20 Dis ibución emociones en RAF-DB. Imagen de elabo ación p opia.

22 Capí ulo 5. Comp obación median e aplicación
Figu a 21 Ejemplos de CK+: elicidad, so p esa y is eza. Imagen de elabo ación p opia.
Figu a 22 Dis ibución emociones en CK+. Imagen de elabo ación p opia.
5.3 Aplicación y isualización de los esul ados de la Red Neu onal 23
5.2.2 Red Neu onal CNN
Es e es el cen o neu álgico del en enamien o de la ed neu onal. Una ez es ablecido cuáles son las bases de
da os que amos a u iliza como en ada a nues o sis ema, hay que de ini el núcleo enca gado de halla las
p edicciones pa a el p oblema que nos hemos plan eado: econoce emociones en el os o de una pe sona.
Las he amien as que oman i al impo ancia aquí son Py hon y la lib e ía de Tenso low: nos pe mi i án de
mane a in ui i a desa olla una ed comple a que pueda se en enada a nues o gus o.
La ed a desa olla a a se una CNN: Con olu ional neu al ne wo k. Se ha seleccionado es a debido a
la na u aleza de nues o p oblema. Vamos a abaja cons an emen e con imágenes, po lo que necesi amos
analiza las lo más al de alle posible. Es o en é minos de ipo de ed neu onal se aduce en selecciona una
CNN po que nos pe mi e ene capas en la ed que abajen con ma ices bidimensionales. Cabe eco da que
las imágenes en in o má ica no son o a cosa que ma ices bidimensionales con un cie o alo en cada una de
sus componen es, siendo el máximo es ma ices po cada o og a ía, ep esen ando cada una a cada uno de
los es colo es p ima ios RGB. La o ma de abaja de es e ipo de ed neu onal se puede lee en el capí ulo
dedicado al Es ado del A e, donde se p o undiza en las écnicas que se lle an a cabo pa a a a con ma ices.
Nues a ed, po an o, se a a cons i ui de una se ie de pa es, que se e án ep esen adas y expues os
cada elemen o de es as en las Figu as 25, 26 y 27:
•
Capa de en ada: es a ecibi á las imágenes en o ma de ma iz pa a que ayan siendo p ocesadas a lo
la go de oda la ed.
•
Capa ocul a: en es a pa e nos encon a emos el g ueso de la CNN. Aquí nos encon a emos di e sas
capas, como pueden se con olucionales o pooling.
•
Capa de salida: es el úl imo paso an es de ob ene nues o esul ado. Con oda la in o mación a ada y
p ocesada, o ece el esul ado que la ed neu onal ha es imado como co ec a.
Con oda es a es uc u a, y haciendo un en enamien o con oda la in o mación de las bases de da os,
conseguimos un sis ema que nos es ime la emoción de una o og a ía dada.
5.3 Aplicación y isualización de los esul ados de la Red Neu onal
Una ez ob enido el modelo en sí, ya con amos con la he amien a que nos pe mi i á de ini la emoción
p ima ia en una o og a ía. Po an o, el siguien e paso lógico se á el de hace uso de ella. Pa a es o, c ea emos
los expe imen os opo unos que se adap en a las necesidades y los p oblemas que se deseen esol e , y mien as
es e se es é ealizando a un suje o, lo g aba emos en ídeo pa a, en un pos e io p ocesado, de e mina las
emociones que el indi iduo es aba sin iendo en cada momen o del expe imen o. Pa a no pe de la isión
gene al, en la Figu a 23 se ilus a cada e apa del abajo con sus inalidades más impo an es.
Teniendo en men e de dónde enimos y hacia dónde amos, amos a en a más en de alle con los pasos
que nos al an, que se ía el de la p esen ación, la g abación del suje o y la ob ención de esul ados. La
p esen ación, como ya se de e minó en an e io es capí ulos, se ealiza á con el p og ama de Ogama. Con
él se pueden plan ea di e sos ipos de expe imen os, en nues o caso ha emos una p esen ación basada en
di e en es imágenes pa a e la eacción de la pe sona que pa icipa en el expe imen o y que se á ilmada po
una cáma a du an e el p oceso de expe imen ación. Po an o, como se puede supone , necesi amos g aba en
ídeo al suje o desde el comienzo de la p esen ación has a el inal de es a. Es o se ha á g acias a un igge de
inicio y uno de inal, que se án en iados po Ogama con el p opósi o de sinc oniza el p og ama p esen ado
de los expe imen os y el de g abación de las exp esiones aciales. Con es o, pod íamos da po ealizada la
e apa de g aba en iempo eal, pues o que lo único que necesi ábamos mien as Ogama es u ie a uncionando
e a ob ene un ídeo de la pe sona. Pos e io men e, hab ía que ealiza la pa e del pos -p ocesado, en la que
ob end íamos los esul ados buscados. Pa a ene una idea cla a de odo lo que se ha desc i o en es e pá a o,
se ecomienda isualiza la Figu a 24.
Los esul ados se án de di e en e índole dependiendo de las necesidades que quie an cub i y po an o del
ipo de expe imen o que se ealice.
•
Vídeo con las emociones plasmadas: Consigue, u ilizando de base el ídeo de la g abación del suje o a
lo la go del expe imen o, añadi los po cen ajes de odas las emociones y des aca la emoción p incipal
en cada momen o dado, con una cie a pe iodicidad.
•
Elabo ación de g á icas: con es o se consegui á mos a de mane a in ui i a los esul ados de los
sen imien os a a és de una se ie de g á icas.
24 Capí ulo 5. Comp obación median e aplicación
Figu a 23 Diag ama gene al del abajo. Imagen de elabo ación p opia.
Figu a 24 Esquema pa a la aplicación del abajo. Imagen de elabo ación p opia.
•
Tabla con los po cen ajes de las emociones: pa a un pos e io es udio es adís ico, es necesa io la
elabo ación de una abla que egis e con la pe iodicidad es ipulada la e aluación de cada una de las
emociones del suje o en cada ins an e del expe imen o. Po an o, se compond á de an as columnas
como emociones haya, apa e de una columna inal que ep esen a á cuando hay un cambio de imagen
en la p esen ación. Todo es o, con el p og ama opo uno de es adís ica, a oja á un g an alo al es udio.
5.3 Aplicación y isualización de los esul ados de la Red Neu onal 25
Con odo lo que hemos expues o en es e capí ulo, ya end íamos ce ado lo que se ía el con enido del
abajo. Sólo queda da paso al capí ulo de Resul ados donde se expond á odo lo ob enido.
32 Capí ulo 6. Resul ados
Figu a 32 G á ica de la p ecisión de la ed neu onal. Imagen de elabo ación p opia.
Figu a 33 G á ica de la unción de pé didas de la ed neu onal. Imagen de elabo ación p opia.
6.2 Aplicación al Neu oma ke ing y Neu omanagemen
Es aho a cuando amos a aplica odo lo ob enido an e io men e. Pa a ealiza es o, como ya se ha comen ado,
se a a p opone un es udio de neu oma ke ing aplicado a la asignación de ecu sos, o como se a comenzando
a denomina , "neu omanagemen ", en el que se analiza án los esul ados de un supues o caso ic icio que
pod ía p esen a se con bas an e acilidad en la ealidad.
6.2.1 Expe imen o
La idea es expone alguna de las muchas posibilidades de uso pa a las emp esas y las o ganizaciones que
posee el uncionamien o de la he amien a que en es e p oyec o se ha desa ollado, con la que es posible
la de ección de las mic oexp esiones aciales que las pe sonas p esen an en su ca a al sen i las di e en es
emociones, y que incluso iene la capacidad de da una pun uación a cada una de las emociones que las
pe sonas es án sin iendo en cada momen o es imándolas median e de ección de las mic oexp esiones.

6.2 Aplicación al Neu oma ke ing y Neu omanagemen 33
La he amien a se puede usa cuando las pe sonas es án siendo some idas a di e en es si uaciones, ac i ida-
des labo ales, an e la p esencia de pe sonas, al lee o conoce comunicados, an e es ímulos de ma ke ing, e c.
Es o la hace una he amien a idónea pa a in es iga en el campo del neu omanagemen y el neu oma ke ing,
siendo undamen al en la nue a e a que i imos, pa a la oma de decisiones emp esa iales y o ganizacionales.
Se ha p opues o un ejemplo muy ácil y simple de en e las posibilidades de es a he amien a en el ámbi o
de la di ección de emp esas, la o ganización indus ial, el ma ke ing, e c.
La p opues a ic icia es la siguien e:
A)
Exis en es ingenie os que abajan pa a la emp esa Mic oso , los es poseen unas compe encias
simila es, cuyos nomb es son Jaime, Julián y An onio. Las compe encias no debe ían in lui en la
asignación de una u o a pe sona a cada uno de los pues os.
B)
La emp esa Mic oso debe asigna es as es pe sonas a es ac i idades di e en es, el neu oma ke ing,
la p og amación y el ma ke ing assis an . En p incipio las compe encias e aluadas son simila es y se
o ma á in e namen e a cada uno de los empleados pa a que puedan desempeña con o al compe encia
cada uno de los es pues os. El cen o de abajo pa a las es ac i idades es el mismo, po lo que no
debe ía in lui en la asignación de una u o a pe sona a cada uno de los pues os.
C)
La emp esa Mic oso desea que la pe sona que se haga ca go de cada uno de los pues os sea la que más
aleg ía y so p esa; y menos is eza y en ado sien a cuando se le comunique que a a ocupa ese pues o
en conc e o. Po lo que es necesa io es udia las emociones que sien en cada uno de los empleados an e
la posibilidad de ocupa cada uno de los pues os.
Se a a de un p oblema de asignación muy ácil, exis en es ecu sos que se deben des ina a la ealización
de es ac i idades, donde dos de las a iables poseen las mismas pun uaciones pa a odos los empleados-
ecu sos pa a odas las ac i idades. Po lo que an solo queda una a iable en la que pod án exis i alo es
di e en es, y con ellos se abaja á pa a ealiza la mejo asignación posible, que es la a iable emocional.
Pa a es udia la, se ha ealizado un expe imen o ic icio con la he amien a que se ha gene ado en es e
p oyec o, p esen ándole a cada uno de los supues os empleados una imagen del CEO de la emp esa en la
que supues amen e abajan, o eciéndole a cada uno los es posibles pues os. Cuando los es empleados
lean la o e a de cada uno de los pues os, au omá icamen e e inconscien emen e gene a án una emoción y la
exp esión acial de la misma. Es os se án los da os que ecoge á el ins umen o y es ima á las emociones
i idas, y con ellas e aluadas, se decidi á la pe sona que más se aleg a de se seleccionada pa a ealiza cada
una de las ac i idades, ya que una pe sona con en a es una pe sona mo i ada o ce ca de es a lo, y una pe sona
mo i ada dis u a á más con su abajo y se esme a á más en su desempeño. Con odo es o, consegui emos
un empleado más eliz y comp ome ido con su ac i idad, que debe edunda en un mejo desempeño. Un
ejemplo de las imágenes p esen adas du an e el expe imen o es la de la Figu a 34.
6.2.2 Diseño del expe imen o
Pa a es udia las emociones susci adas en cada uno de los es candida os al se les o ecidos cada uno de
los es pues os de abajo, se ha omado una imagen del CEO de la emp esa en la que se puede ap ecia
el logo ipo de la misma de ás de él (con el deseo de que las imágenes en sí no in luye an en las posibles
emociones susci adas, se ha usado siemp e la misma imagen de base). Pos e io men e, a la imagen de base se
le ha añadido la ase "Te o ezco un pues o pa a...(cada una de las es opciones a cub i ) ¿Acep as? Los
pues os o e ados han sido los siguien es:
•Pues o 1: In es igación en neu omanagemen .
•Pues o 2: P og amado .
•Pues o 3: Ma ke ing Assis an y ealiza un MBA.
Es as imágenes se les ha p esen ado median e la he amien a ealizada en es e abajo, de al mane a que
inicialmen e se le han p esen ado las ins ucciones du an e cinco segundos, pos e io men e una imagen de
colo blanca pa a neu aliza los sen imien os du an e 5 segundos y pos e io men e, se han ido al e nando
cada una de las imágenes que con enían las ases que o e aban los pues os con imágenes blancas neu as,
34 Capí ulo 6. Resul ados
Figu a 34
Ejemplo de la p esen ación del expe imen o. Imagen ob enida de Faye waye y modi icada pa a el
es udio.
cada una de ellas du an e cinco segundos. Mien as, se ha es ado g abando las ca as de las pe sonas que e an
some idas a los di e en es es ímulos. Es os ídeos son los que se han some ido al algo i mo de econocimien o
emocional.
6.2.3 Resul ados del expe imen o
Una ez ealizado el expe imen o a los suje os, ya end íamos la g abación con sus ca as pa a pode abaja
con ellas. Po cues iones de p i acidad, se a a mos a la imagen del au o de es e abajo, pa a que se pueda
e la o ma en la que se mues an los esul ados en el ídeo. En un ma gen, se isualiza án las pun uaciones
de las emociones de ec adas en po cen ajes. En el ma co in e io , se e leja á la emoción p edominan e en
ese momen o y sob e la ca a del suje o se mos a á un ec ángulo que la delimi a. Pa a más cla idad, odo
es o se puede obse a en la Figu a 35.
Figu a 35 Ejemplo de las pun uaciones en el ídeo g abado. Imagen de elabo ación p opia.
Como ya se indicó, se analiza on los esul ados de es suje os di e en es: Jaime, Julián y An onio. Con el in
6.2 Aplicación al Neu oma ke ing y Neu omanagemen 35
acla a aún más la es uc u a del expe imen o, es e con ó con sie e p esen aciones de imágenes, de las cuales,
la imagen 3, 5 y 7 co esponde án a los pues os o e ados 1, 2 y 3 espec i amen e. El es o co espondían
a las ins ucciones y a las imágenes pa a neu aliza las emociones. Pa a es ima la p edisposición de una
pe sona pa a un pues o, se a a segui es a ó mula que compu a á las pun uaciones de las emociones en cada
in e alo de imagen:
Resul an e =Felicidad +So p esa −T is eza −En ado −Repulsi ´on −Miedo
Resul ados de Jaime
Los esul ados de Jaime indica on una cla a p edisposición pa a el pues o 3 seguido del pues o 1. Pa a el
es an e, se puede des aca que no es un abajo que le gus a ía hace . Pasemos a analiza cómo se han llegado
a es as conclusiones. Pa a es o, amos a obse a los esul ados de las medias de las pun uaciones en cada
imagen con la Tabla 4.
Tabla 4 Tabla de las medias de las pun uaciones de Jaime. Tabla de elabo ación p opia.
Neu al Felicidad So p esa T is eza En ado Repulsión Miedo Imagen
93,943 0,481927 2,306735 2,083219 0,439733 0,027469 0,717919 1
94,93821 0,662773 1,95206 1,304082 0,450462 0,02279 0,669625 2
63,39558 34,71381 0,669442 0,74405 0,282717 0,035983 0,158417 3
88,52211 10,00814 0,671668 0,464102 0,239601 0,025515 0,06887 4
88,20197 0,718288 0,684568 1,11132 8,493117 0,639934 0,150805 5
97,90459 0,568387 0,355635 0,755244 0,272383 0,026524 0,117237 6
43,7213 55,19459 0,251602 0,44861 0,247086 0,05009 0,086719 7
Se puede obse a que en la imagen 3 y en la imagen 7 la pun uación de elicidad sube des acablemen e
siendo c ucial en ambas imágenes. Sin emba go, en la imagen es an e la pun uación de en ado es el ac o
di e encial. Es es a la que ma ca á, con la ayuda de los demás, la cla a nega i a del suje o en e al pues o 2.
La esul an e, po an o, se puede calcula como se es ableció en an e io es líneas y se e lejada en la Tabla 5.
Tabla 5 Resul an e de las pun uaciones de las emociones po pues o de Jaime. Tabla de elabo ación p opia.
Pues o Resul an e
1 34,16208355
2 -8,992319104
3 54,61368894
Pa a pode obse a en de alle el p og eso que han enido las pun uaciones emocionales en cada pues o
o e ado, se a a hace uso de las Figu as 36, 37 y 38. En es as Figu as, se e leja á median e el uso de g á icas
empo ales, g á icas de ipo a a y g á icas de ipo ba a la pun uación o el po cen aje de apa ición que ha
enido cada sen imien o en el in e alo dado.
Una ez analizado odo, podemos es ipula con po cen ajes, el g ado de p edisposición que iene Jaime
pa a cada abajo. Podemos saca en conclusión que, pa a los pues os 1 y 3 es a ía eliz abajando, mien as
que en el pues o 2, el de p og amado , no es a ía cómodo. Es o se e leja en la Figu a 39.
36 Capí ulo 6. Resul ados
Figu a 36 G á icas pa a el pues o 1 de Jaime. Imagen de elabo ación p opia.
Figu a 37 G á icas pa a el pues o 2 de Jaime. Imagen de elabo ación p opia.
6.2 Aplicación al Neu oma ke ing y Neu omanagemen 37
Figu a 38 G á icas pa a el pues o 3 de Jaime. Imagen de elabo ación p opia.
Figu a 39 P edisposición de Jaime an e los pues os o e ados. Imagen de elabo ación p opia.
Resul ados de Julián
Los esul ados de Julián indica on una cie a p edisposición pa a odos los pues os o e ados, aunque uno
des acó especialmen e, siendo es e el pues o 2. Vamos a ealiza un p oceso análogo al que hicimos con
Jaime, obse a emos los esul ados numé icos y inalmen e pasa emos a los g á icos. Los esul ados de las
medias de las pun uaciones en cada imagen se mues an en la Tabla 6.
Con los da os de la Tabla 6 y los alo es esul an es pa a cada in e alo de la Tabla 7, podemos des aca

38 Capí ulo 6. Resul ados
Tabla 6 Tabla de las medias de las pun uaciones de Julián. Tabla de elabo ación p opia.
Neu al Felicidad So p esa T is eza En ado Repulsión Miedo Imagen
32,94298 50,04605 7,119586 1,105558 6,06321 1,024656 1,697959 1
31,48428 50,97873 10,28684 1,052601 2,630413 0,471702 3,095422 2
45,10739 35,85161 8,538528 2,212698 4,376021 1,863388 2,050361 3
41,2739 44,54064 7,064863 1,447021 2,348909 1,323871 2,000798 4
23,98504 64,72547 5,07087 1,147892 2,770108 0,861988 1,438629 5
35,09178 49,64445 6,689487 1,350475 3,196361 1,413173 2,614281 6
31,91586 49,60821 4,368978 2,754106 6,363173 2,507851 2,481824 7
que el suje o ha es ado con un cie o ni el de elicidad odo el expe imen o, ya que los alo es de neu al se
man ienen bajos du an e odo el iempo. Aun así, se puede obse a que es en el pues o 2 cuando mues a la
mayo elicidad y, po an o, la mejo ac i ud hacia es e abajo.
Tabla 7
Resul an e de las pun uaciones de las emociones po pues o de Julián. Tabla de elabo ación p opia.
Pues o Resul an e
1 33,88767064
2 63,57772705
3 39,87023357
Pa a en a más en de alle, amos a da paso a las g á icas de cada in e alo que nos pe mi en ene
una isión más global e in ui i a del compo amien o de nues o suje o du an e es e iempo. Las Figu as
esul an es son la 40, 41 y 42.
Figu a 40 G á icas pa a el pues o 1 de Julián. Imagen de elabo ación p opia.
6.2 Aplicación al Neu oma ke ing y Neu omanagemen 39
Figu a 41 G á icas pa a el pues o 2 de Julián. Imagen de elabo ación p opia.
Figu a 42 G á icas pa a el pues o 3 de Julián. Imagen de elabo ación p opia.
40 Capí ulo 6. Resul ados
Finalmen e, amos a obse a de mane a global la p edisposición de la pe sona pa a cada abajo. Como se
obse a en la Figu a 43, Julián es á in e esado en los es pues os, pe o el pues o 2 des aca sob e los demás.
Figu a 43 P edisposición de Julián an e los pues os o e ados. Imagen de elabo ación p opia.
Resul ados de An onio
Los esul ados de An onio e lejan una absolu a disposición pa a un abajo especí ico: pa a el del pues o 1,
el de neu omanagemen . Los demás, p esen an una p edisposición nega i a. Obse emos los da os ex aídos
del expe imen o de An onio con la Tabla 8 y los alo es esul an es pa a cada pues o con la Tabla 9.
Tabla 8 Tabla de las medias de las pun uaciones de An onio. Tabla de elabo ación p opia.
Neu al Felicidad So p esa T is eza En ado Repulsión Miedo Imagen
94,74957 0,037699 0,024914 5,118929 0,040524 0,017201 0,011165 1
94,79311 0,026975 0,013041 5,118852 0,029862 0,010679 0,007484 2
38,94138 58,31858 0,009078 2,688761 0,017504 0,019154 0,005544 3
91,21157 0,505988 0,005912 8,236297 0,013923 0,020487 0,005823 4
91,75113 0,053445 0,006929 8,154845 0,014748 0,011595 0,007312 5
94,84735 0,053548 0,010249 5,060416 0,013819 0,00825 0,006373 6
96,22943 0,036312 0,005947 3,700493 0,015638 0,00788 0,004298 7
Tabla 9
Resul an e de las pun uaciones de las emociones po pues o de An onio. Tabla de elabo ación p opia.
Pues o Resul an e
1 55,59669243
2 -8,128125816
3 -3,686050201
Es el u no de las g á icas, que se e án en las Figu as 44, 45 y 46. De mane a isual se puede analiza la
cla a p e e encia po el pues o 1 ya que en los demás p e alece la neu alidad mien as que en es e la elicidad
ocupa la mayo pa e del in e alo.
Pa a e mina , en la Figu a 47 se obse a la o al p edisposición que iene An onio al pues o 1, mien as
que los demás se si úan en alo es nega i os, po lo que podemos saca en conclusión que no se ía de su
ag ado abaja en es os pues os.
6.2 Aplicación al Neu oma ke ing y Neu omanagemen 41
Figu a 44 G á icas pa a el pues o 1 de An onio. Imagen de elabo ación p opia.
Figu a 45 G á icas pa a el pues o 2 de An onio. Imagen de elabo ación p opia.
48 Índice de Figu as
31 Ma iz de con usión en an o po uno pa a cinco emociones. Imagen de elabo a-
ción p opia 31
32 G á ica de la p ecisión de la ed neu onal. Imagen de elabo ación p opia 32
33 G á ica de la unción de pé didas de la ed neu onal. Imagen de elabo ación p opia 32
34 Ejemplo de la p esen ación del expe imen o. Imagen ob enida de Faye waye y
modi icada pa a el es udio 34
35 Ejemplo de las pun uaciones en el ídeo g abado. Imagen de elabo ación p opia 34
36 G á icas pa a el pues o 1 de Jaime. Imagen de elabo ación p opia 36
37 G á icas pa a el pues o 2 de Jaime. Imagen de elabo ación p opia 36
38 G á icas pa a el pues o 3 de Jaime. Imagen de elabo ación p opia 37
39 P edisposición de Jaime an e los pues os o e ados. Imagen de elabo ación p opia 37
40 G á icas pa a el pues o 1 de Julián. Imagen de elabo ación p opia 38
41 G á icas pa a el pues o 2 de Julián. Imagen de elabo ación p opia 39
42 G á icas pa a el pues o 3 de Julián. Imagen de elabo ación p opia 39
43 P edisposición de Julián an e los pues os o e ados. Imagen de elabo ación p opia 40
44 G á icas pa a el pues o 1 de An onio. Imagen de elabo ación p opia 41
45 G á icas pa a el pues o 2 de An onio. Imagen de elabo ación p opia 41
46 G á icas pa a el pues o 3 de An onio. Imagen de elabo ación p opia 42
47 P edisposición de An onio an e los pues os o e ados. Imagen de elabo ación p opia 42

Índice de Tablas
1 A ículos usando di e en es bases de da os. Tabla de elabo ación p opia 10
2 Paque es u ilizados. Tabla de elabo ación p opia 16
3 E ique as de FER+. Tabla de elabo ación p opia 18
4 Tabla de las medias de las pun uaciones de Jaime. Tabla de elabo ación p opia 35
5 Resul an e de las pun uaciones de las emociones po pues o de Jaime. Tabla de
elabo ación p opia 35
6 Tabla de las medias de las pun uaciones de Julián. Tabla de elabo ación p opia 38
7 Resul an e de las pun uaciones de las emociones po pues o de Julián. Tabla de
elabo ación p opia 38
8 Tabla de las medias de las pun uaciones de An onio. Tabla de elabo ación p opia 40
9 Resul an e de las pun uaciones de las emociones po pues o de An onio. Tabla
de elabo ación p opia 40
49
Re e encias
Abadi, M., Aga wal, A., Ba ham, P., B e do, E., Chen, Z., Ci o, C., ... Zheng, X. (2015). Tenso Flow:
La ge-scale machine lea ning on he e ogeneous sys ems. Desca gado de
h p:// enso low.o g/
(So wa e a ailable om enso low.o g)
Ahmed, T. U., Hossain, S., Hossain, M. S., Ul Islam, R., y Ande sson, K. (2019). Facial exp ession ecogni ion
using con olu ional neu al ne wo k wi h da a augmen a ion. En 2019 join 8 h in e na ional con e ence
on in o ma ics, elec onics & ision (icie ) and 2019 3 d in e na ional con e ence on imaging, ision
& pa e n ecogni ion (ici p ) (pp. 336–341).
Aljaa a i, N. (2018). Ich hyoplank on classi ica ion ool using gene a i e ad e sa ial ne wo ks and ans e
lea ning (Tesis Doc o al no publicada).
An ona Co és, C. (2017). He amien as mode nas en edes neu onales: la lib e ía ke as (B.S. hesis).
A iaga, O., Valdeneg o-To o, M., y Plöge , P. (2017). Real- ime con olu ional neu al ne wo ks o emo ion
and gende classi ica ion. a Xi p ep in a Xi :1710.07557.
Asiedu, L., Me le, F. O., y No ey, E. N. (2014). Recogni ion o acial exp essions using p incipal componen
analysis and singula alue decomposi ion. In e na ional Jou nal o S a is ics and Sys ems,9(2),
157–172.
Ba soum, E., Zhang, C., Can on Fe e , C., y Zhang, Z. (2016). T aining deep ne wo ks o acial exp ession
ecogni ion wi h c owd-sou ced label dis ibu ion. En Acm in e na ional con e ence on mul imodal
in e ac ion (icmi).
Bo ghini, G., As ol i, L., Vecchia o, G., Ma ia, D., y Babiloni, F. (2014). Measu ing neu ophysiological
signals in ai c a pilo s and ca d i e s o he assessmen o men al wo kload, a igue and d owsiness.
Neu oscience & Biobeha io al Re iews,44, 58–75.
B adski, G. (2000). The OpenCV Lib a y. D . Dobb’s Jou nal o So wa e Tools.
Cao, T., y Li, M. (2019). Facial exp ession ecogni ion algo i hm based on he combina ion o cnn and k-
means. En P oceedings o he 2019 11 h in e na ional con e ence on machine lea ning and compu ing
(pp. 400–404).
Chang, T., Wen, G., Hu, Y., y Ma, J. (2018). Facial exp ession ecogni ion based on complexi y pe cep ion
classi ica ion algo i hm. a Xi p ep in a Xi :1803.00185.
Cholle , F., y cols. (2015). Ke as.
h ps://ke as.io
.
Ch is ou, N., y Kanojiya, N. (2019). Human acial exp ession ecogni ion wi h con olu ion neu al ne wo ks.
En Thi d in e na ional cong ess on in o ma ion and communica ion echnology (pp. 539–545).
Clawson, K., Delica o, L., y Bowe man, C. (2018). Human cen ic acial exp ession ecogni ion.
Codina, J. N. B., Rod íguez, P. G., y Cadena, P. V. (2017). La economía de la expe iencia y el ma ke ing
emocional: es a egias con empo áneas de come cialización. Daena: In e na ional Jou nal o Good
Conscience,12(2), 159–170.
Co ea, E., Jonke , A., Ozo, M., y S olk, R. (2016). Emo ion ecogni ion using deep con olu ional neu al
ne wo ks. Tech. Repo IN4015.
Cuimei, L., Zhiliang, Q., Nan, J., y Jianhua, W. (2017). Human ace de ec ion algo i hm ia haa cascade
classi ie combined wi h h ee addi ional classi ie s. En 2017 13 h ieee in e na ional con e ence on
elec onic measu emen & ins umen s (icemi) (pp. 483–487).
González-Mo ales, A. (2018). Medición de la e icacia de las imágenes en la comunicación: es udio de las
ondas ce eb ales y medido es psico isiológicos pe i é icos.
51
52
Re e encias
González-Mo ales, A., Mi o ic, J., y Ga cia, R. C. (2020). Ecological consume neu oscience o compe i i e
ad an age and business o o ganiza ional di e en ia ion. Eu opean Resea ch on Managemen and
Business Economics.
Haa , A. (1910). On he heo y o o hogonal unc ion sys ems. Ma hema ische Annalen,69(3), 331–371.
Hun e , J. D. (2007). Ma plo lib: A 2d g aphics en i onmen . Compu ing in Science & Enginee ing,9(3),
90–95. doi: 10.1109/MCSE.2007.55
Jain, V., Agga wal, P., Kuma , T., y Taneja, V. (2017). Emo ion de ec ion om acial exp ession using
suppo ec o machine. In e na ional Jou nal o Compu e Applica ions,167(8).
Kadi , K., Kama uddin, M. K., Nasi , H., Sa ie, S. I., y Bak i, Z. A. K. (2014). A compa a i e s udy be ween
lbp and haa -like ea u es o ace de ec ion using openc . En 2014 4 h in e na ional con e ence on
enginee ing echnology and echnop eneuship (ice2 ) (pp. 335–339).
Kanade, T. (1974). Pic u e p ocessing sys em by compu e complex and ecogni ion o human aces.
Ki by, M., y Si o ich, L. (1990). Applica ion o he ka hunen-loe e p ocedu e o he cha ac e iza ion o
human aces. IEEE T ansac ions on Pa e n analysis and Machine in elligence,12(1), 103–108.
Kohonen, T. (1989). Sel -o ganiza ion and associa i e memo y. Be lin, Heidelbe g: Sp inge -Ve lag.
Li, S., y Deng, W. (2019). Reliable c owdsou cing and deep locali y-p ese ing lea ning o uncons ained
acial exp ession ecogni ion. IEEE T ansac ions on Image P ocessing,28(1), 356–370.
Li, S., y Deng, W. (2020). Deep acial exp ession ecogni ion: A su ey. IEEE T ansac ions on A ec i e
Compu ing.
Lienha , R., y Mayd , J. (2002). An ex ended se o haa -like ea u es o apid objec de ec ion. En
P oceedings. in e na ional con e ence on image p ocessing (Vol. 1, pp. I–I).
Lim, W., Jang, D., y Lee, T. (2016). Speech emo ion ecogni ion using con olu ional and ecu en neu al
ne wo ks. En 2016 asia-paci ic signal and in o ma ion p ocessing associa ion annual summi and
con e ence (apsipa) (pp. 1–4).
Lucey, P., Cohn, J. F., Kanade, T., Sa agih, J., Ambada , Z., y Ma hews, I. (2010). The ex ended cohn-kanade
da ase (ck+): A comple e da ase o ac ion uni and emo ion-speci ied exp ession. En 2010 ieee
compu e socie y con e ence on compu e ision and pa e n ecogni ion-wo kshops (pp. 94–101).
Mano, L. Y., Faiçal, B. S., Nakamu a, L. H., Gomes, P. H., Lib alon, G. L., Menegue e, R. I., ... o he s
(2016). Exploi ing io echnologies o enhancing heal h sma homes h ough pa ien iden i ica ion
and emo ion ecogni ion. Compu e Communica ions,89, 178–190.
Ma ínez Rod íguez, G., y So o Gómez, G. (2018). Desa ollo de una biblio eca pa a el econocimien o de
emociones aciales (Tesis Doc o al no publicada). Uni e sidad Cen al “Ma a Ab eu” de Las Villas.
Ma ani, V., Raman, S., y Miyapu am, K. P. (2017). Facial exp ession ecogni ion using isual saliency and
deep lea ning. En P oceedings o he ieee in e na ional con e ence on compu e ision wo kshops (pp.
2783–2788).
Neagoe, V.-E., Ba a , A., Sebe, N., y Robi u, P. (2013). A deep lea ning app oach o subjec independen
emo ion ecogni ion om acial exp essions. Recen Ad ances in Image, Audio and Signal P ocessing,
93–98.
Nguyen, H.-D., Yeom, S., Lee, G.-S., Yang, H.-J., Na, I.-S., y Kim, S.-H. (2019). Facial emo ion ecogni ion
using an ensemble o mul i-le el con olu ional neu al ne wo ks. In e na ional Jou nal o Pa e n
Recogni ion and A i icial In elligence,33(11), 1940015.
Oliphan , T. E. (2006). A guide o numpy (Vol. 1). T elgol Publishing USA.
Olmedillo, D. Z. (2016). he amien a de econocimien o acial de emociones en and oi. Mad id.
Ozdemi , M. A., Elagoz, B., Alaybeyoglu, A., Sadighzadeh, R., y Akan, A. (2019). Real ime emo ion
ecogni ion om acial exp essions using cnn a chi ec u e. En 2019 medical echnologies cong ess
( ip ekno) (pp. 1–4).
pandas de elopmen eam, T. (2020, eb e o). pandas-de /pandas: Pandas. Zenodo. Desca gado de
h ps://doi.o g/10.5281/zenodo.3509134
doi: 10.5281/zenodo.3509134
Ped egosa, F., Va oquaux, G., G am o , A., Michel, V., Thi ion, B., G isel, O., ... Duchesnay, E. (2011).
Sciki -lea n: Machine lea ning in Py hon. Jou nal o Machine Lea ning Resea ch,12, 2825–2830.
Pé ez Es uch, C. (2017). Emo ions ecogni ion using deep lea ning.
Pe y, Y. (2018, Jan). Ceo de mic oso c ee que no pueden compa a se con a apple o google. Fa-
ye Waye . Desca gado de
h ps://www. aye waye .com/2017/11/ceo-de-mic oso -c ee
-que-no-pueden-compa a se-con a-apple-o-google/
Saha, S. (2018, Dec). Towa ds Da a Science. Desca gado de
h ps:// owa dsda ascience
.com/a-comp ehensi e-guide- o-con olu ional-neu al-ne wo ks- he-eli5-way
-3bd2b1164a53
Re e encias
53
Sajjanha , A., Wu, Z., y Wen, Q. (2018). Deep lea ning models o acial exp ession ecogni ion. En 2018
digi al image compu ing: Techniques and applica ions (dic a) (pp. 1–6).
Sha i a a, A., Rahim, M. S. M., y Anisi, Y. (2014). A gene al e iew o human ace de ec ion including a s udy
o neu al ne wo ks and haa ea u e-based cascade classi ie in ace de ec ion. En 2014 in e na ional
symposium on biome ics and secu i y echnologies (isbas ) (pp. 73–78).
Tang, Y. (2013). Deep lea ning using linea suppo ec o machines. a Xi p ep in a Xi :1306.0239.
Thak e, M. P., y Aga ka , P. (2020). Cus ome emo ions ecogni ion using acial and ex ual e iew (In .
Téc.). EasyChai .
Tu k, M., y Pen land, A. (1991). Eigen aces o ecogni ion. Jou nal o cogni i e neu oscience,3(1), 71–86.
Viola, P., y Jones, M. (2001). Rapid objec de ec ion using a boos ed cascade o simple ea u es. En
P oceedings o he 2001 ieee compu e socie y con e ence on compu e ision and pa e n ecogni ion.
c p 2001 (Vol. 1, pp. I–I).
Wagne , P. (2012). Face ecogni ion wi h py hon. Te sedia dalam: www. by e ish. de [diakses pada 16
Feb ua i 2015].
Waskom, M., Bo innik, O., Os blom, J., Lukauskas, S., Hobson, P., MaozGelba , ... E ans, C. (2020,
ene o). mwaskom/seabo n: 0.10.0 (janua y 2020). Zenodo. Desca gado de
h ps://doi.o g/
10.5281/zenodo.3629446
doi: 10.5281/zenodo.3629446