Arquitectura de IA especializada en el análisis conductual mediante fusión de características : Prueba de concepto basada en la detección de microsonrisas en imágenes

Abstract

El presente trabajo aborda el diseño y validación de una prueba de concepto orientada a la detección automática de microsonrisas en imágenes, empleando técnicas de Inteligencia Artificial y aprendizaje automático. Las microexpresiones faciales, por su corta duración y carácter involuntario, representan uno de los desafíos más complejos en el campo del análisis de comportamiento no verbal. El proyecto propone un enfoque híbrido basado en la extracción de características geométricas faciales mediante landmarks y la construcción de un conjunto de datos propio especialmente etiquetado. A partir de este material, se desarrolla un modelo de clasificación supervisada capaz de distinguir entre microsonrisas y expresiones neutrales, evaluando su desempeño a través de métricas estandarizadas. Los resultados obtenidos muestran que es posible alcanzar una capacidad de discriminación adecuada aun en condiciones de recursos computacionales limitados, lo que demuestra la viabilidad técnica de la propuesta. Finalmente, el informe presenta la arquitectura diseñada, el proceso de entrenamiento, la validación experimental y las posibles líneas de mejora para trabajos futuros.

AI architecture specialized in behavioral analysis through feature fusion: Proof of concept based on the detection of microsmiles in images. This work presents the design and validation of a proof of concept aimed at the automatic detection of micro–smiles in images using Artificial Intelligence and machine learning techniques. Facial micro–expressions, due to their short duration and involuntary nature, constitute one of the most challenging problems in non–verbal behavior analysis. The project proposes a hybrid approach based on the extraction of geometric facial features through landmarks and the construction of a custom labeled dataset. Using this dataset, a supervised classification model is developed to distinguish micro–smiles from neutral expressions, and its performance is evaluated through standardized metrics. The results demonstrate that an effective level of discrimination can be achieved even under limited computational resources, proving the technical feasibility of the proposal. The report details the system architecture, the training process, the experimental validation, and future improvements.