Méthode de reconnaissance des émotions fondée sur un réseau neuronal convolutif et l’algorithme d’optimisation de la veuve noire Pratiksha Deshmukh, Harshali Patil Contexte : La reconnaissance automatique des émotions (RE) gagne en popularité dans plusieurs domaines d’application, notamment la psychologie et la santé mentale. Pour atteindre cet objectif, des algorithmes d’apprentissage profond sont utilisés. Ces algorithmes extraient les caractéristiques pertinentes des images du jeu de données et reconnaissent les émotions. Méthodologie : Dans cet article, nous avons développé une méthode de reconnaissance des émotions fondée sur un réseau neuronal convolutif (CNN). L’accent est également mis sur l’optimisation fine des hyperparamètres d’apprentissage du CNN au moyen de la métaheuristique d’optimisation de la veuve noire (Black Widow Optimisation, BWO), afin d’améliorer la précision de la reconnaissance. L’algorithme BWO s’inspire du processus d’accouplement des araignées veuves noires et offre un meilleur taux de convergence vers la solution optimale que d’autres algorithmes métaheuristiques. Résultats : La méthode proposée a été simulée sur le jeu de données FER2013. Celui-ci a été réparti selon un ratio de 70:30 : 70 % des données ont été utilisés pour l’entraînement, tandis que les 30 % restants ont servi aux tests. La méthode proposée donne des résultats remarquables pour la reconnaissance de différentes émotions et atteint des valeurs élevées pour les indicateurs de performance : une exactitude moyenne de 0,99392, une précision de 0,98467, un rappel de 0,98117 et un score F1 de 0,96731. Enfin, nous avons réalisé une analyse comparative de l’approche présentée avec les études existantes. Les résultats montrent que nous avons obtenu de meilleures performances grâce à la stratégie d’optimisation fine des hyperparamètres employée dans la méthode proposée. Conclusion et recommandations : La méthode de reconnaissance des émotions proposée permet de reconnaître efficacement différentes émotions. Toutefois, le même jeu de données a été utilisé pour l’entraînement et les tests, ce qui nuit à la robustesse et à la capacité de généralisation. Par conséquent, nous prévoyons à l’avenir de combiner plusieurs jeux de données et de les équilibrer afin d’évaluer l’efficacité de la méthode proposée.