Найти

Результаты поиска

• АНАЛИЗ СИСТЕМ ОПРЕДЕЛЕНИЯ И КЛАССИФИКАЦИИ ЭМОЦИЙ ЧЕЛОВЕКА ПО ДАННЫМ ЗВУКОВОГО ПОТОКА

  А.А. Егорчев , Д. М. Пашин , Н. А. Сарамбаев , А. Ф. Фахрутдинов

  2024-10-08

  Аннотация ▼

  В современной быстро меняющейся и требовательной рабочей среде способность быстро и
  точно оценить эмоциональное состояние сотрудника имеет решающее значение для защиты че-
  ловеческих жизней и снижения материальных рисков. Эмоциональное благополучие играет важ-
  ную роль в обеспечении безопасности на рабочем месте, производительности труда и общего
  психического здоровья. Поэтому разработка эффективных инструментов для мониторинга нега-
  тивных эмоций и реагирования на них является актуальной задачей современности. Целью данно-
  го исследования является разработка алгоритма, способного классифицировать эмоции, используя
  аудиоданные, записанные смартфоном пользователя. Такой инструмент особенно полезен, если
  интегрирован в более широкую систему мониторинга здоровья, позволяющую оценивать показа-
  тели здоровья человека в режиме реального времени с помощью неинвазивных методов. В этой
  статье представлено новое решение, которое использует акустические сигналы, улавливаемые
  микрофоном смартфона, для обнаружения и классификации эмоций пользователя. Используя
  сверточные нейронные сети (CNNS), тип алгоритма глубокого обучения, известного своей эф-
  фективностью при обработке аудио- и визуальных данных, предлагаемая система может опреде-
  лять эмоциональное состояние пользователя. Модель CNN обучена распознавать признаки в ау-
  диоданных, соответствующие различным эмоциональным проявлениям, фокусируясь на обнару-
  жении негативных эмоций, таких как, гнев или печаль. Результаты исследования демонстрируют
  эффективность системы: частота ошибок при определении негативных эмоций составляет
  19,5% для ложноположительных результатов (ошибки I рода) и 20,1% для ложноотрицательных
  результатов (ошибки II рода). Эти показатели указывают на ее потенциал для практического
  применения в реальных условиях. Внедряя это решение в существующие системы биомедицинского
  мониторинга, организации могут расширить свои возможности по мониторингу эмоционального
  благополучия сотрудников, потенциально предотвращая негативные последствия, такие как не-
  счастные случаи на производстве или кризисы психического здоровья. Интеграция распознавания
  эмоций с помощью смартфонов в системы мониторинга состояния здоровья представляет собой
  значительный прогресс в области неинвазивного биомедицинского мониторинга, использующего
  повсеместное присутствие смартфонов и возможности машинного обучения.

• ПОСТРОЕНИЕ СИСТЕМЫ ОПРЕДЕЛЕНИЯ ЧАСТОТЫ ПОВЕРХНОСТНОГО ДЫХАНИЯ ПО ДАННЫМ ВИБРОМЕТРИЧЕСКИХ СЕНСОРОВ СМАРТФОНА

  Д. Е. Чикрин, А.А. Егорчев , Д. М. Пашин , Н.А. Сарамбаев

  2023-10-23

  Аннотация ▼

  Современные реалии ставят человечеству задачи по цифровизации в различных об-
  ластях работы и быта, ускоряя срок выполнения задач и облегчая их. Современная техни-
  ка, оснащенная датчиками, которые можно использовать для предварительной диагно-
  стики, позволяет выявлять различные симптомы, которые могут являться причиной по-
  сещения медицинских учреждений. Это позволяет выиграть время – очень ценный ресурс,
  когда речь идет о жизни человека. Поэтому возможность выполнять такую диагностику,
  в частности, определение частоты дыхания, является актуальной задачей на сегодняшний
  день. В статье представлен метод определения частоты дыхания с использованием трех-
  осевого акселерометра на мобильном устройстве. Данный метод может быть использо-
  ван в приложении мониторинга состояния здоровья пользователя при отсутствии смарт-
  часов. Метод позволяет пользователю измерять частоту дыхания человека только при
  условии того, что пользователь находится в сидячем положении и мобильное устройство,
  оснащенное необходимым датчиком, расположено в верхней передней области бедра (об-
  ласть кармана). Алгоритм по определению частоты дыхания реализован на двух языках
  программирования: Python и MatLab. В алгоритме используется стабилизатор частоты
  дыхания, т.к. с мобильного устройства на базе Android частота дискретизации акселеро-
  метра не постоянна. Далее сигнал нормируется методом z-нормирования. Для выделения
  частотного промежутка, в котором вычисляется частота дыхания, используется фильтр
  Баттерворта 1-ого порядка. Анализ независимых компонент позволяет получить из смеси
  сигналов его независимые компоненты. Были протестированы несколько реализаций дан-
  ного метода на языке Python и Matlab. Наилучшие по качеству результаты показал алго-
  ритм, реализованный на языке MatLab с использованием встроенного восстановительного
  анализа независимых компонент (RICA) из набора инструментов статистики и машинно-
  го обучения. По скорости работы лучшие результаты показала реализация алгоритма на
  языке Python с методом быстрого анализа независимых компонент (FastICA). Среднеквад-
  ратичная ошибка для диапазона 10–20 вдоха в мин составила 2,14 вдоха в мин. Средне-
  квадратичная ошибка для 20–30 вдоха в мин составила 3,46 вдоха в мин.