Дослідження методів для розробки програмної системи розпізнавання емоцій та визначення стану здоров’я людини
DOI:
https://doi.org/10.30837/bi.2020.1(94).10Ключові слова:
РОЗПІЗНАВАННЯ ЕМОЦІЙ, ОЦІНКА СТАНУ ЗДОРОВ’Я, КОМП’ЮТЕРНИЙ ЗІР, Нейронні мережі, датасет, FER2013, Pab-fАнотація
Для визначення загального стану здоров’я людини за допомогою розпізнавання емоцій було обрано метод,
який базується на машинному навчанні, класифікатор натренований на датасеті «fer2013» та «PAB-F».Було
порівняно два способи визначення відчуття болі: визначення відчуття болю за наявністю сильних негативних
емоцій та використання для тренування нейронної мережі датасету, з зображеннями людей, поділеними на
класи «боляче» - «не боляче». Для датасету «fer2013», щоб визначити наявність болю необхідна після обробка
даних. Як правило біль виражається у інтенсивній та тривалій наявності ємоціїї злості та суму. Інтенсивність
емоції пропонуеться вимірювати коефіцієнтом ймовірності визначення емоції, який повертає нейронна мережа.
Експериментально визначено, що спеціалізований набір даних краще справляється з поставленою задачею,
не дивлячись на те, що має достатньо малу кількість зображень. «fer2013» має високий відсоток помилкового
спрацювання. Це можна пояснити тим, що на фотографіях були також явні негативні емоції, які розцінювалися
як біль. Кількість епох навчання позитивно впливає на точність нейронної мережі, а збільшення швидкості навчання – негативно. Для перевірки точності роботи нейронних мережі на вхід до модуля перевірки емоційного
стану на вхід подавалися зображення знайдені за пошуковим запитом «Гримаса болю» на ресурсі depositphotos.
Посилання
Bilous, N.; Povoroznyuk, А.; Kozina, O. Synthesis of structured models of computer systems in medical diagnosis, 2009 [Електронний ресурс] – Режим доступу: http:// openarchive.nure.ua/bitstream/document/6432/1/ijitk03- 3-p03.pdf
Shcherbakova, G.; Krylov, V.; Bilous N. Methods of automated classification based on wavelet-transform for automated medical diagnostics, Information Technologies in Innovation Business Conference (ITIB) 2015, pp. 7-10. DOI: 10.1109/ ITIB.2015.7355048
Hramm, O.; Bilous, N.; Ahekian, I. Configurable Cell Segmentation Solution Using Hough Circles Transform and Watershed Algorithm 2019 IEEE 8th International Conference on Advanced Optoelectronics and Lasers (CAOL) CAOL 2019 September 6-8, 2019, Sozopol, Bulgaria, USA: IEEE, 602-605. DOI: 10.1109/CAOL46282.2019.9019493
Dornaika, F.; Raducanu, B. Efficient facial expression recognition for human robot interaction. In Proceedings of the 9th International Work-Conference on Artificial Neural Networks on Computational and Ambient Intelligence, San Sebastián, Spain, 20–22 June 2007; pp. 700–708.
Bartneck, C.; Lyons, M.J. HCI and the face: Towards an art of the soluble. In Proceedings of the International Conference on Human-Computer Interaction: Interaction Design and Usability, Beijing, China, 22–27 July 2007; pp. 20–29.
Walecki, R.; Rudovic, O.; Pavlovic, V.; Schuller, B.; Pantic, M. Deep structured learning for facial action unit intensity estimation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, HI, USA, 21–26 July 2017; pp. 3405–3414.
Schlüter S. et al. Image processing of multiphase images obtained via X-ray microtomography: a review // Water Resources Research. – 2014. –№. 50(4). – P. 3615-3639.
Yin, L.; Wei, X.; Sun, Y.; Wang, J.; Rosato, M.J. A 3D facial Expression database for facial behavior research. In Proceedings of the International Conference on Automatic Face and Gesture Recognition, Southampton, UK, 10–12 April 2006; pp. 211–216.
Jiang, B.; Valstar, M.F.; Pantic, M. Action unit detection using sparse appearance descriptors in space-time video volumes. In Proceedings of the IEEE International Conference and Workshops on Automatic Face & Gesture Recognition, Santa Barbara, CA, USA, 21–25 March 2011; pp. 314-321.
Hasani, B.; Mahoor, M.H. Facial expression recognition using enhanced deep 3D convolutional neural networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, Hawaii, HI, USA, 21–26 July 2017; pp. 1–11.
Kunz, M., Scharmann S., Uli Hemmeter, Stefan B. The facial expression of pain in patients, Califirnia, October 2009.
