Выбор эмоций оператора в качестве обратной связи для обучения нейронных сетей
Автор: Харюткина С.А., Гаврилов А.В., Якименко А.А.
Журнал: Проблемы информатики @problem-info
Рубрика: Прикладные информационные технологии
Статья в выпуске: 1 (58), 2023 года.
Бесплатный доступ
Работа посвящена изучению и выбору эмоции человека с наибольшей вероятностью распознавания для обучения нейронных сетей с использованием эмоций оператора в качестве обратной связи. На основании представленной программы поставлены и проведены эксперименты для исследования эмоций. В работе изучались следующие эмоции: «гнев», «отвращение», «испуг», «счастье», «грусть», «удивление» и «нейтральная эмоция». В ходе экспериментов определены эмоции человека, распознаваемые программой с наибольшей вероятностью. Вычислялись средние значения вероятности удачного или неудачного распознавания, и анализировалась схожесть эмоций. Сделаны предположения об использовании эмоций оператора в качестве обратной связи для обучения нейронных сетей. Решается задача сокращения времени для обучения нейронной сети, направленной на решение социально-значимых экономических задач. Предполагается, что подход позволит расширить область применения нейронных сетей в непрофильных отраслях за счет уменьшения требований к оператору/программисту и к вычислительным ресурсам.
Искусственный интеллект, нейронная сеть, эмоции
Короткий адрес: https://sciup.org/143180998
IDR: 143180998 | УДК: 004.5 | DOI: 10.24412/2073-0667-2023-1-69-76
Choosing operator emotions as feedback for training neural networks
The work is devoted to the study and selection of human emotions with the highest probability of recognition for training neural networks using operator emotions as feedback. On the basis of the presented program, experiments were set up and conducted to study emotions. The following emotions were studied in the work: “anger”, “disgust”, “fright”, ‘happiness”, “sadness”, “surprise” and “neutral emotion”. During the experiments, human emotions were determined, which are recognized by the program with the greatest probability. The average values of the probability of successful or unsuccessful recognition were calculated, and the similarity of emotions was analyzed. Assumptions are made about the use of operator emotions as feedback for training neural networks. The problem of reducing the time for training a neural network aimed at solving socially significant economic problems is solved. It is assumed that the approach will expand the scope of neural networks in non-core industries by reducing the requirements for the operator/programmer and computing resources.
Список литературы Выбор эмоций оператора в качестве обратной связи для обучения нейронных сетей
- Calvo R. A., D’Mello S. Affect detection: an interdisciplinary review of models, methods, and their applications // IEEE transactions on affective computing / 2010. N 1(1). P. 18-37.
- Neiberg R. D., Elenins K. Automatic recognition of anger in spontaneous speech //7 Proc, interspeech, Brisbane, Australia, 2008. P. 22-26.
- Theodoros Kostoulas R., Mporas Iosif, Kocsis Otilia, Gaiichcv Todor, Katsaounos Nikos, Santamaria Juan J., Jimenez-Murcia Susana, Fernandez-Aranda Fernando, Fakotakis Nikos. Affective speech interface in serious games for supporting therapy of mental disorders // Expert Syst. Appl. 2012. N 39. P. 11072-9.
- Zhao S., Rudzicz F., Carvalho L.G., Marquez-Chin C., Livingstone S. Automatic detection of expressed emotion in Parkinson’s disease // IEEE international conference on acoustics, speech and signal processing (ICASSP), Florence. P. 4813-7.
- Petrushin V. Emotion recognition in speech signal: experimental study, development, and application, international conference on spoken language processing. 2000. P. 222-225.
- Lalitha S., Tripathi S. Emotion detection using perceptual based speech features // IEEE annual India conference (INDICON), Bangalore. 2016. P. 1-5.
- Investigation of multilingual and mixed-lingual emotion recognition using enhanced cues with data augmentation / S. Latitha, D. Gupta, M. Zakariah, Y. A. Alotaibi // Applied Acoustics. 2020. N 170.
- Deep reinforcement learning for robust emotion classification in facial expression recognition // H. Li, H. Xu // Knowledge-Based Systems. 2020. N 204.
- Michael R. L, Sam E. A Survey on Human Face Expression Recognition Techniques [J] // Journal of King Saud University Computer & Information Sciences, 2018.
- Рюмина E. В., Карпов A. A. Аналитический обзор методов распознавания эмоций по выражения лица человека // Научно-технический вестник информационных технологий, механики и оптики. 2020. С. 163-176.
