Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Принятие рациональных решений в системах с управлением. Учебное пособие
.pdf
Для формализации задачи использования текущего эмоционального состояния
X
45 45
12
, ,...,
l
x x x X
Y
( ( )) , 1,7,
ii
j
y p y x i
(4.3)
()
i
py
1
y
2
y
3
y
4
y
5
y
6
y
7
y
Z
1 2 3 4
,Z Z Z Z Z
(4.4)
1
Z
2
Z
3
Z
для выбора наиболее приемлемого мероприятия долгосрочной перспективы из
запланированного списка мероприятий введем следующие обозначения:
– множество фотографий размером
писклелей в формате PNG с
изображениями лиц людей;
– обучающая выборка;
– множество векторов, координаты которых выражают вероятности
эмоциональных состояний:
где
– вероятности эмоциональных состояний человека.
Пусть для определенности приняты обозначения эмоциональных состояний:
– злость (angry);
– отвращение (disgust);
– страх (fear);
– счастье (happy);
– грусть (sad);
– удивление (surprise);
– нейтральное состояние (neutral).
– множество мероприятий долгосрочной перспективы из запланированного
списка:
где
– множество мероприятий, носящих социальный характер;
– множество мероприятий, носящих творческий характер;
– множество мероприятий, носящих интеллектуальный характер;
81
4
Z
– множество мероприятий, носящих физический характер.
,: , 1,4
q
X Z q
(4.5)
xX
,: XY
(4.6)
xX
,:YZ
(4.7)
yY
,: XY
45 45
Требуется построить алгоритм:
способный классифицировать произвольный объект
.
Процесс формализации рассматриваемой проблемы означает, что она
представляет собой задачу, известную в машинном обучении как классификация
[41].
Для удобства разобьем решение задачи классификации на два этапа:
– построить алгоритм:
способный классифицировать произвольный объект
,
– построить алгоритм:
способный классифицировать произвольный объект
Задача
размером
пикселей в формате PNG с изображениями лиц относится к задаче
классификации эмоциональных состояний по фотографиям
.
распознавания изображений, при решении которых удачно используются
сверточные нейронные сети [59].
Для решения задачи (4.6) использования DeepFace.
DeepFace – это самая легкая библиотека распознавания лиц и анализа
атрибутов лица в частности эмоций для Python. Библиотека DeepFace с открытым
исходным кодом автоматически обрабатывает все процедуры распознавания лиц
в фоновом режиме и включает в себя все передовые модели искусственного
интеллекта для распознавания лиц: VGG-Face, FaceNet, OpenFace, DeepID, ArcFace,
Dlib. Все эти модели упакованы вместе [57].
82
На рисунке 24 приведено графическое представление библиотеки DeepFace.
Рисунок 24 – Графическое представление библиотеки DeepFace
При запуске распознавания лиц с помощью DeepFace предоставляется
доступ к набору функций:
Проверка лица. Функция проверки лица состоит в том, что осуществляется
сравнение с другими лицами на соответствие. На практике данная функция
предназначена для подтверждения того, что лицо испытуемого совпадает лицом,
изображенном на фото в документе.
Распознавание лиц. Данная функция применяется для обнаружения
изображения лица в базе данных. Для обеспечения требуемой точности
проводится многократная проверка изображения лица.
Анализ атрибутов лица. Цель данной функции – характеристика визуальных
признаков изображений лица. Данная функция предназначена для получения
таких атрибутов как возрастная категория, гендерная принадлежность, анализ
эмоциональных состояний, построение предположений о расе и этносе
испытуемого лица.
Анализ лиц в режиме реального времени: Суть этой функции полностью
описывается своим названием. В качестве инсрумента для осуществления
указанной функции используется видеопоток веб–камеры.
83
Задача
,:YZ
45 45
Модель
Точность, %
FaceNet
99,20
ArtFace
98,91
Dlib
98,83
VGG-Face
98,78
Openface
93,80
DeepID
99,15
классификации мероприятий из запланированного списка
различного вида деятельности по эмоциональным состояниям может быть решена с
помощью классических алгоритмов машинного обучения: логистическая регрессия,
метод k ближайших соседей, случайный лес, дерево решений [41].
В качестве информационной базы исследования рассматривался набор из 2527
данных, представляющих собой фотографии размером
пикселей в формате
PNG с изображениями лиц, опубликованный на сайте, подробная информация о
котором изложена в [28].
Примеры фотографий приведены на рисунке 25.
Рисунок 25 – Примеры изображений лиц из набора данных
В таблице 4.8 приведены точности моделей платформы DeepFace.
Таблица 4.8 – Точности работы моделей платформы DeepFace
Из таблицы 4.8 следует, что модель FaceNet имеет точность 99,20% и более
успешна в распознавании лиц с использованием глубокого обучения, чем обычные
84
системы распознавания лиц. Основным преимуществом выбранной модели FaceNet
45 45
Алгоритм классификации
Точность, %
Логистическая регрессия
67,54
К-ближайших соседей(KNN).
85,08
Случайный лес
88,05
Дерево решений.
92,29
является высокая эффективность и производительность.
Рисунок 26 – Примеры работы модели FaceNet в распознавании эмоций
Примеры результатов работы модели FaceNet в распознавании текущих
эмоциональных состояний по фотографиям размером
пикселей в формате
PNG с изображением лиц приведены на рисунке 26.
В таблице 4.9 приведены точности работы наиболее известных алгоритмов в
решении задачи классификации мероприятий из запланированного списка
долгосрочной перспективы различного вида деятельности по текущим
эмоциональным состояниям.
Таблица 4.9 – Точность алгоритмов решения задачи классификации
85
Из таблицы 4.9 следует, что при решении задачи классификации наилучшие
3 5 1 7 3
( ) 0,49 ( ) 0,13 ( ) 0,17 ( ) 0,17p y p y p y p y Z
3
Z
результаты получены применением алгоритма «дерево решений», поэтому в
проводимом исследовании использован указанный алгоритм.
Рисунок 27 – Визуализация дерева решений
На рисунке 27 приведена визуализация работы алгоритма по построению
дерева решений мероприятий из запланированного списка долгосрочной
перспективы различного вида деятельности по текущим эмоциональным
состояниям.
Решение второй задачи классификации позволило определить правила
распределения мероприятий из запланированного списка долгосрочной
перспективы различных видов деятельности по текущим эмоциональным
состояниям. Ниже приведены примеры правил для распределения текущих
эмоциональных состояний по видам деятельности.
Если
. (То есть если
эмоция страха составляет не менее 49%, эмоция грусти – не менее 13%, эмоция
злости не более – 17%, а эмоция нейтрального состояния – не более 17%, то следует
выбрать мероприятие интеллектуального вида деятельности из запланированного
списка долгосрочной перспективы.) Уровень поддержки принятия набора данных
для интеллектуального вида деятельности (
) равен 63.
86
Если
3 5 7 4
( ) 0,49 ( ) 0,43 ( ) 0,20p y p y p y Z
4
Z
3 5 6 4 2 2
( ) 0,21 ( ) 0,46 ( ) 0,02 ( ) 0,01 ( ) 0,02p y p y p y p y p y Z
2
Z
3 5 6 1 7 1
( ) 0,21 ( ) 0,46 ( ) 0,02 ( ) 0,21 ( ) 0,44p y p y p y p y p y Z
1
Z
. (То есть если эмоция страха
составляет не более 49%, эмоция грусти – не менее 43%, эмоция злости не более –
20%, то следует выбрать мероприятие физического вида деятельности из
запланированного списка долгосрочной перспективы.) Уровень поддержки
принятия набора данных для физического вида деятельности (
) равен 64.
Если
(То есть если эмоция страха составляет не более 21%, эмоция грусти – не более 46%,
эмоция удивления не более – 2%, эмоция счастья – не менее 1%, а эмоция
отвращения не менее 2%, то следует выбрать мероприятие творческого вида
деятельности из запланированного списка долгосрочной перспективы.) Уровень
поддержки принятия набора данных для творческого вида деятельности (
) равен
13.
Если
.(
То есть если эмоция страха составляет не более 21%, эмоция грусти – не более 46%,
эмоция удивления не менее – 2%, эмоция злости – не более 21%, а эмоция
нейтрального состояния не менее 44%, то следует выбрать мероприятие
.
социального вида деятельности из запланированного списка долгосрочной
перспективы.) Уровень поддержки принятия набора данных для социального вида
деятельности (
) равен 83.
На рисунке 28 представлено окно разработанного программного обеспечения,
позволяющего автоматизировать процедуру распознавания текущих эмоциональных
состояний по лицам. На основании полученного результата рекомендуется наиболее
приемлемый вариант мероприятия из заданного списка долгосрочной перспективы
из четырех видов деятельности: социальный, творческий, интеллектуальный или
физический.
87
Рисунок 28 – Результат программной реализации математической модели
Эмоциональный интеллект служит предметом пристального внимания не
только практикующих психологов, но и специалистов в области искусственного
интеллекта, поскольку получаемые с помощью него преимущества с лихвой
окупают затраты, вложенные в разработку рекомендательных систем по его
определению и совершенствованию. В настоящее время, характеризующееся
стремлением людей быть успешными и представляющимися для этого новыми
возможностями, интерес к эмоциональному интеллекту только растет.
Люди с высоким уровнем эмоционального интеллекта имеют существенные
преимущества в вопросе распознавания эмоциональных состояний окружающих их
людей, что позволяет им вовремя скорректировать применяемую в отношении них
стратегию поведения и добиться желаемых результатов. Такие люди более успешны
в карьере и, согласно статистике, часто занимают руководящие должности.
88
Остальные люди, не обладающие такой способностью, могут при прочих равных
условиях потерпеть неудачу в личной и профессиональной деятельности. Для таких
людей для облегчения в распознавании собственных эмоциональных состояний и
поиску в соответствие с ними наиболее подходящих видов деятельности
разработана рекомендательная система, которая позволит не так сильно
проигрывать коллегам с высоким уровнем эмоционального интеллекта в
профессиональной деятельности.
Приведенная разработка, основанная на использовании ЭИ, будет полезна для
принятия решений в профессиональной деятельности при выборе наиболее
приемлемого мероприятия из запланированного списка мероприятий долгосрочной
перспективы. Рациональный подход к организации профессиональной деятельности
способствует повышению качества выполняемой работы, что позитивно сказывается
на формировании положительного имиджа конкретного работника и учреждения, в
котором он трудится. В частности, в работе научно-педагогических работников,
деятельность которых помимо оказания образовательных услуг, подразумевает
выполнение большого списка мероприятий долгосрочной перспективы из
индивидуального плана, разработка систем поддержки подобного рода будет весьма
полезна.
Приведенный в данном пункте пример разработанной рекомендательной
системы для выбора наиболее приемлемого вида деятельности в зависимости от
текущего эмоционального состояния реализован в рамках ВКР по направлению
подготовки 01.03.02 Прикладная математика и информатика. В процессе
выполнения данной ВКР студенткой была проделана большая работа по сбору
информации, обзору разработанности проблемы развития ЭИ в личностной
регуляции принятия решений, математической постановку задачи, разработки
собственной рекомендательной системы на основе применения ансамблевых
методов машинного обучения. Промежуточные и итоговые результаты
проведенного исследования опубликованы в журналах ВАК [27, 28], а также
обсуждены и получили одобрение в рамках научно-методической конференции с
последующей публикацией в сборнике [26]. Дальнейшее развитие темы
89
исследования возможно в уточнении распознавания текущих эмоциональных
состояний за счет использования не фотографий, а видеопотока.
90
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]