Управляющие системы и машины, №4, 2018, стаття 6
DOI: https://doi.org/10.15407/usim.2018.04.021
Reshetnykov D.S. EEG Analysis of Person Familiarity with Audio-Video Data Assessing Task. Управляющие системы и машины. 2018. № 4. pp. 70-83.
УДК 574: 004.2
Решетников Денис Сергійович, аспірант, Міжнародний науково-навчальний центр інформаційних технологій і систем НАН України та МОН України, просп. Глушкова, 40, Київ 03187, Україна, e-mail: denis.reshetnykov@gmail.com
АНАЛІЗ ЕЛЕКТРОЕНЦЕФАЛОГРАМ В ЗАДАЧІ ОЦІНКИ СТАНУ ЗНАЙОМСТВА ЛЮДИНИ З АУДІО-ВІДЕО ДАНИМИ
Вступ. Оцінка емоційного стану учнів в цілому, і динамічна оцінка знайомства з матеріалами зокрема, дозволяє краще оцінити засвоєння теоретичного матеріалу і швидкість оволодіння вміннями, які вимагають багаторазового повторення матеріалу.
Контроль навчального процесу був би значно ефективніше, якби була можливість об’єктивно оцінити, за сукупністю ознак, знайомство конкретного учня з представленими йому матеріалами.
Мета статті – провести порівняльний аналіз і експериментальне дослідження ефективності різних методів машинного навчання, для побудови моделі визначення знайомства з представленими аудіовізуальними матеріалами, на основі аналізу сигналу електроенцефалограм і визначити набір ознак, які найкращим чином класифікують даний сигнал.
Методи. Запропоновано інформаційну технологію, яка на підставі набору реальних ЕЕГ бази даних DEAP проводить побудову, підбір гіперпараметров і оцінку різних моделей класифікації стану знайомства людини з аудіо-візуальними даними. Для лінійного методу опорних векторів реалізовано інформаційну технологію відбору діагностичних ознак на підставі методу головних компонент, невід’ємної матричної факторизації і генетичного алгоритму.
Результат: Використовуючи запропоновану інформаційну технологію, були підібрані параметри і отримані результати точності для різних моделей класифікації, що дозволило порівнювати такі моделі і визначити найбільш адекватні до вирішення поставленної задачі. Застосування методів відбору ознак дозволило підвищити точність моделі лінійного методу опорних векторів з 55,9% до 80,7%.
Висновок: Запропонована інформаційна технологія з аналізу сигналу ЕЕГ для визначення знайомства з представленими аудіовізуальними даними показала високу ефективність ансамблевих і нейромережевих моделей в даній задачі. Підвищення точності класифікації стану знайомства з представленими аудіо-відео данними можливо шляхом зниження розмірності даних і виділення значимих ознак, що експериментально підтверджено на прикладі застосування генетичного алгоритму до відбору ознак для методу опорних векторів.
Завантажити повний текст в PDF (англійською).
Ключові слова: машинне навчання, генетичний алгоритм, електроенцефалограма, набір данних DEAP, розпізнавання емоцій
Отримана 12.11.18
