В России и Индии представили сверхточную нейросеть для распознавания эмоций
Российские и индийские разработчики создали гибридную нейросеть, которая с точностью до 99,99% определяет стресс, радость и другие эмоциональные состояния по энцефалограмме. Об этом сообщили ТАСС в пресс-службе Университета Иннополис.
«Исследователи Университета Иннополис, Санкт-Петербургского государственного электротехнического университета ЛЭТИ и Джадавпурского университета разработали гибридную нейросетевую архитектуру, которая анализирует электроэнцефалограммы для определения стресса, радости и других эмоциональных состояний. Решение полезно при создании систем мониторинга психического здоровья и адаптивных интерфейсов «человек-компьютер». Результаты экспериментов опубликовал научный журнал Scientific Reports», — сообщили в вузе.
Новая модель была протестирована на трех общедоступных эталонных наборах данных ЭЭГ. Система смогла определить спокойствие, стресс и радость с точностью 99,99%. В дальнейшем авторы планируют адаптировать модель для онлайн-распознавания эмоций по потоковым данным ЭЭГ.
«В сравнении с существующими моделями, решение исследователей на тех же наборах данных превзошло или сравнялось с известными результатами. К примеру, на наборе данных со спокойным, стрессовым и радостным состояниями прежний лучший результат составлял 98,55%, а предложенная модель достигла точности в 99,99%. На наборе данных с негативными, нейтральными и положительными эмоциями лучший результат был 95,99%. Новая модель показала точность на уровне 96,49%», — пояснили в Университете Иннополис.
По словам ведущего программиста-математика Исследовательского центра в сфере ИИ Университета Иннополис Дмитрия Каплуна, мониторинг психического здоровья с помощью распознавания эмоций играет важную роль в разработке систем персонализированного здравоохранения и в ранней диагностике депрессии, тревожности и связанных со стрессом расстройств.
«Если существующие подходы к распознаванию эмоций по ЭЭГ с помощью искусственного интеллекта требуют ручного выбора и настройки признаков, плохо обобщаются на разные наборы данных и вычислительно сложны, то наша новая ИИ-архитектура снимает эти ограничения: позволяет получить результат быстрее, точнее и с меньшими вычислительными затратами», — объяснил автор.
