ВЫБОР ЭМОЦИЙ ОПЕРАТОРА В КАЧЕСТВЕ ОБРАТНОЙ СВЯЗИ ДЛЯ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ

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.

Статья по докладу па XVIII Международной Азиатской школе-семинаре «Проблемы оптимизации сложных систем», Киргизия, Иссык-Куль, 20.07.2022-30.07.2022.

Список литературы
1.    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.
2.    Neiberg R. D., Elenins K. Automatic recognition of anger in spontaneous speech /7 Proc, interspeech, Brisbane, Australia, 2008. P. 22-26.
3.    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.
4.    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.
5.    Petrushin V. Emotion recognition in speech signal: experimental study, development, and application, international conference on spoken language processing. 2000. P. 222-225.
6.    Lalitha S., Tripathi S. Emotion detection using perceptual based speech features // IEEE annual India conference (INDICON), Bangalore. 2016. P. 1-5.
7.    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.
8.    Deep reinforcement learning for robust emotion classification in facial expression recognition / H. Li, H. Xu // Knowledge-Based Systems. 2020. N 204.
9.    Michael R. L, Sam E. A Survey on Human Face Expression Recognition Techniques [J] // Journal of King Saud University Computer & Information Sciences, 2018.
10.    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.