БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

НАУЧНО-ПРАКТИЧЕСКИЕ КОНФЕРЕНЦИИ

<< ГЛАВНАЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 32 | 33 ||

«XVI ВСЕРОССИЙСКАЯ НАУЧНО-ТЕХНИЧЕСКАЯ КОНФЕРЕНЦИЯ с международным участием СБОРНИК НАУЧНЫХ ТРУДОВ ЧАСТЬ 2 РОССИЙСКАЯ АКАДЕМИЯ НАУК М ИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКО Й ...»

-- [ Страница 34 ] --

Для построения искомых правил классификации будем использовать гибридную нейросетевую модель [6], интегрирующую стратегии меха­ низма нечеткого вывода и нейроподобной иерархической структуры [7], отображающей связи между информативными признаками в описаниях объектов классов. Классификатор, построенный на основе нейроподобной иерархической структуры, относится к типу систем обучаемых с учите­ лем, не имеет ограничений на размерность входной информации, что по­ зволяет работать с объектами, заданными любым количеством признаков, которые последовательно переводятся в лингвистическую шкалу.

Методика создания мультимодальной базы эмоций Для проведения исследований сформирована мультимодальная база эмоций, представляющая собой результат интеграции двух биоэлектриче­ ских сигналов - ЭЭГ и речевых сигналов (PC), отображающих изменение знака эмоционального состояния при предъявлении стимулов различного эмоционального окраса.

В эксперименте участвовало 16 человек в возрасте от 18 до 60 лет ( мужчин и 5 женщин). Учитывая тот факт, что одной из главных характе­ ристик является знак эмоции, в работе были использованы видеостимулы, сопровождающиеся звуковыми дорожками (акустическими сигналами) для активизации у людей положительных и отрицательных эмоций [5].

Изменение эмоционального состояния испытуемого подтверждалось субъективной (качественной) и объективной (количественной) оценками.

В качестве субъективной оценки выступает косвенный метод анализа самооценка испытуемого, который описывал по 10 бальной шкале изме­ нение своего эмоционального состояния (до, во время и после завершения предъявления стимулов). Для каждого испытуемого был подобран ряд видеостимулов с учетом его индивидуальных предпочтений, которые ус­ тановлены в результате опроса перед началом проведения эксперимента.

Для объективного подтверждения изменения знака эмоций испытуемого применялась регистрация ЭЭГ по 19 отведениям, позволяющая в режиме реального времени отслеживать изменение электрической активности головного мозга при восприятии стимулов разного знака.

Общая схема эксперимента, включающая серии из двухэтапных испы­ таний, реализована с помощью биотехнической системы (рис. 1).

ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть На первом этапе у испытуемых регистрировалась ЭЭГ (рис. 2) при предъявлении видеостимулов трех серий (всего записано 48 образцов ЭЭГ): 1 - отрицательные эмоции (сцены жестокого обращения над живот­ ными и людьми);

2 - нейтральное состояние(сцены природных ландшаф­ тов);

3 - положительные эмоции (сцены юмористического характера с участием людей и животных).

На втором этапе производилась запись PC (всего зарегистрировано фраз). Испытуемые произносили контрольную фразу «А голос мой звучит примерно так» (регистрация речи осуществлялась в моменты времени, когда дикторы чувствовали изменение эмоционального состояния либо по условному знаку оператора).

Рис. 2. Примеры Э Э Г испы туемого при восприятии видеостимулов:

а - положительные эмоции;

б - нейтральное состояние;

в - отрицательные эмоции В эксперименте применялось аппаратно-программное средство, со­ стоящее из персональных компьютеров с необходимым программным обеспечением и подключенным к ним микрофоном и энцефалографом.

ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть Запись образцов PC осуществлялась при помощи микрофона«Оепш5», расположенного не более 40 см ото рта диктора (частотный диапазон 50 Гц-20 кГц;

импеданс 2,2 кОм;

чувствительность -60±4дБ). Образцы PC, продолжительностью до 3 с, сохранялись в файлах формата РСМ (.wav) с частотой дискретизации 22050 Гц и разрешением 16 бит.

Для съема ЭЭГ использовался компьютерный энцефалографанализатор «Энцефалан-131-03» совместно с пакетом «Encephalon EEG».

Применялась стандартная система отведений «10-20». Запись ЭЭГ произ­ водилась по 19 отведениям (02-А2, O l-A l, Р4-А2, РЗ-А1, С4-А2, СЗ-А1, F4-A2, F3-A1, Fp2-A2, F pl-A l, Т6-А2, Т5-А1, Т4-А2, ТЗ-А1, F8-A2, F7A l, Pz-Al, Cz-A2, Fz-Al). Из каждой записи ЭЭГ удалены аппаратно­ физиологические артефакты [8]. Безартефактные образцы (паттерны) ЭЭГ, продолжительностью по 1 минуте, сохранялись в файлах формата (.ASCII) с частотой дискретизации 250 Гц.

Описание ЭЭГ в признаковом пространстве Для описания образцов ЭЭГ можно применять как гомогенный, так и гетерогенный набор признаков, однако, в обоих случаях необходимо учи­ тывать амплитудно-частотный состав сигнала. Для этого могут быть ис­ пользованы параметры аттрактора и спектральные характеристики.

Для реконструкции аттрактора исследуемый временной ряд xt,...,xt_\ подвергается методу задержки координат [9]:

где N - общее число элементов временного ряда;

т - задержка по време­ ни между элементами временного ряда;

т - размерность вложения.

Значение параметра х выбиралось равным времени первого пересече­ ния нуля автокорреляционной функцией;

значение т - посредством вы­ числения корреляционной размерности [9].

В работе [10] предложен новый признак (усредненный максимальный вектор реконструкции аттрактора по четырем квадрантам Я^ах), опреде­ ляемый по результатам двухмерной проекции:

где i = 1,..., М ;

i - номер образца;

М - общее число образцов;

j = 1,..., 4 ;

j - номер квадранта.

Для анализа и интерпретации биоэлектрических сигналов методами нелинейной динамики реализовано авторское программное средство [11].

ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть Алгоритм построения двухмерной проекции аттрактора ЭЭГ включает следующие шаги:

Шаг1. Выбор и загрузка паттерна ЭЭГ, преобразование временного ряда (переход в отсчеты).

Шаг 2. Определение задержки по времени т между элементами вре­ менного ряда.

Шаг 3. Нахождение размерности вложения т.

Шаг 4. Реконструкция аттрактора временного ряда, преобразование аттрактора (переход к двухмерной проекции).

Шаг 5. Вычисление признака R^Lx по формуле (1).

В качестве спектральных характеристик использованы отсчеты спек­ тральной плотности мощности (СПМ), найденные с применением оконно­ го быстрого преобразования Фурье (БПФ). В работе применялось окно преобразования Хемминга (ширина 128), границы частотного диапазона от 0 до 125 Гц. Каждый объект представляется вектором вида:

где х,- -ордината спектра мощности на частоте /, = Ax i;

х, - соответст­ вует значению i -го признака;

Ах - шаг по частоте;

Ах = f x / F w ;

f x частота дискретизации;

F w - ширина окна БПФ.

Составы выборок приведены в табл. 1 (Class 1,2, 3 - положительные эмоции, нейтральное состояние, отрицательные эмоции, соответственно).

Таблица 1. Структура обучаю щ ей и тестовой выборок Каждый объект ОВ и ТВ представляется описанием следующего вида:

X(z)={xh x2,...,xr }j,{x,, x2,...,x^}2,...,{x1, x2,...,xr },, где A (z ), X( z) - вектора признаков аттрактора и СПМ;

z - номер объек­ та;

z = l,..., 48;

/ - номер отведения;

/ = 1,..., 19;

г - номер признака СПМ;

г = ],..., 62 (шаг расчета СГ1М составляет 2 Гц).

Таким образом, описание объекта вида A(z) включает 95 признаков, а вида X ( z ) - 1178 признаков.

ISBN 976-5-7262-1899-1 НЕЙРОИНФОРМАТИКА-2014. Часть Анализ экспериментальной выборки ЭЭГ выявил довольно сложную структуру как ОВ, так и ТВ. Ни один из приведенных классов (Class 1, Class 2 и Class 3) линейно не разделим с двумя другими;

наблюдается си­ туация пересечения классов с размытыми границами. Наблюдается высо­ кая дисперсия значений признака (Vz) х, е X( z ) у объектов, лежащих на пересечений классов. Не менее 50 % объектов Class 2 и Class 3 оказались на границе пересечения классов.

Предварительные исследования показали возможность выделения из ЭЭГ двух наиболее информативных отведений (F4-A2,F8-A2), позволяю­ щих обеспечить хороший уровень обобщения и уточнения описания объ­ ектов в классах. В итоге, каждый объект ОВ и ТВ представляется в виде вектора из 10 признаков аттрактора ( A ( z) ) и описания из 124 признаков СПМ ( X ( z ) ).

Аналогичный подход применялся для формирования признаковых описаний речевых образцов [5].

построения нейроподобного иерархического классификатора Алгоритм генерации нейроподобной иерархической структуры (НИС) подробно описан в работах [12, 13]. НИС реализована в виде ориентиро­ ванного ациклического графа в ярусно параллельной форме. Для построе­ ния НИС использованы основные положения модели растущей пирами­ дальной сети [14], которая позволяет создавать хорошо интерпретируемые описания классов. Основными этапами работы алгоритма являются:

Этап I. Фазификация описаний объектов ОВ.

Этап 2. Построение НИС.

Этап 3. Параметрическая настройка НИС на структуру ОВ.

Этап 4. Формирование описаний гипотез классификационных правил.

Этап 5. Верификация гипотез правил.

Этап 6. Корректировка гипотез, формирование рабочих правил.

Классификатор (рис. 3) реализован на языке C# 3.0 для среды испол­ нения.NET Framework 3.5.

Ядро классификатора (модули фазификации, генерации НИС, выделе­ ния описаний классов из НИС, нечеткого логического вывода) инвариант­ но к предметной области и рассматривается как универсальный компо­ нент. Настройка на предметную область заключается в создании модуля предобработка объектов, решающего задачи: фильтрации, нормализации, ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть расчета СПМ, реконструкции аттрактора и формирования вектора вто­ ричных признаков на основе аттрактора.

В соответствии с постановкой задачи созданы варианты классифика­ торов знака эмоций по образцам речи К(ОВ1) и по образцам ЭЭГ К(ОВ2).

Тестирование классификатора К(ОВ2) проводилось по ОВ и ТВ, ко­ торые не пересекались. На основе анализа ОВ созданы варианты НИС, получены правила классификации объектов классов. Применение правил классификации к экспериментальной выборке иллюстрирует табл. 2.

Число объектов из {Class 1 }—{Class 3} Число объектов из {Class 2} — {Class 1} Число объектов из {Class 2 } —{Class 3} Число объектов из {Class 3 } —{Class 1} Число объектов из {Class 3 } —{Class 2} Полученные результаты исследований показали приемлемую точность классификации образцов ЭЭГ (Class 1, Class 2, Class 3) в соответствии со знаком порождаемой эмоции при разных способах описания объектов классов (атграктор и СПМ).

Применение набора вторичных признаков A (z), рассчитанного на ос­ нове реконструкции аттрактора, позволяет снизить ошибку классифика­ ции в два раза по сравнению с ситуацией, когда объекты представлены вектором признаков X ( z ), сформированным по спектрам мощности.

Следует особо отметить тот факт, что классификатор безошибочно разделяет два крайних класса (Class 1 и Class 3), ошибки возникают при попытке разделить объекты из Class 2 и Class 3 или объекты из Class 2 и Class 1.

Результаты исследования классификатора К(ОВ1) подтверждают вы­ воды, полученные для К(ОВ2). Объединение результатов работы двух классификаторов показывают, что неправильно распознанные речевые образцы и паттерны ЭЭГ принадлежат одним и тем же испытуемым.

Проведенные исследования показали возможность применения НИС для классификации биоэлектрических сигналов, зарегистрированных при подаче испытуемому стимулов, вызывающих отклики разного эмоцио­ нального знака.

Полученные результаты доказывают эффективность формирования признаков на основе реконструкции аттракторов по двум отведениям ЭЭГ для дифференциации знака эмоций.

Набор сгенерированных классификационных правил, отображающих закономерности в структуре НИС, в большинстве случаев согласуется по форме с логическими выводами, сделанньми экспертом при анализе этих же выборок.

1. Rangayyan R.M. B iom edical signal analysis: a case-study approach / IEEE Press and W iley. N Y, 2002.

2. Карпов В.Э. Эмоции роботов // X ll национальная конференция по искусст­ венному интеллекту с международным участием КИИ -2010: Труды конференции.

Т.З. М: Физматлит, 2010. С. 354-368.

3. Давыдов А.Г., Киселев В.В., Кочетков Д.С. Классификация эмоционально­ го состояния диктора по голосу: проблемы и решения // Труды международной конференции «Диалог 2011». М.: РГТУ, 2011. С. 178-185.

ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть 4. Soleym ani М., Koelstra S., Patras I., Pun T. Continuous em otion detection in re­ sponse to m usic videos // In conjunction with the IEEE FG. 2011. PP. 8 0 3 -8 0 8.

5. Филатова, H.H., Сидоров К.В. М одель интерпретации эмоций в речи // Тру­ ды К онгресса по интеллектуальным системам и информационным технологиям «IS& ITT3». Н аучное издание в 4 томах. М.: Физматлит, 2013. Т. 1. С. 9 8 -1 0 5.

6. Колесников А.В.Гибридны е интеллектуальные системы: Теория и техн оло­ гия разработки. СПб.: СПбГТУ, 2001.

7. Ханеев Д.М., Филатова Н.Н. Пирамидальная сеть для классификации объ­ ектов, представленных нечеткими признаками // Известия Ю ФУ. Технические науки. 2012. № 9 (134). С. 45^19.

8. Сидоров К.В., Филатова Н.Н. Автоматическая локализация аппаратно­ физиологических артефактов электроэнцефалограмм. Свидетельство о государст­ венной регистрации программы для Э ВМ № 2013619055 зарегистрировано в Рее­ стре программ для Э В М 24.09.2013. М.: ФГУ ФИПС, 2013.

9. Горшков В.А., Касаткин С.А. Идентификация временных рядов авиацион­ ных событий методами и алгоритмами нелинейной динамики. - М.: Бланк Дизайн, 2008.

10. Сидоров К.В., Филатова Н.Н. Автоматическое распознавание эмоций чело­ века на основе реконструкций аттракторов образцов речи // Программные системы и вычислительные методы, 2012. №1 (1). С. 6 7 -7 9.

11. Сидоров К.В., Ханеев Д.М., Филатова Н.Н. Интерпретатор двухмерны х проекций аттракторов биоэлектрических сигналов. Свидетельство о государствен­ ной регистрации программы для Э В М № 2013618634 зарегистрировано в Реестре программ для Э В М 12.09.2013. М.: ФГУ ФИПС, 2013.

12. Филатова Н.Н., Х анеев Д.М. Н ейроподобны й классификатор дыхательных ш умов, заданных нечеткими признаками //X V Всероссийская научно-техническая конференция «Н ЕЙРО ИН Ф О РМ АТИ КА-2013»: Сборник научных трудов в 3-х частях. Ч. 3. М.: НИЯУ М ИФИ, 2013. С. 2 3 1 -2 3 9.

13. Филатова Н.Н., Ханеев Д.М. П остроение правил классификации для био­ технических систем //VII М еждународная научно-практическая конференция «И н­ тегрированные модели и мягкие вычисления в искусственном интеллекте»: сбор­ ник научных трудов в 3-х томах. М.: Физматлит, 2013. Т. 3. С. 1153-1158.

14.Гладун В.П. Растущ ие пирамидальные сети // Новости искусственного ин­ теллекта, 2004. № 1. С. 30— 40.

ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть

ИМЕННОЙ УКАЗАТЕЛЬ АВТОРОВ

Архипов В. И. Афонников Д.А. Базян А. С. Белов Д. Е. Вишневский О. В. ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть Орлов Ю. Л. Парин С. Б. Персианцев И. Г. Першина Е\ В. Пигарев И. Н. Полевая С. А. 51, РедькоВ. Г. Родригеш С. Рудинекий А. В. Сафронова Н. С. Сидоров К. В. Сонькин К. М. Сохова 3. Б. Спицина А. М. Спицын В. Г. Станкевич Л. А. Суслов В. В. Суслова И. Б.

XV I ВС Е РО С С И Й С К А Я

Н А У Ч Н О -Т Е Х Н И Ч Е С К А Я К О Н Ф Е РЕ Н Ц И Я

Л Е К Ц И И Ш К О Л Ы -С Е М И Н А РА

«С О В РЕ М Е Н Н Ы Е П РО Б Л Е М Ы Н Е Й РО И Н Ф О РМ А Т И К И »

1. КОШУР в. д.

Сибирский федеральный университет, Красноярск Методы глобальной оптимизации и повышение адаптивных свойств вычисли' тельных алгоритмов. Интеллектуализация поиска экстремумов 2. МАКАРЕНКО Н. Г.

Г павная астрономическая обсерватория РАН, Санкт-Петербург Как увидеть геометрию в облаке точек?

3. ГАЛУШКИН А. И.

Московский физико-технический институт (государственный университет) На пути к нейрокомпьютерам с использованием мемристоров 4. РАТУШ НЯК А. С., ПРОСКУРА А. Л., ЗАПАРА Т. А.

Конструкторско-технологический институт вычислительной техники СО РАН, Новосибирск Структурно-функциональные свойства нейрона и перспективы когнитивных исследований и разработок 5. НУЙДЕЛЬ И. В.1, СОКОЛОВ М. Е.1, КУЗНЕЦОВА Г. Д.2, ЯХНО В. Г. 1Институт прикладной физики РАН, Нижний Новгород 2Институт высшей нервной деятельности и нейрофизиологии РАН, Москва Моделирование динамических процессов преобразования сенсорных сигна­ лов в таламо-кортикальных сетях 6. РОМАНОВСКИЙ Ю. М.1, КАРГОВСКИЙ А. В.1, ТРИФОНЕНКОВ В. П.2, ТРИФОНЕНКОВ А. В. 1Московский государственный университет им. М.В. Ломоносова 2Национальный исследовательский ядерный университет «МИФИ», Москва Стохастическая динамика внутринейронного транспорта 7. ПАРИН С. Б., ПОЛЕВАЯ С. А.

Нижегородский государственный университет им. Н И. Лобачевского Информация и управление в живых системах 8. ВВЕДЕНСКИЙ В. Л.

Национальный исследовательский центр «Курчатовский институт», Москва Высокая четкость магнитных сигналов коры мозга человека 9. ТЕРЕХО В С. А.

ООО «Нейрок Техсофт», Москва Перечитывая Лео Бреймана

XVI В С Е РО С С И Й С К А Я

Н А У Ч Н О -Т Е Х Н И Ч Е С К А Я К О Н Ф Е РЕ Н Ц И Я

П Л Е Н А РН Ы Е Д О К Л А Д Ы

1. ПАВЛОВСКИЙ В. Е.

Институт прикладной математики им. М. В. Келдыша РАН, Москва Биологически инспирированные нейро-навигационные системы с внутренни ми и внешними измерениями для шагающих роботов 2. КАРПОВ В. Э.

Национальный исследовательский университет «Высшая школа экономики», Москва Эмоции и темперамент роботов. Поведенческие аспекты 3. Ж ДАНОВ А. А.

Институт точной механики и вычислительной техники им. С.А. Лебедева РАН, Москва Состояние и перспективы развития метода автономного адаптивного управ­ ления 4. ЮЩЕНКО А. С.

Московский государственный технический университет им. Н.Э. Баумана Управление мобильными роботами с использованием нейро-нечетких сетей

XVI ВСЕРОССИЙСКАЯ НАУЧНО-ТЕХНИЧЕСКАЯ КОНФЕРЕНЦИЯ

СБОРНИК НАУЧНЫХ ТРУДОВ

СЕКЦИЯ 1 Теория нейронных сетей СЕКЦИЯ 2 Адаптивное поведение и эволюционное моделирование СЕКЦИЯ 3 Нейробиология. Теория нейронных сетей

КАЛЕЙДОСКОП ИДЕЙ

СТЕНДОВАЯ СЕССИЯ 1 Теория нейронных сетей.

Нейробиология. Адаптивное поведение и эволюционное моделирование Нейронные сети и когнитивные науки СЕКЦИЯ 5 Нейросетевые системы обработки данных, распознавания образов и управления СЕКЦИЯ 6 Нейронные сети и когнитивные науки СТЕНДОВАЯ СЕССИЯ 2 Нейросетевые системы обработки данных, распознавания образов и управления СЕКЦИЯ 7 Нейросетевые системы обработки данных, распознавания образов и управления

ЛЕКЦИИ ПО НЕЙРОИНФОРМАТИКЕ

по материалам школы-семинара

«СОВРЕМЕННЫЕ ПРОБЛЕМЫ НЕЙРОИНФОРМАТИКИ»



Pages:     | 1 |   ...   | 32 | 33 ||
 


Похожие материалы:

«ПРОБА ПЕРА ЕСТЕСТВЕННЫЕ И МАТЕМАТИЧЕСКИЕ НАУКИ Новосибирск, 2012 г. УДК 50 ББК 2 П78 П78 Проба пера Естественные и математические науки: материалы II школьной международной заочной научно-исследовательской конференции. (29 ноября 2012 г.) — Новосибирск: Изд. СибАК, 2012. — 346 с. ISBN 978-5-4379-0177-9 Сборник трудов II школьной международной заочной научно-исследова- тельской конференции. Проба пера Естественные и математические науки это прекрасная возможность для школьников сделать рывок в ...»






 
© 2013 www.kon.libed.ru - «Бесплатная библиотека научно-практических конференций»