АНАЛИЗ РАСПОЗНАВАНИЯ ЭМОЦИЙ НА БАЗЕ МОДЕЛЕЙ ГЛУБОКОЙ КОНВОЛЮЦИОННОЙ НЕЙРОННОЙ СЕТИ

Интерес к распознаванию эмоций на лице растет все больше, и внедряются новые алгоритмы и методы. Последние достижения в области контролируемого и неконтролируемого машинного обучения привели к прорывам в области исследований, и с каждым годом появляется все больше и больше точных систем. Однако, несмотря на значительный прогресс, обнаружение эмоций по-прежнему остается очень сложной задачей. Экспериментальные исследования эмоциональных процессов обычно основаны на наблюдении изображений с аффективным содержанием, включая выражения лица. В статье представлена реализация классификатора эмоциональных выражений  путем обучения алгоритма обнаружения лиц на наборе данных AKDEF фронтальных изображений лиц (  = 4900). Обученная конволюционная нейронная сеть, достигает средней точности обучения по пересечению над объединением 72,7%. Цель исследования состояла в том, чтобы представить нормативные данные относительно распознавания шести выражений лица с эмоциональным содержанием, а также нейтрального выражения лица. с использованием задания с принудительным выбором. В данном исследовании согласие в распознавании между изображенными и выбранными участниками выражениями варьировалось от 70% (для гнева) до 76% (для счастья). В целом, результаты показывают высокий уровень распознавания представленных выражений лица, что свидетельствует о том, что AKDEF обеспечивает адекватные стимулы для исследований, изучающих распознавание выражений эмоций на лице. Пол и возраст участников оказал ограниченное влияние на распознавание эмоций, однако пол модели и возраст требует дополнительного рассмотрения.

1. Liu Yisi, Sourina Olga and Nguyen Minh Khoa, ―Real-Time EEG-Based Emotion Recognition and Its Applications‖, Transactions on Computational Science XII: Special Issue on Cyberworlds, 2011. Рp. 256-277.

2. Stickel Christian, Ebner Martin, Steinbach-Nordmann Silke, Searle Gig and Holzinger Andreas, ―Emotion Detection: Application of the Valence Arousal Space for Rapid Biological Usability Testing to Enhance Universal Access‖, Lecture Notes in Computer Science, 2009. Vol. 5614. Рp. 615-624.

3. Александров А.А., Кирпичников А.П., Ляшева С.А., Шлеймович М.П. Анализ эмоционального состояния человека на изображении // Вестник технологического университета. 2019. Т. 22, № 8. С. 120-123.

4. D. Galati , R. Miceli and B. Sini, ―Judging and coding facial expression of emotions in congenitally blind children‖, International Journal of Behavioral Development, 2001.Vol. 25, No 3. Рp. 268-278.

5. H. A. Elfenbein and N. Ambady, ―On the universality and cultural specificity of emotion recognition: A meta-analysis‖, Psychological Bulletin, 2002, Vol. 128, No 2. Рp. 205-235.

6. Рюмина Е.В., Карпов А.А. Аналитический обзор методов распознавания эмоций по выражениям лица человека // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20, № 2. С. 163-176.

7. Степанова О.А., Ивановский Л.И., Хрящев В.В. Использование глубокого обучения и сверточных нейронных сетей для анализа выражения лица // DSPA: Вопросы применения цифровой обработки сигналов. 2018. Т. 8, № 4. С. 170-173.

8. Livingstone S.R., Russo F.A. The Ryerson audio-visual database of emotional speech and song (RAVDESS): A dynamic, multimodal set of facial and vocal expressions in North American English // PLoS ONE. 2018. Vol. 13, No. 5. Pр. e0196391. DOI:10.1371/journal.pone.0196391

9. Zangeneh Soroush, Morteza & Maghooli, Keivan & Setarehdan, Kamal & Motie Nasrabadi, Ali. (2017). A Review on EEG Signals Based Emotion Recognition. International Clinical Neuroscience Journal. 4. Рр. 118-129.

10. Vahid Kazemi and Josephine Sullivan, ―One millisecond face alignment with an ensemble of regression trees‖, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014. Рp. 1867-1874.

11. Богданова Д. Р., Акушев А. Т. Распознавание эмоций по речевому сигналу // E-Scio. 2021. №. 6 (57). C. 43-52.

12. D. Bertero and P. Fung. A first look into a Convolutional Neural Network for speech emotion detection. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2017. Рp. 5115-5119, DOI: 10.1109/ICASSP.2017.7953131

13. Peres D. Emotional Thin-Slicing: A Proposal for a Short- and Long-Term Division of Emotional Speech. 2017. Рp. 591-595. 10.21437/Interspeech.2017-1719.

14. Горяев В.М., Бембитов Д.Б. и др. Прогнозирование степных пожаров с использованием данных дистанционного зондирования временных рядов Современные наукоемкие технологии. 2020. № 12-1. С. 15-19.

15. Baez John C., Dolan James. Higher-dimensional algebra and topological quantum field theory // Journal of Mathematical Physics. 1995. Vol. 36, No. 11. Pр. 6073-6105.

16. Аггарвал Ч. Нейронные сети и глубокое обучение: учебный курс: Пер. с англ. СПб.: ООО «Диалектика», 2020. 752 с.

17. Wang Kay Ngai et al. Emotion recognition based on convolutional neural networks and heterogeneous bio-signal data sources. Information Fusion. 2022. Vol. 77. Рр.107-117.

18. Сикорский О.С. Обзор свѐрточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. Москва, 2017. No 20. С. 37-42.

19. Goryaev V.M. et al. Development of a statistical forecast model to improve accuracy based on statistical analysis of weather historical data for the kalmyk region // IOP Conference Series: Earth and Environmental Science. International Symposium on Earth Sciences: History, Contemporary Issues and Prospects. 2019. Pp. 012058.