Nositelná zařízení a strojové učení pro zlepšení motivace běžců z efektivního pohledu, část 2

3.5. Budování modelů rozpoznávání

Cílem je nyní sestavit popsané klasifikační modely a porovnat jejich výkonnost pro výběr nejlepšího přístupu pro rozpoznávání emocí. Bylo zvažováno pět typů algoritmů strojového učení: K-nejbližší sousedé (KNN), náhodný les (RF), vícevrstvý perceptron (MLP), lineární podpůrný vektorový klasifikátor (LSVC) a zesílení gradientu (GB). Některé z těchto algoritmů byly již dříve použity s dobrými výsledky při rozpoznávání emocí [60,62,67]. Nicméně jsme také zvážili možnost, že použití jedinečného algoritmu není nejlepší možností pro vytváření různých klasifikačních modelů. Proto je také studován nejlepší algoritmus strojového učení pro každý konkrétní model.

Klikněte na chronickou únavu

【Další informace:george.deng@wecistanche.com / WhatsApp:{0}}】

Před porovnáním různých algoritmů byly kandidátské modely trénovány aplikací různých permutací vlastností a různých konfigurací hyperparametrů, aby se nalezla nejlepší možnost z hlediska klasifikace. Vyhodnocení konfigurací bylo provedeno pomocí náhodného vyhledávacího algoritmu poskytnutého Scikit Learn [68] a školení pomocí opakovaného 5-násobného křížového ověření. Použití tohoto validačního přístupu je zvláště důležité, když jsou modely sestaveny z malých souborů dat, jako v tomto případě, protože se vyhne provádění testu se špatně reprezentativními vzorky. Opakovaná křížová validace redukuje chyby překrytí způsobené prací s těmito malými datovými sadami a zlepšuje výkon modelů.

Tabulka 3 ukazuje výsledky získané pro různé možnosti klasifikace (4-Třída a Veselý/Smutný/Agresivní/Uvolněný). Pro každý z nich bylo použito pět algoritmů strojového učení k vytvoření odpovídajícího modelu rozpoznávání (druhý sloupec tabulky). Tyto modely byly nakonfigurovány s optimálním zadáním vlastností (třetí sloupec tabulky) a hyperparametrů. Poté byly pro různá řešení vypočteny čtyři klasifikační metriky obvykle používané při hodnocení modelů: Přesnost, F1, Přesnost a Vyvolání (od čtvrtého do sedmého sloupce). Zajímá nás zejména analýza výsledků F1-skóre, které se počítají z metrik přesnosti a vybavitelnosti. F1-skóre poskytuje spolehlivou míru, když je datová sada použitá pro vytváření modelů nevyvážená, jako v tomto případě. Soubor dat použitý v této práci obsahuje 25 % pozitivních vzorků (emoce, která má být rozpoznána) a 75 % negativních vzorků (zbytek emocí), a proto by skóre přesnosti mohlo poskytnout příliš optimistický odhad schopnosti klasifikace na většinová třída. Nakonec, po analýze klasifikačních metrik, byl nejlepší model strojového učení zvýrazněn zelenou barvou.

V případě vícetřídního klasifikačního modelu ({{0}}Třída, možnost 1) jsou výsledky F1-skóre pěti vytvořených modelů velmi špatné. Náhodný model lesa se mírně odlišuje od ostatních se skóre F1- 0,288, ale obecně jsou výsledky velmi podobné (zdá se, že korelují s počtem tříd, které modely rozpoznávají) . Proto je rozpoznávací kapacita těchto modelů nižší, než je žádoucí pro určení emocí uživatele.

V případě možnosti 2 se použití jiného algoritmu strojového učení pro rozpoznání emocí patřících do každého Russellova kvadrantu zdá být dobrou volbou; konkrétněji byly vybrány modely k-nejbližších sousedů pro rozpoznání kvadrantů Smutný a Uvolněný a modely náhodného lesa pro kvadranty Šťastný a Agresivní. F1-skóre vybraných modelů má hodnotu mezi 0,61 a 0,65. Výsledky této druhé možnosti zlepšují výsledky získané v 4-třídním přístupu. Ačkoli se tyto výsledky mohou zdát nízké, pokud jde o to, co je žádoucí v problémech strojového učení, jsou podobné výsledkům získaným v jiných návrzích rozpoznávání emocí založených na fyziologických datech [60,62].

4. DJ-Running: Aplikace založená na emocích pro doporučování hudby

Cílem projektu DJ-Running je zvýšit motivaci běžců prostřednictvím hudby Spotify. Nositelné modely a modely strojového učení uvedené v předchozích částech se používají k určení emocí běžců během jejich tréninků. Tyto emoce jsou pak analyzovány, aby se v každém okamžiku vybraly skladby, které se mají hrát.

Obrázek 4 ukazuje celkový přehled technologických komponent zapojených do konečného řešení. Jak je znázorněno na levé straně obrázku, běžcovo vybavení se skládá z nositelného zařízení a mobilní aplikace, která během tréninku přehrává doporučené skladby. Nositelné zařízení monitoruje fyziologické parametry běžce a pravidelně je odesílá do aplikace prostřednictvím připojení Bluetooth. Aplikace tato data ze senzorů interně zpracovává, aby odvodila emoce běžce, podle těchto emocí určí skladby, které se mají hrát, a spojí se se streamovací službou Spotify, aby je přehrála.

Aplikace se skládá ze čtyř softwarových modulů: komunikační komponenty, komponenty pro zpracování dat, systému rozhodování založeného na emocích a doporučování hudby založené na emocích. První dvě součásti jsou zodpovědné za správu bezdrátové komunikace s nositelným zařízením, přijímání dat ze senzorů a filtrování těchto dat před jejich uložením do místního úložiště. Filtrování je založeno na procesu popsaném na obrázku 3 a jeho cílem je extrahovat odpovídající vlastnosti (statistické vlastnosti a vlastnosti související s událostmi) z přijatých dat. Další dva moduly jsou zodpovědné za rozpoznání emocí běžce a za přehrávání motivační hudby na základě těchto emocí, resp. Technické detaily těchto dvou systémů jsou popsány v následujících odstavcích.

Systém rozhodování založený na emocích integruje čtyři binární modely klasifikace popsané v části 3. Tyto modely určují emoce, které běžec pravděpodobně pociťuje v určitém časovém intervalu (každé 30 sekundy) z dat nositelných zařízení. Například výstup ((pravda, nepravda, nepravda, nepravda), (0.71, 0.{{10}}3, 0.13 , 0.33))) představuje, že se běžec cítí šťastný s pravděpodobností 0.71. Pravděpodobnosti smutné, agresivní a uvolněné (0,03, 0,13 a 0,33, v tomto pořadí) jsou nižší než klasifikační práh, a proto je pocit běžce klasifikován jako nesmutný, neagresivní a neuvolněný. Posloupnost emocí, která je rozpoznána během tréninku, umožňuje systému definovat náladu běžce a emoční změny, kterými během této doby trpí. Tyto afektivní informace jsou pak použity k určení emocí, které mají být v běžci vyvolány prostřednictvím hudby. Například, když je běžec ve stresu, systém by měl rozhodnout, že přehrávané skladby by měly být relaxační. Poté, jakmile se uvolní, systém navrhne, že písně by měly být motivovány tak, aby měly pozitivní vliv na náladu běžce. Tato rozhodnutí založená na emocích jsou prováděna motorem založeným na pravidlech. Integruje soubor pravidel, která byla definována ve spolupráci s běžci v rámci projektu DJ-Running. Kompletní popis metody použité k určení těchto pravidel lze nalézt v [46].

Hudební doporučovatel na základě emocí určuje konkrétní skladby, které se mají v mobilní aplikaci přehrát, na základě emocí navržených osobou s rozhodovací pravomocí. Doporučující vyžaduje databázi skladeb, které byly dříve označeny z emocionálního hlediska. V této práci byla tato databáze vytvořena (a pravidelně aktualizována) ze služeb dostupných v infrastruktuře RIADA [47]. RIADA nabízí úložiště afektivních štítků, které určují emoci, kterou pravděpodobně každá skladba Spotify v posluchači vyvolá (označeno bylo více než 50 milionů skladeb).

Pravá strana obrázku 4 poskytuje přehled komponent RIADA, které se podílely na tvorbě štítků. Tyto štítky jsou také založeny na Russellově afektivním modelu a byly určeny z metadat písní a zvukových funkcí. Systém vyhledávání hudebních dat spolupracuje s platformou Spotify orientovanou na služby, aby získal přístup ke svému katalogu skladeb a metadatům a zvukovým funkcím těchto skladeb. Poté systém rozpoznávání hudebních emocí automaticky určí emoce produkované každou skladbou z jejích zvukových funkcí. Tyto emoce jsou převedeny do štítků, které jsou uloženy v databázi infrastruktury RIADA. Rozpoznávání hudebních emocí je založeno na technikách strojového učení a bylo naprogramováno tak, aby podporovalo rozsáhlé anotační procesy, jak bylo podrobně popsáno v [47]. Nakonec infrastruktura publikuje API, které aplikacím umožňuje přístup k její databázi označených skladeb.

Jádrem hudebního doporučení založeného na emocích je algoritmus nejbližších sousedů, který pracuje s místní databází labelů, aby našel kandidátské skladby k přehrání. Doporučující vytváří prostor pro vyhledávání ze zvukových funkcí písní a emocionálních štítků obsažených v databázi. Každý bod prostoru koresponduje s konkrétní písní. Když je přijata žádost o nové doporučení, doporučující převede vstupní emoci (emoci, kterou má běžec vytvořit) do vyhledávacího bodu v prostoru. Tento překlad je vypočítán použitím regresních modelů založených na zvukových vlastnostech písní a efektech, které některé z těchto funkcí mohou vyvolat v posluchačích z emocionálního hlediska. Poté se použije sousedský algoritmus k nalezení sady kandidátských skladeb (skladeb blízko místa hledání). Tito kandidáti jsou následně filtrováni, aby se zahodily podobné skladby nebo aby se odstranily skladby, které neodpovídají preferencím běžce. Tyto preference jsou definovány uživatelem aplikace během procesu instalace a zahrnují hudební žánry, styly a desetiletí zájmu.

5. Závěry a budoucí práce

V tomto článku byl představen prototyp produktu, který rozpoznává emoce mobilních uživatelů v reálném čase. Skládá se z kompletního výsledku inženýrství, které kombinuje lidi, nositelná zařízení, techniky strojového učení, mobilní výpočetní techniku ​​a řešení založená na službách. Řešení bylo navrženo tak, aby bylo snadno integrovatelné do mobilních aplikací, kde hraje relevantní roli afektivní složka uživatelů. Rozpoznávání emocí na základě sebehodnotících dotazníků má některé nevýhody: uživatelé nejsou vždy schopni vyjádřit, jak se cítí, může to být pro uživatele únavné nebo není použitelné pro určité typy problémů (např. pohyb). Z těchto důvodů se rozpoznávání v reálném čase ukazuje jako velmi zajímavá alternativa. Kromě toho možnost přístupu k nezpracovaným datům senzorů umožňuje programování dalších znalostních modelů založených na fyziologických datech nebo řešeních pro dolování dat, které pomáhají porozumět afektivnímu chování uživatelů.

Z technického hlediska se řešení skládá z nositelného zařízení a sady rozpoznávacích modelů. Nositelné zařízení je prototyp speciálně navržený pro běžce, s jednoduchým hardwarem a nízkými výrobními náklady ve srovnání s komerčními zařízeními. Modely rozpoznávání emocí jsou založeny na algoritmech strojového učení. Z dat senzoru EDA byly extrahovány různé vlastnosti a vyhodnoceny, aby se určil jejich význam v procesu rozpoznávání emocí. Poté byly hodnoceny dva různé klasifikační přístupy: vícetřídní klasifikační model versus čtyři binární klasifikační modely. Výsledky prvního přístupu nebyly tak dobré, jak se očekávalo po zvážení různých permutací vlastností a různých konfigurací hyperparametrů. Druhý přístup se ukázal jako lepší varianta, když byly pro odvození emocí zkombinovány algoritmy náhodného lesa a K-nejbližších sousedů.

Navrhované řešení bylo integrováno do mobilní aplikace DJ-Running, aby se otestovala jeho použitelnost na skutečný problém. V tomto případě byly emoce použity k regulaci nálady běžců prostřednictvím hudby v závislosti na fyzické aktivitě, kterou vykonávali, a na prostředí, ve kterém trénovali.

V rámci budoucí práce nás na jedné straně obzvláště zajímá využití výsledků tohoto výzkumu k dosažení řešení blíže produktu ve střednědobém horizontu. Vyžaduje to v první řadě vylepšení nositelného hardwaru, aby se zmenšila jeho velikost, a integrace nových senzorů, které jsou užitečné pro zlepšení rozpoznávání emocí. Kromě toho budou muset být data těchto senzorů zpracována, aby se získaly nové funkce, které umožní sestavení přesnějších modelů rozpoznávání. Na druhou stranu bychom rádi výsledky znovu použili pro jiné aplikační domény, například zdraví, wellness nebo zábavu. V těchto doménách budou emoce a data z jiných chytrých zařízení (například instalovaných v domácnosti nebo nošených uživatelem) pravděpodobně kombinovány za účelem získání znalostí, které pomohou vytvořit nové zkušenosti zaměřené na uživatele.

Příspěvky autora:Software, JGdQ; Vyšetřování, SB, JRB a P.Á. Všichni autoři si přečetli publikovanou verzi rukopisu a souhlasí s ní.

Financování:Tento výzkum byl podpořen projekty PDC2021-121072-C22, TED2021-130374B-C22 a RTI{5}}B-C31 udělenými španělským Ministerio de Economía y Competitividad a DisCo- Projekty T21-20R a Affective-Lab-T60-20R udělené aragonskou vládou.

Prohlášení institucionální revizní komise:Nelze použít.

Prohlášení o informovaném souhlasu:Nelze použít.

Prohlášení o dostupnosti dat:Nelze použít.

Střet zájmů:Autoři neprohlašují žádný střet zájmů.

Reference

1. Vijayan, V.; Connolly, JP; Condell, J.; McKelvey, N.; Gardiner, P. Přehled nositelných zařízení a úvahy o sběru dat pro připojené zdraví. Senzory 2021, 21, 5589. [CrossRef] [PubMed]

2. Wang, H. Výzkum aplikace bezdrátových nositelných snímacích zařízení v interaktivní hudbě. J. Sensors 2021, 2021, 7608867. [CrossRef]

3. Olson, J.; Redkar, S. Průzkum nositelných senzorových sítí ve zdraví a zábavě. Aplikace MOJ Bionika Biomech 2018, 2, 280–287. [CrossRef]

4. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Nositelné senzory pro sledování fyziologického a biochemického profilu sportovce. Číslo NPJ. Med. 2019, 2, 72. [CrossRef]

5. Liu, L.; Zhang, X. Soustředěný přehled o flexibilních nositelných senzorech pro sport: Od kinematiky k fyziologii. Micromachines 2022, 13, 1356. [CrossRef]

6. Nithya, N.; Nallavan, G. Role nositelných zařízení ve sportu na základě rozpoznávání aktivity a biometrických parametrů: Průzkum. In Proceedings of the 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS), Coimbatore, India, 25–27 March 2021; s. 1700–1705.

7. Mencarini, E.; Rapp, A.; Tirabeni, L.; Zancanaro, M. Navrhování nositelných systémů pro sport: Přehled trendů a příležitostí v interakci člověk-počítač. IEEE Trans. Hum.-Mach. Syst. 2019, 49, 314–325. [CrossRef]

8. Duarte, MB; da Costa Moraes, AA; Ferreira, EV; da Silva Almeida, GC; Cabral, AdS; de Athayde Costa e Silva, A.; Garcez, DR; da Silva Souza, G.; Callegari, B. Nositelný inerciální senzorový přístup pro hodnocení posturálního přizpůsobení během předvídatelných poruch ve sportu. Senzory 2022, 22, 8272. [CrossRef]

9. McCarthy, PJ Pozitivní emoce ve sportovním výkonu: Současný stav a budoucí směřování. Int. Rev. Sport Exerc. Psychol. 2011, 4, 50–69. [CrossRef]

10. Lane, AM; Devonport, TJ; Friesen, AP; Beedie, CJ; Fullerton, CL; Stanley, DM Jak bych měl regulovat své emoce, když chci běžet rychleji? Eur. J. Sport Sci. 2016, 16, 465–472. [CrossRef]

11. Lazarus, RS Jak emoce ovlivňují výkon v soutěžních sportech. Sport Psychol. 2000, 14, 229–252. [CrossRef]

12. Wagstaff, ČR; Tamminen, KA Emoce. Stres, pohoda a výkon ve sportu; Routledge, Taylor and Francis Group: Londýn, Spojené království, 2021; s. 97–112.

13. Prapavessis, H. POMS a sportovní výkon: Přehled. J. Appl. Sport Psychol. 2000, 12, 34–48. [CrossRef]

14. Saganowski, S.; Dutkowiak, A.; Dziadek, A.; Dzie ˙zyc, M.; Komoszy ´nska, J.; Michalská, W.; Polák, A.; Ujma, M.; Kazienko, P. Rozpoznávání emocí pomocí nositelných zařízení: Systematický přehled literatury – rozpracovaná práce. In Proceedings of the 2020 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops), Austin, TX, USA, 23.–27. března 2020; str. 1–6.

15. Szwoch, W. Rozpoznávání emocí pomocí fyziologických signálů. In Proceedings of the Multimedia, Interaction, Design and Innovation, Varšava, Polsko, 29.–30. června 2015; str. 1–8.

16. Gunes, H.; Schuller, B. Analýza kategoriálních a rozměrových vlivů v kontinuálním vstupu: Současné trendy a budoucí směry. Obrázek Vis. Počítat. 2013, 31, 120–136. [CrossRef]

17. Azhar, M.; Nelson, T.; Casey, A. Použití nositelné technologie k měření emočních reakcí mezi tenisty. In Sborník z mezinárodní konference EAI o technologiích, inovacích, podnikání a vzdělávání; Springer: Berlín/Heidelberg, Německo, 2017; s. 91–105.

18. Havlucu, H.; Akgun, B.; Eskenazi, T.; Coskun, A.; Ozcan, O. Toward Detection the Zone of Elite Tennis Players through Wearable Technology. Přední. Sport. Akt. Living 2022, 4, 939641. [CrossRef]

19. Bi, T.; Bianchi-Berthouze, N.; Singh, A.; Costanza, E. Porozumění sdílené zkušenosti běžců a diváků při akcích v běhu na dlouhé vzdálenosti. In Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, Glasgow, Spojené království, 4.–9. května 2019; s. 1–13.

20. Dupré, D.; Bland, B.; Bolster, A.; Morrison, G.; McKeown, G. Dynamický model emocí sportovců založený na nositelných zařízeních. In Sborník příspěvků z mezinárodní konference o aplikovaných lidských faktorech a ergonomii; Springer: Berlin/Heidelberg, Německo, 2017, s. 42–50.

21. Dupré, D.; Andelic, N.; Moore, DS; Morrison, G.; McKeown, GJ Analýza fyziologických změn souvisejících s emocemi během zipline aktivity. Sport. Ing. 2020, 23, 1–11. [CrossRef]

22. Rao, P.; Seshadri, DR; Hsu, J. Současné a potenciální aplikace nositelných zařízení ve sportovní kardiologii. Curr. Zacházet. Možnosti Cardiovasc. Med. 2021, 23, 1–15. [CrossRef]

23. Chen, J.; Abbott, M.; Shieh, JS Detekce bolesti a stresu pomocí nositelných senzorů a zařízení – recenze. Senzory 2021, 21, 1030. [CrossRef]

24. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Nositelné senzory pro sledování vnitřní a vnější zátěže sportovce. Číslo NPJ. Med. 2019, 2, 7608867. [CrossRef]

25. Juslin, PN; Sloboda, J. Příručka hudby a emocí: Teorie, výzkum, aplikace; Oxford University Press: Oxford, Spojené království, 2011.

26. Schaefer, ON Emoce vyvolané hudbou – aktuální studie. Přední. Neurosci. 2017, 11, 600. [CrossRef]

27. Uhlig, S.; Jaschke, A.; Scherder, E. Účinky hudby na regulaci emocí: Systematický přehled literatury. In Proceedings of the 3rd International Conference on Music & Emotion, Jyväskylä, Finsko, 11.–15. června 2013.

28. Huang, J.; Li, X. Účinky a aplikace muzikoterapie na psychické zdraví: Přehled. In Proceedings of the 2021 International Conference on Public Art and Human Development (ICPAHD 2021), Kunming, Čína, 24.–26. prosince 2021; s. 984–989.

29. Baird, A.; Samson, S. Paměť pro hudbu u Alzheimerovy choroby: Nezapomenutelná? Neuropsychol. Rev. 2009, 19, 85–101. [CrossRef]

30. Stephenson, R.; Beddoes, Z.; Otterson, S.; Rugen, J. Založené praktické aplikace pro využití hudby ke zvýšení motivace a fyzické aktivity v tělesné výchově. Strategie 2022, 35, 17–22. [CrossRef]

31. Scherer, KR Jaké emoce může hudba vyvolat? Jaké jsou základní mechanismy? A jak je můžeme měřit? J. New Music Res. 2004, 33, 239–251. [CrossRef]

32. Juslin, PN Musical Emotions Explained: Unlocking the Secrets of Musical Affect; Oxford University Press: Cary, NC, USA, 2019.

33. Kim, J.; André, E. Rozpoznávání emocí na základě fyziologických změn při poslechu hudby. IEEE Trans. Anální vzor. Mach. Intell. 2008, 30, 2067–2083. [CrossRef] [PubMed]

34. Ayata, D.; Yaslan, Y.; Kawasaki, ME Systém doporučení hudby založený na emocích využívající nositelné fyziologické senzory. IEEE Trans. Spotřeba. Elektron. 2018, 64, 196–203. [CrossRef]

35. Eerola, T.; Vuoskoski, JK Srovnání diskrétních a dimenzionálních modelů emocí v hudbě. Psychol. Hudba 2011, 39, 18–49. [CrossRef]

36. Karageorghis, CI; Ekkekakis, P.; Bird, JM; Bigliassi, M. Hudba v oblasti cvičení a sportu: Koncepční přístupy a základní mechanismy. In The Routledge Companion to Embodied Music Interaction; Routledge: Londýn, Spojené království, 2017; s. 284–293.

37. Terry, PC; Karageorghis, CI; Curran, ML; Martin, OV; Parsons-Smith, RL Účinky hudby při cvičení a sportu: metaanalytický přehled. Psychol. Býk. 2020, 146, 91. [CrossRef]

38. Čaturvedi, V.; Kaur, AB; Varshney, V.; Garg, A.; Chhabra, GS; Kumar, M. Rozpoznávání hudební nálady a lidských emocí na základě fyziologických signálů: Systematický přehled. Multimédia. Syst. 2022, 28, 21–44. [CrossRef]

39. Brandt, N.; Razon, S. Vliv samostatně vybrané hudby na afektivní reakce a běžecký výkon: Směry a důsledky. Int. J. Exerc. Sci. 2019, 12, 310–323.

40. Hutchinson, JC; Jones, L.; Vitti, SN; Moore, A.; Dalton, PC; O'Neil, BJ Vliv samostatně zvolené hudby na ovlivněním regulované intenzity cvičení a zapamatovaného potěšení během běhu na pásu. Sport. Exerc. Provést. Psychol. 2018, 7, 80. [CrossRef]

41. Hutchinson, JC Běh s hudbou. AMAA J. 2017, 30, 13–16.

42. Wijnalda, G.; Pauws, S.; Vignoli, F.; Stuckenschmidt, H. Personalizovaný hudební systém pro motivaci ke sportovnímu výkonu. IEEE Pervasive Computing. 2005, 4, 26–32. [CrossRef]

43. Elliott, GT; Tomlinson, B. PersonalSoundtrack: Kontextové seznamy skladeb, které se přizpůsobují tempu uživatele. In Proceedings of the CHI'06 rozšířené abstrakty o lidských faktorech ve výpočetních systémech, Montreal, Québec, Kanada, 22.–27. dubna 2006; s. 736–741.

44. De Oliveira, R.; Oliver, N. Triplebeat: Zlepšení výkonu při cvičení s přesvědčováním. In Proceedings of the 10th International Conference on Human-Computer Interaction with Mobile Devices and Services, Amsterdam, Nizozemsko, 2.–5. září 2008; s. 255–264.

45. Bauer, C.; Kratschmar, A. Navrhování aplikace pro běh s řízenou hudbou: Sportovní věda a psychologická perspektiva. In Proceedings of the 33rd Annual ACM Conference Extended Abstracts on Human Factors in Computing Systems, Soul, Korejská republika, 18.–23. dubna 2015; s. 1379–1384.

46. ​​Álvarez, P.; Zarazaga-Soria, FJ; Baldassarri, S. Mobilní hudební doporučení pro běžce na základě umístění a emocí: Systém DJ-Running. Pervasive Mob. Počítat. 2020, 67, 101242. [CrossRef]

47. Álvarez, P.; de Quirós, JG; Baldassarri, S. RIADA: Infrastruktura založená na strojovém učení pro rozpoznávání emocí skladeb Spotify. Int. J. Interact. Multimédia. Artif. Intell. 2022, 1–14. [CrossRef]

48. Álvarez, P.; Guiu, A.; Beltrán, JR; de Quirós, JG; Baldassarri, S. DJ-Running: Systém založený na emocích pro doporučování skladeb Spotify běžcům. In Proceedings of the icSPORTS, Vídeň, Rakousko, 20.–21. září 2019; s. 55–63.

49. Álvarez, P.; Beltrán, JR; Baldassarri, S. Dj-running: Nositelné předměty a emoce pro zlepšení běžeckého výkonu. In Proceedings of the International Conference on Human Systems Engineering and Design: Future Trends and Applications; Springer: Berlín/Heidelberg, Německo, 2018; s. 847–853.

50. Girardi, D.; Lanubile, F.; Novielli, N. Detekce emocí pomocí neinvazivních levných senzorů. In Proceedings of the 2017 Seventh International Conference on Affective Computing and Intelligent Interaction (ACII), San Antonio, TX, USA, 23.–26. října 2017; s. 125–130. [CrossRef]

51. Soleymani, M.; Lichtenauer, J.; Pun, T.; Pantic, M. Multimodální afektivní databáze pro rozpoznávání afektů a implicitní značkování. Postihnout. Počítat. IEEE Trans. 2012, 3, 42–55. [CrossRef]

52. Shukla, J.; Barreda-Ángeles, M.; Oliver, J.; Nandi, G.; Puig, D. Extrakce rysů a výběr pro rozpoznání emocí z elektrodermální aktivity. IEEE Trans. Postihnout. Počítat. 2019, 12, 857–869. [CrossRef]

53. Empatica E4 Popis. 2021. Dostupné online: https://www.empatica.com/en-eu/research/e4/ (vstupeno 30. listopadu 2019).

54. GSR Logger Sensor NUL-217. 2017. Dostupné online: http://neulog.com/gsr/ (přístup 14. ledna 2023).

55. Souprava Biosignalsplux. 2023. Dostupné online: https://www.pluxbiosignals.com (přístup 14. ledna 2023).

56. Shimmer Evelopment Kits. 2022. Dostupné online: https://shimmersensing.com/wearable-sensor-products/development-kits/ (přístup 18. prosince 2022).

57. Hui, TK; Sherratt, RS Pokrytí rozpoznávání emocí pro běžné nositelné biosenzory. Biosenzory 2018, 8, 30. [CrossRef]

58. Van Dooren, M.; Janssen, JH Emoční pocení na těle: Porovnání 16 různých míst měření vodivosti pokožky. Physiol. Chovej se. 2012, 106, 298–304. [CrossRef]

59. Russell, J. Cirkumplexní model účinku. J. Osobní. Soc. Psychol. 1980, 39, 1161–1178. [CrossRef]

60. Romeo, L.; Cavallo, A.; Pepa, L.; Bianchi-Berthouze, N.; Pontil, M. Víceúrovňové učení pro rozpoznávání emocí pomocí fyziologických signálů. IEEE Trans. Postihnout. Počítat. 2022, 13, 389–407. [CrossRef]

61. Gjoreski, M.; Gjoreski, H.; Luštrek, M.; Gams, M. Kontinuální detekce stresu pomocí zařízení na zápěstí: v laboratoři a v reálném životě. In Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing: Adjunct; Association for Computing Machinery, New York, NY, USA, 12.–16. září 2016; s. 1185–1193. [CrossRef]

62. Correa, JAM; Abadi, MK; Sebe, N.; Patras, I. AMIGOS: Soubor dat pro výzkum afektu, osobnosti a nálady u jednotlivců a skupin. IEEE Trans. Postihnout. Počítat. 2021, 12, 479–493. [CrossRef]

63. Santamaria-Granados, L.; Munoz-Organero, M.; Ramirez-González, G.; Abdulhay, E.; Arunkumar, N. Použití hluboké konvoluční neuronové sítě pro detekci emocí na datovém souboru fyziologických signálů (AMIGOS). IEEE Access 2019, 7, 57–67. [CrossRef]

64. Koelstra, S.; Muhl, C.; Soleymani, M.; Lee, J.; Yazdani, A.; Ebrahimi, T.; Pun, T.; Nijholt, A.; Patras, I. DEAP: Databáze pro analýzu emocí pomocí fyziologických signálů. IEEE Trans. Postihnout. Počítat. 2012, 3, 18–31. [CrossRef]

65. Navarro, D.; Garro, V.; Sundstedt, V. Hodnocení elektrodermální aktivity hráčské zkušenosti ve hrách virtuální reality: Fázická analýza komponent. In Proceedings of the 17th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP 2022), Online, 6.–8. února 2022; s. 108–116. [CrossRef]

66. sci-kit-learn: Machine Learning in Python. Dostupné online: https://scikit-learn.org/stable/ (přístup 14. listopadu 2022).

67. Jang, EH; Park, BJ; Park, MS; Kim, SH; Sohn, JH Analýza fyziologických signálů pro rozpoznání nudy, bolesti a překvapení. J. Phys. Anthropol. 2015, 34, 25. [CrossRef] [PubMed]

68. Bergstra, J.; Bengio, Y. Random Search for Hyper-parameter Optimization. J. Mach. Učit se. Res. 2012, 13, 281–305.

Zřeknutí se odpovědnosti / Poznámka vydavatele:Prohlášení, názory a údaje obsažené ve všech publikacích jsou výhradně výroky jednotlivých autorů a přispěvatelů, nikoli MDPI a/nebo editorů. MDPI a/nebo redaktoři se zříkají odpovědnosti za jakékoli zranění osob nebo majetku vyplývající z jakýchkoli nápadů, metod, pokynů nebo produktů uvedených v obsahu.

【Další informace:george.deng@wecistanche.com / WhatsApp:{0}}】