Nosljivi izdelki in strojno učenje za izboljšanje motivacije tekačev z afektivne perspektive 2. del

3.5. Gradnja modelov prepoznavanja

Cilj je zdaj zgraditi opisane klasifikacijske modele in primerjati njihovo učinkovitost, da bi izbrali najboljši pristop za prepoznavanje čustev. Upoštevanih je bilo pet vrst algoritmov strojnega učenja: K-najbližji sosedi (KNN), naključni gozd (RF), večplastni perceptron (MLP), linearni podporni vektorski klasifikator (LSVC) in gradientno povečanje (GB). Nekateri od teh algoritmov so bili že uporabljeni z dobrimi rezultati pri prepoznavanju čustev [60,62,67]. Kljub temu smo upoštevali tudi možnost, da uporaba edinstvenega algoritma ni najboljša možnost za gradnjo različnih klasifikacijskih modelov. Zato se preučuje tudi najboljši algoritem strojnega učenja za vsak posamezen model.

Kliknite na kronično utrujenost

【Za več informacij:george.deng@wecistanche.com / WhatsApp:8613632399501】

Pred primerjavo različnih algoritmov so bili modeli kandidatov usposobljeni z uporabo različnih permutacij funkcij in različnih konfiguracij hiperparametrov, da bi našli najboljšo možnost z vidika klasifikacije. Vrednotenje konfiguracij je bilo izvedeno z uporabo algoritma naključnega iskanja, ki ga zagotavlja Scikit Learn [68], in usposabljanja z izvajanjem ponovljene 5-kratne navzkrižne validacije. Uporaba tega validacijskega pristopa je še posebej pomembna, ko so modeli zgrajeni iz majhnih naborov podatkov, kot je v tem primeru, ker se izogne ​​izvedbi testa s slabo reprezentativnimi vzorci. Ponavljajoče se navzkrižno preverjanje zmanjša napako prekomernega prilagajanja, ki izhaja iz dela s temi majhnimi nabori podatkov, in izboljša učinkovitost modelov.

Tabela 3 prikazuje rezultate, dobljene za različne možnosti razvrščanja (4-Razred in Vesel/Žalosten/Agresiven/Sproščen). Za vsakega od njih je bilo uporabljenih pet algoritmov strojnega učenja za izgradnjo ustreznega modela prepoznavanja (drugi stolpec tabele). Ti modeli so bili konfigurirani z optimalnim vnosom funkcij (tretji stolpec tabele) in hiperparametrov. Nato so bile za različne rešitve izračunane štiri klasifikacijske metrike, ki se običajno uporabljajo pri vrednotenju modelov: natančnost, F1, natančnost in priklic (od četrtega do sedmega stolpca). Še posebej nas zanima analiza rezultatov F1-rezultatov, ki so izračunani iz meritev natančnosti in priklica. Ocena F1- zagotavlja zanesljivo merilo, ko je nabor podatkov, uporabljen za ustvarjanje modelov, neuravnotežen, kot v tem primeru. Nabor podatkov, uporabljen v tem delu, vsebuje 25 % pozitivnih vzorcev (čustvo, ki ga je treba prepoznati) in 75 % negativnih vzorcev (preostala čustva), zato bi lahko rezultat točnosti zagotovil preveč optimistično oceno sposobnosti klasifikatorja na večinski razred. Končno je bil po analizi klasifikacijskih metrik najboljši model strojnega učenja poudarjen z zeleno barvo.

V primeru večrazrednega klasifikacijskega modela ({{0}}razred, možnost 1) so rezultati F1-rezultatov petih izdelanih modelov zelo slabi. Model naključnega gozda rahlo izstopa od drugih z oceno F1-0,288, vendar so na splošno rezultati zelo podobni (zdi se, da so ti povezani s številom razredov, ki jih morajo prepoznati modeli) . Zato je sposobnost prepoznavanja teh modelov nižja od zaželene za določanje čustev uporabnika.

V primeru možnosti 2 se zdi dobra možnost uporaba drugačnega algoritma strojnega učenja za prepoznavanje čustev, ki pripadajo vsakemu Russellovemu kvadrantu; natančneje, modeli k-najbližjih sosedov so bili izbrani za prepoznavanje žalostnega in sproščenega kvadranta ter naključni gozdni modeli za srečen in agresiven kvadrant. F1-rezultat izbranih modelov ima vrednost med 0,61 in 0,65. Rezultati te druge možnosti izboljšajo rezultate, pridobljene s 4-razrednim pristopom. Čeprav se ti rezultati lahko zdijo nizki glede tega, kaj je zaželeno pri težavah s strojnim učenjem, so podobni rezultatom, pridobljenim v drugih predlogih za prepoznavanje čustev, ki temeljijo na fizioloških podatkih [60,62].

4. DJ-Running: aplikacija, ki temelji na čustvih za priporočanje glasbe

Cilj projekta DJ-Running je povečati motivacijo tekačev preko Spotify glasbe. Nosljivi modeli in modeli strojnega učenja, predstavljeni v prejšnjih razdelkih, se uporabljajo za določanje čustev tekačev med njihovimi treningi. Ta čustva se nato analizirajo, da se izberejo pesmi za predvajanje v vsakem trenutku.

Slika 4 prikazuje pregled na visoki ravni tehnoloških komponent, vključenih v končno rešitev. Kot je prikazano na levi strani slike, je tekačeva oprema sestavljena iz nosljive in mobilne aplikacije, ki med treningom predvaja priporočene pesmi. Nosljiva naprava spremlja fiziološke parametre tekača in jih občasno pošilja aplikaciji prek povezave Bluetooth. Aplikacija interno obdela te senzorske podatke, da ugotovi čustva tekača, določi skladbe, ki jih je treba predvajati glede na ta čustva, in se poveže s storitvijo pretakanja Spotify, da jih predvaja.

Aplikacijo sestavljajo štirje programski moduli: komunikacijska komponenta, komponenta za obdelavo podatkov, sistem odločanja na podlagi čustev in glasbeni priporočevalec na podlagi čustev. Prvi dve komponenti sta odgovorni za upravljanje brezžične komunikacije z nosljivimi napravami, sprejemanje podatkov senzorjev in filtriranje teh podatkov, preden jih shranite v lokalno skladišče. Filtriranje temelji na postopku, opisanem na sliki 3, njegov namen pa je iz prejetih podatkov izluščiti ustrezne značilnosti (statistične in z dogodki povezane značilnosti). Druga dva modula sta odgovorna za prepoznavanje tekačevih čustev oziroma za predvajanje motivacijske glasbe, ki temelji na teh čustvih. Tehnične podrobnosti teh dveh sistemov so opisane v naslednjih odstavkih.

Sistem odločanja, ki temelji na čustvih, vključuje štiri modele binarne klasifikacije, opisane v razdelku 3. Ti modeli določajo čustva, ki jih tekač verjetno čuti v določenem časovnem intervalu (vsake 30 sekunde) iz nosljivih podatkov. Na primer izhod ((true, false, false, false), (0.71, 0.{{10}}3, 0.13 , 0.33))) predstavlja, da se tekač počuti srečnega z verjetnostjo 0.71. Verjetnosti žalostnega, agresivnega in sproščenega (0,03, 0,13 oziroma 0,33) so nižje od klasifikacijskega praga, zato je tekačevo počutje razvrščeno kot nežalostno, neagresivno in nesproščeno. Zaporedje čustev, ki jih prepozna med treningom, omogoča sistemu, da definira tekačevo razpoloženje in čustvene spremembe, ki jih ta/on v tem času doživi. Te afektivne informacije se nato uporabijo za določitev čustev, ki jih je treba sprožiti pri tekaču z glasbo. Na primer, ko je tekač pod stresom, se mora sistem odločiti, da naj bodo pesmi, ki jih predvaja, sproščujoče. Potem, ko je on/ona sproščen, bo sistem predlagal, naj bodo pesmi motivirane, da bodo pozitivno vplivale na tekačevo razpoloženje. Te odločitve, ki temeljijo na čustvih, sprejema mehanizem, ki temelji na pravilih. Vključuje nabor pravil, ki so bila definirana v sodelovanju s tekači v okviru projekta DJ-Running. Popoln opis metode, uporabljene za določitev teh pravil, je na voljo v [46].

Priporočevalnik glasbe na podlagi čustev določi posebne skladbe, ki jih bo predvajala mobilna aplikacija, na podlagi čustev, ki jih predlaga odločevalec. Priporočalec potrebuje zbirko podatkov o pesmih, ki so bile predhodno označene s čustvenega vidika. V tem delu je bila ta zbirka podatkov ustvarjena (in občasno posodobljena) iz storitev, ki so na voljo v infrastrukturi RIADA [47]. RIADA ponuja repozitorij čustvenih oznak, ki določajo čustva, ki jih bo vsaka skladba Spotify verjetno povzročila pri poslušalcu (označenih je več kot 50 milijonov pesmi).

Desna stran slike 4 ponuja pregled komponent RIADA, ki so sodelovale pri ustvarjanju oznak. Tudi te oznake temeljijo na Russellovem afektivnem modelu in so bile določene na podlagi metapodatkov pesmi in zvočnih funkcij. Sistem za pridobivanje glasbenih podatkov sodeluje s storitveno usmerjeno platformo Spotify za dostop do njegovega kataloga pesmi ter metapodatkov in zvočnih funkcij teh pesmi. Nato sistem za prepoznavanje glasbenih čustev samodejno določi čustva, ki jih povzroči posamezna pesem iz njenih zvočnih funkcij. Ta čustva so prevedena v oznake, ki so shranjene v bazi podatkov infrastrukture RIADA. Prepoznavanje glasbenih čustev temelji na tehnikah strojnega učenja in je bilo programirano za podporo obsežnih procesov opomb, kot je podrobno opisano v [47]. In končno, infrastruktura objavi API, ki aplikacijam omogoča dostop do baze podatkov označenih skladb.

Jedro glasbenega priporočevalca, ki temelji na čustvih, je algoritem najbližjih sosedov, ki deluje na lokalni zbirki podatkov založb, da poišče skladbe kandidate za predvajanje. Priporočalec ustvari iskalni prostor iz zvočnih značilnosti pesmi in čustvenih oznak, ki jih vsebuje zbirka podatkov. Vsaki točki prostora ustreza konkretna pesem. Ko prejme novo zahtevo za priporočilo, predlagatelj prevede vneseno čustvo (čustvo, ki ga mora ustvariti tekač) na iskalno točko v prostoru. Ta prevod se izračuna z uporabo regresijskih modelov, ki temeljijo na zvočnih značilnostih pesmi in učinkih, ki jih lahko nekatere od teh funkcij povzročijo na poslušalce s čustvenega vidika. Nato se uporabi sosedski algoritem za iskanje nabora kandidatnih pesmi (pesmi blizu iskalne točke). Ti kandidati so naknadno filtrirani, da zavržejo podobne pesmi ali odstranijo pesmi, ki ne ustrezajo tekmovalčevim željam. Te nastavitve določi uporabnik aplikacije med postopkom namestitve in vključujejo glasbene zvrsti, sloge in desetletja zanimivosti.

5. Sklepi in prihodnje delo

V prispevku je predstavljen prototip izdelka za prepoznavanje čustev mobilnih uporabnikov v realnem času. Sestavljen je iz popolnega rezultata inženiringa, ki združuje ljudi, nosljive naprave, tehnike strojnega učenja, mobilno računalništvo in rešitve, ki temeljijo na storitvah. Rešitev je bila zasnovana tako, da jo je enostavno vključiti v mobilne aplikacije, kjer ima čustvena komponenta uporabnikov pomembno vlogo. Prepoznavanje čustev na podlagi vprašalnikov za samoocenjevanje ima nekaj slabosti: uporabniki ne morejo vedno izraziti, kako se počutijo, lahko je za uporabnike dolgočasno ali pa ni uporabno za določene vrste težav (na primer, ko so uporabniki v neprekinjenem gibanje). Zaradi teh razlogov se prepoznavanje v realnem času kaže kot zelo zanimiva alternativa. Poleg tega možnost dostopa do neobdelanih senzorskih podatkov omogoča programiranje drugih modelov znanja, ki temeljijo na fizioloških podatkih ali rešitvah podatkovnega rudarjenja, ki pomagajo razumeti čustveno vedenje uporabnikov.

S tehničnega vidika je rešitev sestavljena iz nosljivega in nabora prepoznavnih modelov. Nosljiva naprava je prototip, zasnovan posebej za tekače, s preprosto strojno opremo in nizkimi proizvodnimi stroški v primerjavi s komercialnimi napravami. Modeli za prepoznavanje čustev temeljijo na algoritmih strojnega učenja. Različne značilnosti so bile izluščene iz podatkov senzorja EDA in ovrednotene, da se določi njihova pomembnost v procesu prepoznavanja čustev. Nato sta bila ovrednotena dva različna klasifikacijska pristopa: večrazredni klasifikacijski model v primerjavi s štirimi binarnimi klasifikacijskimi modeli. Rezultati prvega pristopa niso bili tako dobri, kot so pričakovali po upoštevanju različnih permutacij funkcij in različnih konfiguracij hiperparametrov. Drugi pristop se je izkazal za boljšo možnost, ko so algoritme naključnega gozda in K-najbližjih sosedov združili za izpeljavo čustev.

Predlagana rešitev je bila integrirana v mobilno aplikacijo DJ-Running, da bi preizkusili njeno uporabnost pri resničnem problemu. V tem primeru so bila čustva uporabljena za uravnavanje razpoloženja tekačev skozi glasbo glede na fizično aktivnost, ki so jo izvajali, in okolje, v katerem so trenirali.

Kot prihodnje delo nas po eni strani še posebej zanima uporaba rezultatov te raziskave za doseganje rešitve, ki je bližje izdelku na srednji rok. Najprej je treba izboljšati nosljivo strojno opremo, da zmanjšamo njeno velikost in vključimo nove senzorje, ki so uporabni za izboljšanje prepoznavanja čustev. Poleg tega bo treba podatke teh senzorjev obdelati za pridobitev novih funkcij, ki omogočajo izgradnjo natančnejših modelov prepoznavanja. Po drugi strani pa bi želeli ponovno uporabiti rezultate za druga področja uporabe, na primer zdravje, dobro počutje ali zabava. V teh domenah bodo čustva in podatki iz drugih pametnih naprav (na primer nameščenih doma ali jih nosi uporabnik) verjetno združeni, da bi pridobili znanje in pomagali ustvariti nove izkušnje, osredotočene na uporabnika.

Avtorski prispevki:Programska oprema, JGdQ; Preiskava, SB, JRB in P.Á. Vsi avtorji so prebrali in se strinjali z objavljeno različico rokopisa.

Financiranje:To raziskavo so podprli projekti PDC2021-121072-C22, TED2021-130374B-C22 in RTI2018-096986-B-C31, ki sta jih odobrila špansko Ministerio de Economía y Competitividad in DisCo- Projekta T21-20R in Affective-Lab-T60-20R, ki ju je odobrila aragonska vlada.

Izjava institucionalnega revizijskega odbora:Se ne uporablja.

Izjava o informirani privolitvi:Se ne uporablja.

Izjava o razpoložljivosti podatkov:Se ne uporablja.

Nasprotja interesov:Avtorji izjavljajo, da ni navzkrižja interesov.

Reference

1. Vijayan, V.; Connolly, JP; Condell, J.; McKelvey, N.; Gardiner, P. Pregled nosljivih naprav in premislekov o zbiranju podatkov za povezano zdravje. Senzorji 2021, 21, 5589. [CrossRef] [PubMed]

2. Wang, H. Raziskave o uporabi brezžičnih nosljivih zaznavnih naprav v interaktivni glasbi. J. Senzorji 2021, 2021, 7608867. [CrossRef]

3. Olson, J.; Redkar, S. Raziskava nosljivih senzorskih omrežij v zdravju in zabavi. MOJ Appl. Bionika Biomeh 2018, 2, 280–287. [CrossRef]

4. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Nosljivi senzorji za spremljanje fiziološkega in biokemičnega profila športnika. Številka NPJ. med. 2019, 2, 72. [CrossRef]

5. Liu, L.; Zhang, X. Osredotočeni pregled prilagodljivih nosljivih senzorjev za šport: od kinematike do fiziologije. Micromachines 2022, 13, 1356. [CrossRef]

6. Nithya, N.; Nallavan, G. Vloga nosljivih izdelkov v športu na podlagi prepoznavanja dejavnosti in biometričnih parametrov: Anketa. V zborniku Mednarodne konference o umetni inteligenci in pametnih sistemih (ICAIS) leta 2021, Coimbatore, Indija, 25.–27. marec 2021; str. 1700–1705.

7. Mencarini, E.; Rapp, A.; Tirabeni, L.; Zancanaro, M. Oblikovanje nosljivih sistemov za šport: Pregled trendov in priložnosti v interakciji med človekom in računalnikom. 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. Pristop nosljivega inercialnega senzorja za ocene posturalne prilagoditve med predvidljivimi motnjami v športu. Senzorji 2022, 22, 8272. [CrossRef]

9. McCarthy, PJ Pozitivna čustva v športni uspešnosti: Trenutno stanje in prihodnje usmeritve. Int. Rev. Sport Exerc. Psychol. 2011, 4, 50–69. [CrossRef]

10. Lane, AM; Devonport, TJ; Friesen, AP; Beedie, CJ; Fullerton, CL; Stanley, DM Kako naj uravnavam svoja čustva, če želim teči hitreje? EUR. J. Sport Sci. 2016, 16, 465–472. [CrossRef]

11. Lazarus, RS Kako čustva vplivajo na uspešnost v tekmovalnem športu. Športna psih. 2000, 14, 229–252. [CrossRef]

12. Wagstaff, CR; Tamminen, KA Čustva. Stres, dobro počutje in uspešnost v športu; Skupina Routledge, Taylor in Francis: London, Združeno kraljestvo, 2021; strani 97–112.

13. Prapavessis, H. POMS in športna uspešnost: pregled. J. Appl. Športna psih. 2000, 12, 34–48. [CrossRef]

14. Saganowski, S.; Dutkowiak, A.; Dziadek, A.; Dzie ˙zyc, M.; Komoszy ´nska, J.; Michalska, W.; Polak, A.; Ujma, M.; Kazienko, P. Emotion recognition using wearables: A sistematic literature review-work-in-progress. V zborniku IEEE International Conference on Pervasive Computing and Communications Workshops 2020 (PerCom Workshops), Austin, TX, ZDA, 23.–27. marec 2020; str. 1–6.

15. Szwoch, W. Prepoznavanje čustev z uporabo fizioloških signalov. V zborniku Multimedia, Interaction, Design and Innovation, Varšava, Poljska, 29.–30. junij 2015; str. 1–8.

16. Gunes, H.; Schuller, B. Kategorična in dimenzijska analiza vpliva pri neprekinjenem vnosu: trenutni trendi in prihodnje usmeritve. Slika Vis. Računalništvo. 2013, 31, 120–136. [CrossRef]

17. Azhar, M.; Nelson, T.; Casey, A. Uporaba nosljive tehnologije za merjenje čustvenih odzivov med teniškimi igralci. V zborniku mednarodnih konferenc EAI o tehnologiji, inovacijah, podjetništvu in izobraževanju; Springer: Berlin/Heidelberg, Nemčija, 2017; strani 91–105.

18. Havlucu, H.; Akgun, B.; Eskenazi, T.; Coskun, A.; Ozcan, O. K odkrivanju območja elitnih teniških igralcev s pomočjo nosljive tehnologije. Spredaj. Šport. dejanje Living 2022, 4, 939641. [CrossRef]

19. Bi, T.; Bianchi-Berthouze, N.; Singh, A.; Costanza, E. Razumevanje skupnih izkušenj tekačev in gledalcev na tekaških dogodkih na dolge razdalje. V zborniku konference CHI 2019 o človeških dejavnikih v računalniških sistemih, Glasgow, Združeno kraljestvo, 4.–9. maj 2019; str. 1–13.

20. Dupré, D.; Bland, B.; Bolster, A.; Morrison, G.; McKeown, G. Dinamični model čustev športnikov na podlagi nosljivih naprav. V zborniku mednarodnih konferenc o uporabnih človeških dejavnikih in ergonomiji; Springer: Berlin/Heidelberg, Nemčija, 2017, str. 42–50.

21. Dupré, D.; Andelić, N.; Moore, DS; Morrison, G.; McKeown, GJ Analiza fizioloških sprememb, povezanih s čustvi med aktivnostjo zipline. Šport. inž. 2020, 23, 1–11. [CrossRef]

22. Rao, P.; Seshadri, DR; Hsu, J. Trenutna in potencialna uporaba nosljivih izdelkov v športni kardiologiji. Curr. Zdravilo. Možnosti Cardiovasc. med. 2021, 23, 1–15. [CrossRef]

23. Chen, J.; Abbott, M.; Shieh, JS Zaznavanje bolečine in stresa z uporabo nosljivih senzorjev in naprav – pregled. Senzorji 2021, 21, 1030. [CrossRef]

24. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Nosljivi senzorji za spremljanje notranje in zunanje delovne obremenitve športnika. Številka NPJ. med. 2019, 2, 7608867. [CrossRef]

25. Juslin, PN; Sloboda, J. Priročnik o glasbi in čustvih: teorija, raziskovanje, aplikacije; Oxford University Press: Oxford, Združeno kraljestvo, 2011.

26. Schaefer, HE Čustva, ki jih povzroča glasba – trenutne študije. Spredaj. Neurosci. 2017, 11, 600. [CrossRef]

27. Uhlig, S.; Jaschke, A.; Scherder, E. Učinki glasbe na regulacijo čustev: sistematični pregled literature. V zborniku 3. mednarodne konference o glasbi in čustvih, Jyväskylä, Finska, 11.–15. junij 2013.

28. Huang, J.; Li, X. Učinki in aplikacije glasbene terapije na psihološko zdravje: pregled. V zborniku Mednarodne konference o javni umetnosti in človeškem razvoju 2021 (ICPAHD 2021), Kunming, Kitajska, 24.–26. december 2021; str. 984–989.

29. Baird, A.; Samson, S. Spomin na glasbo pri Alzheimerjevi bolezni: nepozabno? nevropsihol. Rev. 2009, 19, 85–101. [CrossRef]

30. Stephenson, R.; Beddoes, Z.; Otterson, S.; Rugen, J. Praktične aplikacije za uporabo glasbe za povečanje motivacije in telesne dejavnosti pri telesni vzgoji. Strategije 2022, 35, 17–22. [CrossRef]

31. Scherer, KR Katera čustva lahko povzroči glasba? Kateri so osnovni mehanizmi? In kako jih lahko izmerimo? J. Nova glasba Res. 2004, 33, 239–251. [CrossRef]

32. Juslin, PN Razlaga glasbenih čustev: Odkrivanje skrivnosti glasbenega vpliva; Oxford University Press: Cary, NC, ZDA, 2019.

33. Kim, J.; André, E. Prepoznavanje čustev na podlagi fizioloških sprememb pri poslušanju glasbe. IEEE Trans. Vzorec analnega. Mach. Intell. 2008, 30, 2067–2083. [CrossRef] [PubMed]

34. Ayata, D.; Yaslan, Y.; Kawasaki, ME Sistem za priporočanje glasbe, ki temelji na čustvih in uporablja nosljive fiziološke senzorje. IEEE Trans. Poraba Elektron. 2018, 64, 196–203. [CrossRef]

35. Eerola, T.; Vuoskoski, JK Primerjava diskretnih in dimenzionalnih modelov čustev v glasbi. Psychol. Glasba 2011, 39, 18–49. [CrossRef]

36. Karageorghis, CI; Ekkekakis, P.; Bird, JM; Bigliassi, M. Glasba v domeni vadbe in športa: Konceptualni pristopi in osnovni mehanizmi. V The Routledge Companion to Embodied Music Interaction; Routledge: London, VB, 2017; strani 284–293.

37. Terry, PC; Karageorghis, CI; Curran, ML; Martin, OV; Parsons-Smith, RL Učinki glasbe pri vadbi in športu: metaanalitični pregled. Psychol. Bik. 2020, 146, 91. [CrossRef]

38. Čaturvedi, V.; Kaur, AB; Varshney, V.; Garg, A.; Chhabra, GS; Kumar, M. Glasbeno razpoloženje in prepoznavanje človeških čustev na podlagi fizioloških signalov: sistematični pregled. Multimedija. Syst. 2022, 28, 21–44. [CrossRef]

39. Brandt, N.; Razon, S. Učinek samoizbrane glasbe na čustvene odzive in tekaško zmogljivost: Navodila in posledice. Int. J. Exerc. Sci. 2019, 12, 310–323.

40. Hutchinson, JC; Jones, L.; Vitti, SN; Moore, A.; Dalton, PC; O'Neil, BJ Vpliv samoizbrane glasbe na intenzivnost vadbe, ki je regulirana z afektom, in spominski užitek med tekom na tekalni stezi. Šport. vadba Izvedite. Psychol. 2018, 7, 80. [CrossRef]

41. Hutchinson, JC Tek z glasbo. AMAA J. 2017, 30, 13–16.

43. Wijnalda, G.; Pauws, S.; Vignoli, F.; Stuckenschmidt, H. Personaliziran glasbeni sistem za motivacijo pri športni uspešnosti. IEEE Pervasive Comput. 2005, 4, 26–32. [CrossRef]

43. Elliott, GT; Tomlinson, B. PersonalSoundtrack: Seznami predvajanja, ki se zavedajo konteksta in se prilagajajo tempu uporabnika. V zborniku razširjenih povzetkov CHI'06 o človeških dejavnikih v računalniških sistemih, Montréal, Québec, Kanada, 22.–27. april 2006; strani 736–741.

44. De Oliveira, R.; Oliver, N. Triplebeat: izboljšanje učinkovitosti vadbe s prepričevanjem. V zborniku 10. mednarodne konference o interakciji človek-računalnik z mobilnimi napravami in storitvami, Amsterdam, Nizozemska, 2.–5. september 2008; strani 255–264.

45. Bauer, C.; Kratschmar, A. Oblikovanje glasbeno nadzorovane tekaške aplikacije: športna znanost in psihološka perspektiva. V zborniku 33. letne konference ACM Razširjeni povzetki o človeških dejavnikih v računalniških sistemih, Seul, Republika Koreja, 18.–23. april 2015; str. 1379–1384.

46. ​​Álvarez, P.; Zarazaga-Soria, FJ; Baldassarri, S. Mobilna glasbena priporočila za tekače glede na lokacijo in čustva: sistem DJ-Running. Prodorna mafija. Računalništvo. 2020, 67, 101242. [CrossRef]

47. Álvarez, P.; de Quirós, JG; Baldassarri, S. RIADA: Na strojnem učenju temelječa infrastruktura za prepoznavanje čustev skladb Spotify. Int. J. Interact. Multimedija. Artif. Intell. 2022, 1–14. [CrossRef]

48. Álvarez, P.; Guiu, A.; Beltrán, JR; de Quirós, JG; Baldassarri, S. DJ-Running: na čustvih temelječ sistem za priporočanje pesmi Spotify tekačem. V zborniku icSPORTS, Dunaj, Avstrija, 20.–21. september 2019; strani 55–63.

49. Álvarez, P.; Beltrán, JR; Baldassarri, S. Dj-tek: Nosljiva oprema in čustva za izboljšanje tekaške zmogljivosti. V zborniku mednarodnih konferenc o inženirstvu in oblikovanju človeških sistemov: prihodnji trendi in aplikacije; Springer: Berlin/Heidelberg, Nemčija, 2018; str. 847–853.

50. Girardi, D.; Lanubile, F.; Novielli, N. Zaznavanje čustev z uporabo neinvazivnih nizkocenovnih senzorjev. V zborniku sedme mednarodne konference o učinkovitem računalništvu in inteligentni interakciji (ACII) 2017, San Antonio, TX, ZDA, 23.–26. oktober 2017; strani 125–130. [CrossRef]

51. Soleymani, M.; Lichtenauer, J.; Pun, T.; Pantic, M. Multimodalna afektivna zbirka podatkov za prepoznavanje afektov in implicitno označevanje. vplivati. Računalništvo. IEEE Trans. 2012, 3, 42–55. [CrossRef]

53. Šukla, J.; Barreda-Ángeles, M.; Oliver, J.; Nandi, G.; Puig, D. Ekstrakcija in izbira funkcij za prepoznavanje čustev iz elektrodermalne aktivnosti. IEEE Trans. vplivati. Računalništvo. 2019, 12, 857–869. [CrossRef]

53. Empatica E4 Opis. 2021. Dostopno na spletu: https://www.empatica.com/en-eu/research/e4/ (dostop 30. 11. 2019).

54. Senzor GSR Logger NUL-217. 2017. Dostopno na spletu: http://neulog.com/gsr/ (dostop 14. 1. 2023).

55. Komplet Biosignalsplux. 2023. Dostopno na spletu: https://www.pluxbiosignals.com (dostopano 14. januarja 2023).

56. Šimer razvijalni kompleti. 2022. Dostopno na spletu: https://shimmersensing.com/wearable-sensor-products/development-kits/ (dostopano 18. decembra 2022).

57. Hui, TK; Sherratt, RS Pokritost prepoznavanja čustev za običajne nosljive biosenzorje. Biosensors 2018, 8, 30. [CrossRef]

58. Van Dooren, M.; Janssen, JH Čustveno potenje po telesu: Primerjava 16 različnih lokacij merjenja prevodnosti kože. Physiol. Obnašaj se. 2012, 106, 298–304. [CrossRef]

59. Russell, J. Cirkumpleksni model učinka. J. Osebno. Soc. Psychol. 1980, 39, 1161–1178. [CrossRef]

60. Romeo, L.; Cavallo, A.; Pepa, L.; Bianchi-Berthouze, N.; Pontil, M. Večstopenjsko učenje za prepoznavanje čustev z uporabo fizioloških signalov. IEEE Trans. vplivati. Računalništvo. 2022, 13, 389–407. [CrossRef]

62. Gjoreski, M.; Gjoreski, H.; Luštrek, M.; Gams, M. Neprekinjeno zaznavanje stresa z uporabo zapestne naprave: v laboratoriju in resničnem življenju. V zborniku mednarodne skupne konference ACM 2016 o prodornem in vseprisotnem računalništvu: Dodatek; Association for Computing Machinery, New York, NY, ZDA, 12.–16. september 2016; str. 1185–1193. [CrossRef]

62. Correa, JAM; Abadi, MK; Sebe, N.; Patras, I. AMIGOS: Nabor podatkov za raziskave afektov, osebnosti in razpoloženja pri posameznikih in skupinah. IEEE Trans. vplivati. Računalništvo. 2021, 12, 479–493. [CrossRef]

63. Santamaria-Granados, L.; Munoz-Organero, M.; Ramirez-González, G.; Abdulhay, E.; Arunkumar, N. Uporaba globoke konvolucijske nevronske mreže za zaznavanje čustev na naboru podatkov o fizioloških signalih (AMIGOS). IEEE Access 2019, 7, 57–67. [CrossRef]

64. Koelstra, S.; Muhl, C.; Solejmani, M.; Lee, J.; Yazdani, A.; Ebrahimi, T.; Pun, T.; Nijholt, A.; Patras, I. DEAP: Baza podatkov za analizo čustev z uporabo fizioloških signalov. IEEE Trans. vplivati. Računalništvo. 2012, 3, 18–31. [CrossRef]

65. Navarro, D.; Garro, V.; Sundstedt, V. Vrednotenje elektrodermalne aktivnosti igralčevih izkušenj v igrah virtualne resničnosti: analiza faznih komponent. V zborniku 17. mednarodne skupne konference o teoriji in aplikacijah računalniškega vida, slikanja in računalniške grafike (VISIGRAPP 2022), na spletu, 6.–8. februarja 2022; strani 108–116. [CrossRef]

66. sci-kit-learn: Strojno učenje v Pythonu. Dostopno na spletu: https://scikit-learn.org/stable/ (dostopano 14. novembra 2022).

67. Jang, EH; Park, BJ; Park, MS; Kim, SH; Sohn, JH Analiza fizioloških signalov za prepoznavanje dolgočasja, bolečine in čustev presenečenja. J. Phys. Antropol. 2015, 34, 25. [CrossRef] [PubMed]

68. Bergstra, J.; Bengio, Y. Naključno iskanje za optimizacijo hiperparametrov. J. Mach. Naučite se. Res. 2012, 13, 281–305.

Zavrnitev odgovornosti/opomba založnika:Izjave, mnenja in podatki v vseh publikacijah so izključno last posameznih avtorjev in sodelavcev in ne MDPI in/ali urednikov. MDPI in/ali urednik(-i) zavračajo odgovornost za kakršne koli poškodbe ljudi ali premoženja, ki so posledica kakršnih koli idej, metod, navodil ali izdelkov, navedenih v vsebini.

【Za več informacij:george.deng@wecistanche.com / WhatsApp:8613632399501】