Kantavad seadmed ja masinõpe jooksjate motivatsiooni parandamiseks afektiivsest vaatenurgast, 2. osa

3.5. Tunnustusmudelite loomine

Nüüd on eesmärgiks koostada kirjeldatud klassifitseerimismudelid ja võrrelda nende toimivust, et valida välja parim lähenemisviis emotsioonide äratundmiseks. Arvesse on võetud viit tüüpi masinõppe algoritme: K-lähimad naabrid (KNN), juhuslik mets (RF), mitmekihiline pertseptron (MLP), lineaarne tugivektori klassifikaator (LSVC) ja gradiendi võimendus (GB). Mõnda neist algoritmidest on varemgi emotsioonide äratundmisel heade tulemustega kasutatud [60,62,67]. Sellegipoolest oleme arvestanud ka võimalusega, et unikaalse algoritmi kasutamine ei ole erinevate klassifikatsioonimudelite koostamiseks parim valik. Seetõttu uuritakse ka iga konkreetse mudeli jaoks parimat masinõppe algoritmi.

Klõpsake kroonilisel väsimusel

【Lisateabe saamiseks:george.deng@wecistanche.com / WhatsApp:8613632399501】

Enne erinevate algoritmide võrdlemist koolitati kandidaatmudeleid, rakendades erinevaid funktsioonide permutatsioone ja erinevaid hüperparameetrite konfiguratsioone, et leida klassifitseerimise seisukohast parim valik. Konfiguratsioonide hindamine viidi läbi Scikit Learni [68] pakutava randomiseeritud otsingu algoritmi abil ja koolituse läbiviimiseks korduva 5-kordse ristvalideerimisega. Selle valideerimismeetodi kasutamine on eriti oluline, kui mudelid on üles ehitatud väikesemahulistest andmekogumitest, nagu antud juhul, kuna see väldib testi tegemist halvasti representatiivsete valimitega. Korduv ristvalideerimine vähendab nende väikesemahuliste andmekogumitega töötamisest tulenevat ülepaigutamise viga ja parandab mudelite jõudlust.

Tabelis 3 on toodud erinevate liigitusvalikute (vastavalt 4-klass ja õnnelik/kurb/agressiivne/lõdvestunud) tulemused. Igaühele neist on vastava tuvastusmudeli koostamiseks rakendatud viit masinõppe algoritmi (tabeli teine ​​veerg). Need mudelid on konfigureeritud funktsioonide (tabeli kolmas veerg) ja hüperparameetrite optimaalse sisendiga. Seejärel on erinevate lahenduste jaoks arvutatud neli klassifikatsioonimõõdikut, mida tavaliselt mudelite hindamisel kasutatakse: Accuracy, F1, Precision ja Recall (neljandast seitsmenda veeruni). Oleme eriti huvitatud F1-skoori tulemuste analüüsimisest, mis arvutatakse täpsus- ja meeldetuletusmõõdikute põhjal. F1-skoor annab usaldusväärse mõõdupuu, kui mudelite loomiseks kasutatav andmestik on tasakaalustamata, nagu antud juhul. Selles töös kasutatav andmestik sisaldab 25% positiivseid valimeid (emotsioon, mis tuleb ära tunda) ja 75% negatiivseid valimeid (ülejäänud emotsioonid) ning seetõttu võib täpsusskoor anda liiga optimistliku hinnangu klassifikaatori võime kohta. enamusklass. Lõpuks, pärast klassifitseerimismõõdikute analüüsi, on parim masinõppe mudel esile tõstetud rohelise värviga.

Mitmeklassilise klassifitseerimismudeli ({{0}}klass, valik 1) puhul on viie ehitatud mudeli F1-skoori tulemused väga kehvad. Juhuslik metsamudel eristub veidi teistest, F1-skooriga 0,288, kuid üldiselt on tulemused väga sarnased (need näivad olevat korrelatsioonis klasside arvuga, mida mudelid tuvastavad) . Seetõttu on nende mudelite tuvastusvõime kasutaja emotsioonide määramiseks soovitavast madalam.

2. variandi puhul tundub igale Russelli kvadrandile kuuluvate emotsioonide äratundmiseks erineva masinõppealgoritmi kasutamine olevat hea variant; täpsemalt on valitud k-lähimate naabrite mudelid kurbade ja lõdvestunud kvadrantide tuvastamiseks ning juhuslikud metsamudelid õnnelike ja agressiivsete kvadrantide jaoks. Valitud mudelite F1-skoori väärtus on vahemikus 0,61 kuni 0,65. Selle teise valiku tulemused parandavad 4-klassi lähenemise korral saadud tulemusi. Kuigi need tulemused võivad tunduda madalad selles osas, mis on masinõppeprobleemide puhul soovitav, on need sarnased teiste füsioloogilistel andmetel põhinevate emotsioonide tuvastamise ettepanekute tulemustega [60, 62].

4. DJ-jooks: emotsioonidel põhinev rakendus muusika soovitamiseks

Projekti DJ-Running eesmärk on tõsta jooksjate motivatsiooni läbi Spotify muusika. Eelmistes osades esitatud kantavaid ja masinõppe mudeleid kasutatakse jooksjate emotsioonide määramiseks treeningute ajal. Seejärel analüüsitakse neid emotsioone, et valida igal hetkel esitatavad lood.

Joonisel 4 on kõrgetasemeline ülevaade lõpplahenduses kaasatud tehnoloogilistest komponentidest. Nagu joonise vasakus servas näha, koosneb jooksja varustus kantavast ja mobiilirakendusest, mis mängib treeningu ajal soovitatud lugusid. Kantav jälgib jooksja füsioloogilisi parameetreid ja saadab need perioodiliselt läbi Bluetooth ühenduse rakendusse. Rakendus töötleb sisemiselt neid andurite andmeid, et tuletada jooksja emotsioone, määrab nende emotsioonide järgi esitatavad lood ja loob nende esitamiseks ühenduse Spotify voogedastusteenusega.

Rakendus koosneb neljast tarkvaramoodulist: suhtluskomponent, andmetöötluskomponent, emotsioonipõhine otsustajasüsteem ja emotsioonipõhine muusikasoovitaja. Kaks esimest komponenti vastutavad traadita side haldamise eest kantava seadmega, andurite andmete vastuvõtmise ja nende andmete filtreerimise eest enne nende salvestamist kohalikku hoidlasse. Filtreerimine põhineb joonisel 3 kirjeldatud protsessil ja selle eesmärk on saada saadud andmetest vastavad tunnused (statistika ja sündmustega seotud tunnused). Ülejäänud kaks moodulit vastutavad vastavalt jooksja emotsioonide äratundmise ja nendel emotsioonidel põhineva motiveeriva muusika esitamise eest. Nende kahe süsteemi tehnilisi üksikasju kirjeldatakse järgmistes lõikudes.

Emotsioonidel põhinev otsustamissüsteem ühendab neli punktis 3 kirjeldatud binaarset klassifitseerimismudelit. Need mudelid määravad kantavate andmete põhjal emotsiooni, mida jooksja tõenäoliselt teatud ajavahemikul (iga 30 sekundi järel) tunneb. Näiteks väljund ((true, false, false, false), (0.71, 0.{{10}}3, 0.13 , 0.33))) näitab, et jooksja tunneb end õnnelikuna tõenäosusega 0.71. Kurb, agressiivne ja lõdvestunud tõenäosus (vastavalt 0,03, 0,13 ja 0,33) on madalamad kui klassifikatsioonilävi ja seetõttu klassifitseeritakse jooksja tunne mittekurvaks, mitteagressiivseks ega lõdvemaks. Treeningu ajal äratuntav emotsioonide jada võimaldab süsteemil määratleda jooksja meeleolu ja emotsionaalsed muutused, mida ta selle aja jooksul kogeb. Seda afektiivset teavet kasutatakse seejärel emotsiooni määramiseks, mis jooksjas muusika kaudu esile kutsutakse. Näiteks kui jooksja on stressis, peaks süsteem otsustama, et esitatavad lood peaksid olema lõõgastavad. Seejärel, kui ta on lõdvestunud, soovitab süsteem, et laulud peaksid olema motiveeritud, et need avaldaksid positiivset mõju jooksja meeleolule. Need emotsioonidel põhinevad otsused teeb reeglitel põhinev mootor. See integreerib reegleid, mis määratleti koostöös jooksjatega projekti DJ-Running raames. Nende reeglite kindlaksmääramiseks kasutatud meetodi täieliku kirjelduse leiate artiklist [46].

Emotsioonipõhine muusikasoovitaja määrab otsustaja pakutud emotsiooni põhjal konkreetsed lood, mida mobiilirakendus mängib. Soovitaja nõuab andmebaasi lugudest, mis on eelnevalt emotsionaalsest vaatenurgast sildistatud. Käesolevas töös on see andmebaas loodud (ja perioodiliselt uuendatud) RIADA infrastruktuuris saadaolevate teenuste põhjal [47]. RIADA pakub afektiivsete siltide hoidlat, mis määravad ära emotsiooni, mida iga Spotify lugu kuulajas tõenäoliselt tekitab (sildiga on märgitud üle 50 miljoni loo).

Joonise 4 parem pool annab ülevaate RIADA komponentidest, mis olid seotud siltide loomisega. Need sildid põhinevad samuti Russelli afektiivsel mudelil ja määrati lugude metaandmete ja helifunktsioonide põhjal. Muusikaandmete otsingusüsteem suhtleb teenusele suunatud Spotify platvormiga, et pääseda juurde selle lugude kataloogile ning nende lugude metaandmetele ja helifunktsioonidele. Seejärel määrab muusika emotsioonide tuvastamise süsteem automaatselt helifunktsioonide põhjal iga laulu tekitatud emotsiooni. Need emotsioonid tõlgitakse siltideks, mis on salvestatud RIADA infrastruktuuri andmebaasi. Muusika emotsioonide tuvastamine põhineb masinõppe tehnikatel ja on programmeeritud toetama suuremahulisi annotatsiooniprotsesse, nagu on üksikasjalikult kirjeldatud artiklis [47]. Lõpuks avaldab infrastruktuur API, mis võimaldab rakendustel juurde pääseda märgistatud laulude andmebaasile.

Emotsioonipõhise muusikasoovitaja tuumaks on lähimate naabrite algoritm, mis töötab kohalikus etikettide andmebaasis, et leida esitatavad kandidaatlaulud. Soovitaja loob andmebaasis sisalduvate laulude helifunktsioonide ja emotsionaalsete siltide põhjal otsinguruumi. Iga ruumi punkt vastab konkreetsele laulule. Kui saabub uus soovituspäring, tõlgib soovitaja sisestatud emotsiooni (jooksja tekitatava emotsiooni) ruumi otsingupunktiks. See tõlge arvutatakse regressioonimudelite rakendamisel, mis põhinevad lugude helifunktsioonidel ja mõjudel, mida mõned neist funktsioonidest võivad kuulajates emotsionaalsest vaatenurgast tekitada. Seejärel rakendatakse naabruskonna algoritmi, et leida kandidaatlaulude komplekt (otsimispunkti lähedal olevad laulud). Seejärel filtreeritakse need kandidaadid sarnaste laulude kõrvalejätmiseks või nende laulude eemaldamiseks, mis ei vasta jooksja eelistustele. Need eelistused määrab rakenduse kasutaja installiprotsessi ajal ning need hõlmavad muusikažanre, stiile ja aastakümneid huvipakkuvat.

5. Järeldused ja edasine töö

Selles artiklis on esitletud toote prototüüp, mis tuvastab mobiilikasutajate emotsioone reaalajas. See koosneb inseneritöö täielikust tulemusest, mis ühendab inimesed, kantavad seadmed, masinõppe tehnikad, mobiilsed andmetöötlused ja teenusepõhised lahendused. Lahendus on loodud hõlpsasti integreeritavaks mobiilirakendustesse, kus kasutajate afektiivsel komponendil on oluline roll. Enesehinnangu küsimustikel põhineval emotsioonide tuvastamisel on mõned puudused: kasutajad ei saa alati väljendada oma tundeid, see võib olla kasutajatele tüütu või ei ole rakendatav teatud tüüpi probleemide korral (näiteks kui kasutajad on pidevas töös). liikumine). Nendel põhjustel kerkib väga huvitava alternatiivina esile reaalajas tuvastamine. Lisaks võimaldab ligipääsu võimalus anduri toorandmetele programmeerida füsioloogilistel andmetel põhinevaid teadmusmudeleid või andmekaeve lahendusi, mis aitavad mõista kasutajate afektiivset käitumist.

Tehnilisest vaatenurgast koosneb lahendus kantavast ja tuvastusmudelite komplektist. Kantav on spetsiaalselt jooksjatele loodud prototüüp, millel on lihtne riistvara ja madalad tootmiskulud võrreldes kaubanduslike seadmetega. Emotsioonide tuvastamise mudelid põhinevad masinõppe algoritmidel. EDA anduri andmetest on eraldatud erinevad funktsioonid ja hinnatud nende asjakohasust emotsioonide tuvastamise protsessis. Seejärel hinnati kahte erinevat klassifitseerimismeetodit: mitmeklassiline klassifitseerimismudel versus neli binaarset klassifikatsioonimudelit. Esimese lähenemisviisi tulemused ei ole olnud nii head, kui eeldati, võttes arvesse funktsioonide erinevaid permutatsioone ja hüperparameetrite erinevaid konfiguratsioone. Teine lähenemine osutus paremaks võimaluseks, kui emotsioonide tuletamiseks kombineeriti juhusliku metsa ja K-lähimate naabrite algoritme.

Pakutud lahendus on integreeritud DJ-Running mobiilirakendusse, et testida selle rakendatavust reaalsele probleemile. Sel juhul kasutati emotsioone, et muusika kaudu reguleerida jooksjate meeleolu sõltuvalt sooritatavast füüsilisest tegevusest ja keskkonnast, kus nad treenisid.

Tulevikutööna oleme ühelt poolt eriti huvitatud selle uurimistöö tulemuste kasutamisest, et saavutada keskmises perspektiivis tootele lähedasem lahendus. See nõuab ennekõike kantava riistvara viimistlemist, et vähendada selle suurust ja integreerida uusi andureid, mis on kasulikud emotsioonide äratundmise parandamiseks. Lisaks tuleb nende andurite andmeid töödelda, et saada uusi funktsioone, mis võimaldavad luua täpsemaid tuvastusmudeleid. Teisest küljest soovime tulemusi taaskasutada muude rakendusvaldkondade jaoks, näiteks tervis, heaolu või meelelahutus. Nendes valdkondades kombineeritakse emotsioone ja andmeid teistest nutiseadmetest (näiteks, mis on paigaldatud koju või mida kasutaja kannab), et ammutada teadmisi, mis aitavad luua uusi kasutajakeskseid kogemusi.

Autori kaastööd:Tarkvara, JGdQ; Uurimine, SB, JRB ja P.Á. Kõik autorid on käsikirja avaldatud versiooni läbi lugenud ja sellega nõustunud.

Rahastamine:Seda uurimistööd on toetanud PDC2021-121072-C22, TED2021-130374B-C22 ja RTI2018-096986-B-C31 projektid, mille on andnud Hispaania Ministerio de Economía y Competitividad, ning DisCo- T21-20R ja Affective-Lab-T60-20R projektid, mille on andnud Aragonese valitsus.

Institutsioonilise ülevaatenõukogu avaldus:Ei kohaldata.

Teadliku nõusoleku avaldus:Ei kohaldata.

Andmete kättesaadavuse avaldus:Ei kohaldata.

Huvide konfliktid:Autorid ei kinnita huvide konflikti.

Viited

1. Vijayan, V.; Connolly, JP; Condell, J.; McKelvey, N.; Gardiner, P. Kantavate seadmete ülevaade ja andmete kogumise kaalutlused ühendatud tervise jaoks. Andurid 2021, 21, 5589. [CrossRef] [PubMed]

2. Wang, H. Uurimused juhtmevabade kantavate sensorseadmete kasutamise kohta interaktiivses muusikas. J. Sensors 2021, 2021, 7608867. [CrossRef]

3. Olson, J.; Redkar, S. Uuring kantavate andurite võrkude kohta tervises ja meelelahutuses. MOJ Appl. Bionics Biomech 2018, 2, 280–287. [CrossRef]

4. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Kantavad andurid sportlase füsioloogilise ja biokeemilise profiili jälgimiseks. NPJ number. Med. 2019, 2, 72. [CrossRef]

5. Liu, L.; Zhang, X. Fokuseeritud ülevaade paindlikest kantavatest anduritest spordi jaoks: kinemaatikast füsioloogiani. Micromachines 2022, 13, 1356. [CrossRef]

6. Nithya, N.; Nallavan, G. Kantavate esemete roll spordis tegevuse tuvastamise ja biomeetriliste parameetrite põhjal: uuring. In Proceedings of the 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS), Coimbatore, India, 25.–27. märts 2021; lk 1700–1705.

7. Mencarini, E.; Rapp, A.; Tirabeni, L.; Zancanaro, M. Kantavate süsteemide kujundamine spordi jaoks: ülevaade inimese ja arvuti suhtluse suundumustest ja võimalustest. 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. Kantava inertsiaalse anduri lähenemisviis asendi kohandamise hindamiseks spordi prognoositavate häirete ajal. Andurid 2022, 22, 8272. [CrossRef]

9. McCarthy, PJ Positiivsed emotsioonid spordis: hetkeseis ja tulevikusuunad. Int. Rev. Sport Exerc. Psychol. 2011, 4, 50–69. [CrossRef]

10. Lane, AM; Devonport, TJ; Friesen, AP; Beedie, CJ; Fullerton, CL; Stanley, DM Kuidas peaksin oma emotsioone reguleerima, kui tahan kiiremini joosta? Eur. J. Sport Sci. 2016, 16, 465–472. [CrossRef]

11. Lazarus, RS Kuidas emotsioonid mõjutavad tulemuslikkust võistlusspordis. Spordipsühhol. 2000, 14, 229–252. [CrossRef]

12. Wagstaff, CR; Tamminen, KA Emotsioonid. Stress, heaolu ja sooritusvõime spordis; Routledge, Taylor ja Francis Group: London, Ühendkuningriik, 2021; lk 97–112.

13. Prapavessis, H. POMS ja sporditulemused: ülevaade. J. Appl. Spordipsühhol. 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. Emotsioonide tuvastamine kantavate esemete abil: süstemaatiline kirjanduse ülevaade-töö-töö. In Proceedings of the 2020 IEEE International Conference on Pervasive Computing and Communication Workshops (PerCom Workshops), Austin, TX, USA, 23.–27.03.2020; lk 1–6.

15. Szwoch, W. Emotsioonide tuvastamine füsioloogiliste signaalide abil. In Proceedings of the Multimedia, Interaction, Design and Innovation, Varssavi, Poola, 29.–30. juuni 2015; lk 1–8.

16. Gunes, H.; Schuller, B. Kategooriline ja dimensiooniline mõjuanalüüs pidevas sisendis: hetketrendid ja tulevikusuunad. Pilt Vis. Arvuta. 2013, 31, 120–136. [CrossRef]

17. Azhar, M.; Nelson, T.; Casey, A. Kantava tehnoloogia kasutamine tennisemängijate emotsionaalse reaktsiooni mõõtmiseks. In Proceedings of the EAI International Conference on Technology, Innovation, Entrepreneurship and Education; Springer: Berliin/Heidelberg, Saksamaa, 2017; lk 91–105.

18. Havlucu, H.; Akgun, B.; Eskenazi, T.; Coskun, A.; Ozcan, O. Eliittennisistide tsooni tuvastamine kantava tehnoloogia abil. Esiosa. Sport. seadus. Living 2022, 4, 939641. [CrossRef]

19. Bi, T.; Bianchi-Berthouze, N.; Singh, A.; Costanza, E. Jooksjate ja pealtvaatajate jagatud kogemuse mõistmine pikamaajooksuüritustel. In Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, Glasgow, UK, 4.–9. mai 2019; lk 1–13.

20. Dupré, D.; Bland, B.; Bolster, A.; Morrison, G.; McKeown, G. Sportlaste emotsioonide dünaamiline mudel, mis põhineb kantavatel seadmetel. Inimfaktorite ja ergonoomika rahvusvahelise konverentsi toimetistes; Springer: Berliin/Heidelberg, Saksamaa, 2017, lk 42–50.

21. Dupré, D.; Andelic, N.; Moore, DS; Morrison, G.; McKeown, GJ Emotsioonidega seotud füsioloogiliste muutuste analüüs zipline tegevuse ajal. Sport. Eng. 2020, 23, 1.–11. [CrossRef]

22. Rao, P.; Seshadri, DR; Hsu, J. Kantavate esemete praegused ja potentsiaalsed rakendused spordikardioloogias. Curr. Ravida. Valikud Cardiovasc. Med. 2021, 23, 1.–15. [CrossRef]

23. Chen, J.; Abbott, M.; Shieh, JS Valu ja stressi tuvastamine kantavate andurite ja seadmete abil – ülevaade. Andurid 2021, 21, 1030. [CrossRef]

24. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Kantavad andurid sportlase sisemise ja välise töökoormuse jälgimiseks. NPJ number. Med. 2019, 2, 7608867. [CrossRef]

25. Juslin, PN; Sloboda, J. Muusika ja emotsiooni käsiraamat: teooria, uurimused, rakendused; Oxford University Press: Oxford, Ühendkuningriik, 2011.

26. Schaefer, HE Muusika tekitatud emotsioonid – praegused uuringud. Esiosa. Neurosci. 2017, 11, 600. [CrossRef]

27. Uhlig, S.; Jaschke, A.; Scherder, E. Muusika mõju emotsioonide regulatsioonile: süstemaatiline kirjanduse ülevaade. In Proceedings of the 3rd International Conference on Music & Emotion, Jyväskylä, Soome, 11.–15.06.2013.

28. Huang, J.; Li, X. Muusikateraapia mõjud ja rakendused psühholoogilisele tervisele: ülevaade. In Proceedings of the 2021 International Conference on Public Art and Human Development (ICPAHD 2021), Kunming, Hiina, 24.–26.12.2021; lk 984–989.

29. Baird, A.; Samson, S. Muusika mälu Alzheimeri tõve korral: unustamatu? Neuropsühhol. Rev. 2009, 19, 85–101. [CrossRef]

30. Stephenson, R.; Beddoes, Z.; Otterson, S.; Rugen, J. Muusika kasutamise praktilised rakendused kehalise kasvatuse motivatsiooni ja kehalise aktiivsuse suurendamiseks. Strateegiad 2022, 35, 17–22. [CrossRef]

31. Scherer, KR Milliseid emotsioone võib muusika esile kutsuda? Millised on selle aluseks olevad mehhanismid? Ja kuidas me saame neid mõõta? J. New Music Res. 2004, 33, 239–251. [CrossRef]

32. Juslin, PN Musical Emotions Explained: Muusikalise mõju saladuste avamine; Oxford University Press: Cary, NC, USA, 2019.

33. Kim, J.; André, E. Emotsioonide äratundmine muusika kuulamise füsioloogilistel muutustel. IEEE Trans. Muster Anal. Mach. Intell. 2008, 30, 2067–2083. [CrossRef] [PubMed]

34. Ayata, D.; Yaslan, Y.; Kawasaki, ME Emotsioonidel põhinev muusikasoovitussüsteem, mis kasutab kantavaid füsioloogilisi andureid. IEEE Trans. Tarbida. elektron. 2018, 64, 196–203. [CrossRef]

35. Eerola, T.; Vuoskoski, JK Emotsiooni diskreetsete ja dimensiooniliste mudelite võrdlus muusikas. Psychol. Muusika 2011, 39, 18–49. [CrossRef]

36. Karageorghis, CI; Ekkekakis, P.; Lind, JM; Bigliassi, M. Muusika treening- ja spordivaldkonnas: kontseptuaalsed lähenemisviisid ja nende aluseks olevad mehhanismid. In The Routledge Companion to Embodied Music Interaction; Routledge: London, Suurbritannia, 2017; lk 284–293.

37. Terry, arvuti; Karageorghis, CI; Curran, ML; Martin, OV; Parsons-Smith, RL Muusika mõju treeningule ja spordile: metaanalüütiline ülevaade. Psychol. Bull. 2020, 146, 91. [CrossRef]

38. Chaturvedi, V.; Kaur, AB; Varshney, V.; Garg, A.; Chhabra, GS; Kumar, M. Muusika meeleolu ja inimese emotsioonide äratundmine füsioloogiliste signaalide põhjal: süstemaatiline ülevaade. Multimeedia. Syst. 2022, 28, 21–44. [CrossRef]

39. Brandt, N.; Razon, S. Isevalitud muusika mõju afektiivsetele vastustele ja jooksvale jõudlusele: suunad ja tagajärjed. Int. J. Harjutus. Sci. 2019, 12, 310–323.

40. Hutchinson, JC; Jones, L.; Vitti, SN; Moore, A.; Dalton, PC; O'Neil, BJ Enesevalitud muusika mõju afektiga reguleeritud treeningu intensiivsusele ja meeldejäävale naudingule jooksulindil jooksmise ajal. Sport. Harjutus. Esitage. Psychol. 2018, 7, 80. [CrossRef]

41. Hutchinson, JC Jookseb koos muusikaga. AMAA J. 2017, 30, 13–16.

42. Wijnalda, G.; Pauws, S.; Vignoli, F.; Stuckenschmidt, H. Isikupärastatud muusikasüsteem spordisoorituse motiveerimiseks. IEEE läbiv arvuti. 2005, 4, 26–32. [CrossRef]

43. Elliott, GT; Tomlinson, B. PersonalSoundtrack: kontekstiteadlikud esitusloendid, mis kohanduvad kasutaja tempoga. Proceedings of the CHI'06 laiendatud kokkuvõtted inimfaktoritest arvutussüsteemides, Montréal, Québec, Kanada, 22.–27. aprill 2006; lk 736–741.

44. De Oliveira, R.; Oliver, N. Triplebeat: harjutuste sooritamise tõhustamine veenmisega. 2.–5. september 2008 Amsterdamis, Hollandis toimuva 10. rahvusvahelise konverentsi, mis käsitleb inimeste ja arvutite interaktsiooni mobiilseadmete ja teenustega, kogumikus; lk 255–264.

45. Bauer, C.; Kratschmar, A. Muusikaga juhitava jooksurakenduse kujundamine: sporditeadus ja psühholoogiline vaatenurk. In Proceedings of the 33. Annual ACM Conference Extended Abstracts on Human Factors in Computing Systems, Soul, Korea Vabariik, 18.–23. aprill 2015; lk 1379–1384.

46. ​​Álvarez, P.; Zarazaga-Soria, FJ; Baldassarri, S. Mobiilimuusika soovitused jooksjatele asukoha ja emotsioonide põhjal: DJ-Running süsteem. Läbiv Mob. Arvuta. 2020, 67, 101242. [CrossRef]

47. Álvarez, P.; de Quirós, JG; Baldassarri, S. RIADA: masinõppel põhinev infrastruktuur Spotify laulude emotsioonide äratundmiseks. Int. J. Suhtlema. Multimeedia. Artif. Intell. 2022, 1.–14. [CrossRef]

48. Álvarez, P.; Guiu, A.; Beltrán, JR; de Quirós, JG; Baldassarri, S. DJ-Running: Emotsioonidel põhinev süsteem Spotify laulude soovitamiseks jooksjatele. In Proceedings of the icSPORTS, Viin, Austria, 20.–21. september 2019; lk 55–63.

49. Álvarez, P.; Beltrán, JR; Baldassarri, S. Dj-running: Kantavad esemed ja emotsioonid jooksusoorituse parandamiseks. Inimsüsteemide projekteerimise ja projekteerimise rahvusvahelise konverentsi toimetistes: tulevikusuundumused ja rakendused; Springer: Berliin/Heidelberg, Saksamaa, 2018; lk 847–853.

50. Girardi, D.; Lanubile, F.; Novielli, N. Emotsioonide tuvastamine mitteinvasiivsete odavate andurite abil. In Proceedings of the 2017 Seventh International Conference on Affective Computing and Intelligent Interaction (ACII), San Antonio, TX, USA, 23.–26. oktoober 2017; lk 125–130. [CrossRef]

51. Soleymani, M.; Lichtenauer, J.; Pun, T.; Pantic, M. Multimodaalne afektiandmebaas mõjude tuvastamiseks ja kaudseks märgistamiseks. Mõjutada. Arvuta. IEEE Trans. 2012, 3, 42–55. [CrossRef]

52. Shukla, J.; Barreda-Ángeles, M.; Oliver, J.; Nandi, G.; Puig, D. Funktsioonide ekstraheerimine ja valimine emotsioonide tuvastamiseks elektrodermaalsest tegevusest. IEEE Trans. Mõjutada. Arvuta. 2019, 12, 857–869. [CrossRef]

53. Empatica E4 Kirjeldus. 2021. Internetis saadaval: https://www.empatica.com/en-eu/research/e4/ (kasutatud 30. novembril 2019).

54. GSR-logeri andur NUL-217. 2017. Internetis saadaval: http://neulog.com/gsr/ (kasutatud 14. jaanuaril 2023).

55. Biosignalspluxi komplekt. 2023. Internetis saadaval: https://www.pluxbiosignals.com (kasutatud 14. jaanuaril 2023).

56. Shimmer Evelopment Kits. 2022. Internetis saadaval: https://shimmersensing.com/wearable-sensor-products/development-kits/ (kasutatud 18. detsembril 2022).

57. Hui, TK; Sherratt, RS Levinud kantavate biosensorite emotsioonide tuvastamise katvus. Biosensors 2018, 8, 30. [CrossRef]

58. Van Dooren, M.; Janssen, JH Emotsionaalne higistamine kogu kehas: 16 erineva naha juhtivuse mõõtmise koha võrdlus. Physiol. Behav. 2012, 106, 298–304. [CrossRef]

59. Russell, J. Mõju tsirkumplex mudel. J. Isiklik. Soc. Psychol. 1980, 39, 1161–1178. [CrossRef]

60. Romeo, L.; Cavallo, A.; Pepa, L.; Bianchi-Berthouze, N.; Pontil, M. Mitmekordne õpe emotsioonide äratundmiseks, kasutades füsioloogilisi signaale. IEEE Trans. Mõjutada. Arvuta. 2022, 13, 389–407. [CrossRef]

61. Gjoreski, M.; Gjoreski, H.; Luštrek, M.; Gams, M. Pidev stressi tuvastamine randmeseadme abil: laboris ja tegelikus elus. 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. september 2016; lk 1185–1193. [CrossRef]

62. Correa, JAM; Abadi, MK; Sebe, N.; Patras, I. AMIGOS: Andmekogum indiviidide ja rühmade mõjude, isiksuse ja meeleolu uurimiseks. IEEE Trans. Mõjutada. Arvuta. 2021, 12, 479–493. [CrossRef]

63. Santamaria-Granados, L.; Munoz-Organero, M.; Ramirez-González, G.; Abdulhay, E.; Arunkumar, N. Sügava konvolutsioonilise närvivõrgu kasutamine emotsioonide tuvastamiseks füsioloogiliste signaalide andmestikul (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: Andmebaas emotsioonide analüüsiks, kasutades füsioloogilisi signaale. IEEE Trans. Mõjutada. Arvuta. 2012, 3, 18–31. [CrossRef]

65. Navarro, D.; Garro, V.; Sundstedt, V. Elektrodermaalse aktiivsuse hindamine mängijate kogemuste kohta virtuaalreaalsuse mängudes: faasikomponentide analüüs. In Proceedings of the 17th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP 2022), võrgus, 6.–8. veebruar 2022; lk 108–116. [CrossRef]

66. sci-kit-learn: masinõpe Pythonis. Internetis saadaval: https://scikit-learn.org/stable/ (kasutatud 14. novembril 2022).

67. Jang, EH; Park, BJ; Park, MS; Kim, SH; Sohn, JH. Füsioloogiliste signaalide analüüs igavuse, valu ja üllatusemotsioonide äratundmiseks. J. Phys. Anthropol. 2015, 34, 25. [CrossRef] [PubMed]

68. Bergstra, J.; Bengio, Y. Juhuslik otsing hüperparameetrite optimeerimiseks. J. Mach. Õppige. Res. 2012, 13, 281–305.

Lahtiütlus/väljaandja märkus:Kõikides väljaannetes sisalduvad väited, arvamused ja andmed on ainult konkreetse(te) autori(te) ja kaastöölise(te), mitte MDPI ja/või toimetaja(te) avaldused, arvamused ja andmed. MDPI ja/või toimetaja(d) loobuvad vastutusest inimeste või vara vigastuste eest, mis tulenevad sisus viidatud ideedest, meetoditest, juhistest või toodetest.

【Lisateabe saamiseks:george.deng@wecistanche.com / WhatsApp:8613632399501】