Materiale purtabile și învățare automată pentru îmbunătățirea motivației alergătorilor dintr-o perspectivă afectivă Partea 2

3.5. Construirea modelelor de recunoaștere

Scopul este acum de a construi modelele de clasificare descrise și de a compara performanța acestora pentru a selecta cea mai bună abordare pentru recunoașterea emoțiilor. Au fost luate în considerare cinci tipuri de algoritmi de învățare automată: K-nearest neighbors (KNN), random forest (RF), multi-strat perceptron (MLP), liniar support vector classifier (LSVC) și gradient boosting (GB). Unii dintre acești algoritmi au fost utilizați anterior cu rezultate bune în recunoașterea emoțiilor [60,62,67]. Cu toate acestea, am luat în considerare și posibilitatea ca utilizarea unui algoritm unic să nu fie cea mai bună opțiune pentru construirea diferitelor modele de clasificare. Prin urmare, este studiat și cel mai bun algoritm de învățare automată pentru fiecare model particular.

Faceți clic pe oboseală cronică

【Pentru mai multe informații:george.deng@wecistanche.com / WhatsApp:8613632399501】

Înainte de a compara diferiții algoritmi, modelele candidate au fost antrenate prin aplicarea diferitelor permutări ale caracteristicilor și diferite configurații de hiperparametri pentru a găsi cea mai bună opțiune din punct de vedere al clasificării. Evaluarea configurațiilor a fost efectuată utilizând algoritmul de căutare randomizat furnizat de Scikit Learn [68] și antrenamentul prin efectuarea unei validări încrucișate repetate 5-fold. Utilizarea acestei abordări de validare este deosebit de importantă atunci când modelele sunt construite din seturi de date de dimensiuni mici, ca în acest caz, deoarece evită efectuarea testului cu eșantioane slab reprezentative. Validarea încrucișată repetată reduce eroarea de supraadaptare derivată din lucrul cu aceste seturi de date de dimensiuni mici și îmbunătățește performanța modelelor.

Tabelul 3 prezintă rezultatele obținute pentru diferitele opțiuni de clasificare (4-Class și respectiv Fericit/Trist/Agresiv/Relaxat). Pentru fiecare dintre ei, cei cinci algoritmi de învățare automată au fost aplicați pentru a construi modelul de recunoaștere corespunzător (a doua coloană a tabelului). Aceste modele au fost configurate cu introducerea optimă de caracteristici (a treia coloană a tabelului) și hiperparametri. Apoi, patru dintre metricile de clasificare utilizate de obicei în evaluarea modelelor au fost calculate pentru diferitele soluții: Acuratețe, F1, Precizie și Recall (de la a patra la a șaptea coloană). Suntem interesați în special de analiza rezultatelor scorului F1-, care sunt calculate din valorile de precizie și de reamintire. Scorul F1- oferă o măsură fiabilă atunci când setul de date utilizat pentru crearea modelelor este dezechilibrat, ca în acest caz. Setul de date utilizat în această lucrare conține 25% eșantioane pozitive (emoția care trebuie recunoscută) și 75% eșantioane negative (restul emoțiilor) și, prin urmare, scorul de acuratețe ar putea oferi o estimare prea optimistă a capacității de clasificare pe clasa majoritara. În cele din urmă, după analiza valorilor de clasificare, cel mai bun model de învățare automată a fost evidențiat în culoarea verde.

În cazul modelului de clasificare multiclasă ({{0}}Clasa, Opțiunea 1), scorul F1-rezultatele celor cinci modele care au fost construite sunt foarte slabe. Modelul forestier aleatoriu iese puțin în evidență față de celelalte, cu un scor F1-de 0,288, dar în general, rezultatele sunt foarte asemănătoare (acestea par a fi corelate cu numărul de clase care trebuie recunoscute de modele) . Prin urmare, capacitatea de recunoaștere a acestor modele este mai mică decât este de dorit pentru determinarea emoțiilor utilizatorului.

În cazul opțiunii 2, utilizarea unui alt algoritm de învățare automată pentru recunoașterea emoțiilor aparținând fiecărui cadran Russell pare a fi o opțiune bună; mai precis, modelele k-nearest vecini au fost selectate pentru recunoașterea cadranelor Triste și Relaxat și modelele forestiere aleatorii pentru cadranele Fericit și Agresiv. Scorul F1-al modelelor selectate are o valoare între 0,61 și 0,65. Rezultatele acestei a doua opțiuni le îmbunătățesc pe cele obținute în abordarea 4-Class. Deși aceste rezultate pot părea scăzute în ceea ce privește ceea ce este de dorit în problemele de învățare automată, ele sunt similare cu rezultatele obținute în alte propuneri de recunoaștere a emoțiilor bazate pe date fiziologice [60,62].

4. DJ-Running: o aplicație bazată pe emoții pentru recomandarea muzicii

Scopul proiectului DJ-Running este de a crește motivația alergătorilor prin muzica Spotify. Modelele purtabile și de învățare automată prezentate în secțiunile anterioare sunt folosite pentru a determina emoțiile alergătorilor în timpul sesiunilor de antrenament. Aceste emoții sunt apoi analizate pentru a selecta melodiile care vor fi redate în fiecare moment.

Figura 4 prezintă o imagine de ansamblu la nivel înalt a componentelor tehnologice implicate în soluția finală. După cum se arată în partea stângă a figurii, echipamentul alergătorului constă dintr-o aplicație purtabilă și o aplicație mobilă care redă melodiile recomandate în timpul sesiunii de antrenament. Portabilul monitorizează parametrii fiziologici ai alergătorului și îi trimite periodic aplicației printr-o conexiune Bluetooth. Aplicația procesează intern aceste date senzoriale pentru a deduce emoțiile alergătorului, determină melodiile care vor fi redate în funcție de acele emoții și se conectează cu serviciul de streaming Spotify pentru a le reda.

Aplicația este compusă din patru module software: componenta de comunicare, componenta de procesare a datelor, sistemul de decizie bazat pe emoții și recomandatorul muzical bazat pe emoții. Primele două componente sunt responsabile pentru gestionarea comunicației wireless cu dispozitivul purtabil, primirea datelor senzorului și filtrarea acestor date înainte de a le stoca într-un depozit local. Filtrarea se bazează pe procesul descris în Figura 3 și are ca scop extragerea caracteristicilor corespunzătoare (caracteristici statistice și legate de evenimente) din datele primite. Celelalte două module sunt responsabile de recunoașterea emoțiilor alergătorului și, respectiv, de redarea muzicii motivante bazate pe acele emoții. Detaliile tehnice ale acestor două sisteme sunt descrise în paragrafele următoare.

Sistemul de decizie bazat pe emoții integrează cele patru modele binare de clasificare descrise în Secțiunea 3. Aceste modele determină emoția pe care alergătorul o simte probabil la un anumit interval de timp (la fiecare 30 secunde) din datele purtabile. De exemplu, rezultatul ((adevărat, fals, fals, fals), (0.71, 0.{{1{0}}3, 0.13 , 0.33))) reprezintă faptul că alergătorul se simte fericit cu o probabilitate de 0.71. Probabilitățile triste, agresive și relaxate (0,03, 0,13 și respectiv 0,33) sunt mai mici decât pragul de clasificare și, prin urmare, sentimentul alergătorului este clasificat ca netrist, neagresiv și nerelaxat. Secvența de emoții care este recunoscută în timpul sesiunii de antrenament permite sistemului să definească starea de spirit a alergătorului și schimbările emoționale pe care le suferă în acel timp. Acea informație afectivă este apoi folosită pentru a determina emoția care trebuie indusă alergătorului prin muzică. De exemplu, atunci când alergătorul este stresat, sistemul ar trebui să decidă că melodiile care urmează să fie redate să fie relaxante. Apoi, odată ce este relaxat, sistemul va sugera ca melodiile să fie motivate pentru a produce un efect pozitiv asupra stării de spirit a alergătorului. Aceste decizii bazate pe emoții sunt luate de un motor bazat pe reguli. Acesta integrează un set de reguli care au fost definite în colaborare cu alergătorii ca parte a proiectului DJ-Running. O descriere completă a metodei utilizate pentru determinarea acestor reguli poate fi găsită în [46].

Recomandatorul de muzică bazată pe emoții determină melodiile specifice care vor fi redate de aplicația mobilă din emoția sugerată de decident. Recomandatorul necesită o bază de date cu melodii care au fost anterior etichetate din perspectivă emoțională. În această lucrare, această bază de date a fost creată (și actualizată periodic) din serviciile disponibile în infrastructura RIADA [47]. RIADA oferă un depozit de etichete afective care determină emoția pe care o va produce probabil fiecare melodie Spotify în ascultător (au fost etichetate peste 50 de milioane de melodii).

Partea dreaptă a figurii 4 oferă o privire de ansamblu asupra componentelor RIADA care au fost implicate în crearea etichetelor. Aceste etichete se bazează, de asemenea, pe modelul afectiv al lui Russell și au fost determinate din metadatele melodiilor și caracteristicile audio. Un sistem de recuperare a datelor muzicale interacționează cu platforma Spotify orientată spre servicii pentru a accesa catalogul său de melodii și metadatele și caracteristicile audio ale acestor melodii. Apoi, un sistem de recunoaștere a emoțiilor muzicale determină automat emoția produsă de fiecare melodie din caracteristicile sale audio. Aceste emoții sunt traduse în etichete care sunt stocate în baza de date a infrastructurii RIADA. Recunoașterea emoțiilor muzicale se bazează pe tehnici de învățare automată și a fost programată pentru a sprijini procese de adnotare la scară largă, așa cum a fost detaliat în [47]. În cele din urmă, infrastructura publică un API care permite aplicațiilor să acceseze baza de date cu melodii etichetate.

Nucleul recomandatorului de muzică bazat pe emoții este un algoritm al vecinilor cei mai apropiați care funcționează pe baza de date locală de etichete pentru a găsi melodiile candidate pentru a fi redate. Recomandatorul creează un spațiu de căutare din caracteristicile audio ale melodiilor și etichetele emoționale conținute în baza de date. Fiecare punct al spațiului corespunde cu un cântec concret. Când se primește o nouă solicitare de recomandare, recomandatorul traduce emoția de intrare (emoția care trebuie produsă de alergător) într-un punct de căutare din spațiu. Această traducere este calculată prin aplicarea unor modele de regresie bazate pe caracteristicile audio ale melodiilor și pe efectele pe care unele dintre aceste caracteristici le pot produce la ascultători din punct de vedere emoțional. Apoi, algoritmul de vecinătate este aplicat pentru a găsi un set de melodii candidate (melodii apropiate de punctul de căutare). Acești candidați sunt ulterior filtrati pentru a elimina melodii similare sau pentru a elimina melodiile care nu se potrivesc preferințelor alergătorului. Aceste preferințe sunt definite de utilizatorul aplicației în timpul procesului de instalare și includ genurile muzicale, stilurile și decenii de interes.

5. Concluzii și lucrări viitoare

În această lucrare, a fost prezentat un prototip de produs care să recunoască emoțiile utilizatorilor de telefonie mobilă în timp real. Acesta constă într-un rezultat complet al ingineriei care combină oameni, purtabile, tehnici de învățare automată, computere mobile și soluții bazate pe servicii. Soluția a fost concepută pentru a fi ușor integrată în aplicațiile mobile în care componenta afectivă a utilizatorilor joacă un rol relevant. Recunoașterea emoțiilor bazată pe chestionare de autoevaluare are unele dezavantaje: utilizatorii nu sunt întotdeauna capabili să exprime ceea ce simt, poate fi plictisitor pentru utilizatori sau nu este aplicabil pentru anumite tipuri de probleme (de exemplu, atunci când utilizatorii sunt în continuu mişcare). Din aceste motive, recunoașterea în timp real apare ca o alternativă foarte interesantă. În plus, posibilitatea de a avea acces la datele brute ale senzorului permite programarea altor modele de cunoștințe bazate pe date fiziologice sau soluții de data mining care ajută la înțelegerea comportamentului afectiv al utilizatorilor.

Din punct de vedere tehnic, soluția constă dintr-un purtabil și un set de modele de recunoaștere. Portabilul este un prototip special conceput pentru alergători, cu hardware simplu și cost de producție scăzut în comparație cu dispozitivele comerciale. Modelele de recunoaștere a emoțiilor se bazează pe algoritmi de învățare automată. Din datele senzorului EDA au fost extrase diferite caracteristici și evaluate pentru a determina relevanța lor în procesul de recunoaștere a emoțiilor. Apoi, au fost evaluate două abordări diferite de clasificare: un model de clasificare multiclasă versus patru modele de clasificare binară. Rezultatele primei abordări nu au fost atât de bune pe cât se aștepta, după ce s-au luat în considerare diferite permutări ale caracteristicilor și diferite configurații ale hiperparametrilor. A doua abordare s-a dovedit a fi o opțiune mai bună atunci când algoritmii de pădure aleatoare și K- vecinii cei mai apropiați au fost combinați pentru deducerea emoțiilor.

Soluția propusă a fost integrată în aplicația mobilă DJ-Running pentru a testa aplicabilitatea acesteia la o problemă reală. În acest caz, emoțiile au fost folosite pentru a regla starea de spirit a alergătorilor prin muzică în funcție de activitatea fizică pe care o desfășurau și de mediul în care se antrenau.

Ca lucrări viitoare, pe de o parte, suntem deosebit de interesați să folosim rezultatele acestei cercetări pentru a obține o soluție mai apropiată de un produs pe termen mediu. Necesită, în primul rând, rafinarea hardware-ului purtabil pentru a-i reduce dimensiunea și integrarea de noi senzori care sunt utili pentru a îmbunătăți recunoașterea emoțiilor. În plus, datele acestor senzori vor trebui procesate pentru a obține noi caracteristici care să permită construirea unor modele de recunoaștere mai precise. Pe de altă parte, am dori să reutilizam rezultatele pentru alte domenii de aplicație, de exemplu, sănătate, wellness sau divertisment. În aceste domenii, emoțiile și datele de la alte dispozitive inteligente (de exemplu, instalate în casă sau purtate de utilizator) vor fi probabil combinate pentru a extrage cunoștințe pentru a ajuta la crearea de noi experiențe centrate pe utilizator.

Contribuții ale autorului:Software, JGdQ; Investigație, SB, JRB și P.Á. Toți autorii au citit și au fost de acord cu versiunea publicată a manuscrisului.

Finanțarea:Această cercetare a fost susținută de proiectele PDC2021-121072-C22, TED2021-130374B-C22 și RTI2018-096986-B-C31, acordate de Ministerul Spaniol de Economía y Competitividad și de DisCo- Proiecte T21-20R și Affective-Lab-T60-20R, acordate de Guvernul Aragonez.

Declarația Comisiei de revizuire instituțională:Nu se aplică.

Declarație de consimțământ informat:Nu se aplică.

Declarație de disponibilitate a datelor:Nu se aplică.

Conflicte de interes:Autorii nu declară niciun conflict de interese.

Referințe

1. Vijayan, V.; Connolly, JP; Condell, J.; McKelvey, N.; Gardiner, P. Revizuirea dispozitivelor purtabile și a considerațiilor privind colectarea de date pentru sănătatea conectată. Senzori 2021, 21, 5589. [CrossRef] [PubMed]

2. Wang, H. Research on the Application of Wireless Wearable Sensing Devices in Interactive Music. J. Senzori 2021, 2021, 7608867. [CrossRef]

3. Olson, J.; Redkar, S. Un studiu asupra rețelelor de senzori purtabili în sănătate și divertisment. Aplicația MOJ. Bionics Biomech 2018, 2, 280–287. [CrossRef]

4. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Senzori purtabili pentru monitorizarea profilului fiziologic și biochimic al sportivului. Cifra NPJ. Med. 2019, 2, 72. [CrossRef]

5. Liu, L.; Zhang, X. O revizuire concentrată asupra senzorilor purtabili flexibili pentru sport: de la cinematică la fiziologii. Micromachines 2022, 13, 1356. [CrossRef]

6. Nithya, N.; Nallavan, G. Rolul articolelor purtabile în sport pe baza recunoașterii activității și a parametrilor biometrici: un sondaj. În Proceedings of the 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS), Coimbatore, India, 25-27 martie 2021; p. 1700–1705.

7. Mencarini, E.; Rapp, A.; Tirabeni, L.; Zancanaro, M. Proiectarea sistemelor purtabile pentru sport: O revizuire a tendințelor și oportunităților în interacțiunea om-calculator. 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. Abordarea senzorului inerțial purtabil pentru evaluările ajustării posturale în timpul perturbărilor previzibile în sport. Senzori 2022, 22, 8272. [CrossRef]

9. McCarthy, PJ Emoția pozitivă în performanța sportivă: starea actuală și direcțiile viitoare. Int. Rev. Sport Exercit. Psih. 2011, 4, 50–69. [CrossRef]

10. Lane, AM; Devonport, TJ; Friesen, AP; Beedie, CJ; Fullerton, CL; Stanley, DM Cum ar trebui să-mi reglez emoțiile dacă vreau să alerg mai repede? EURO. J. Sport Sci. 2016, 16, 465–472. [CrossRef]

11. Lazarus, RS Cum influențează emoțiile performanța în sporturile de competiție. Psihul Sportiv. 2000, 14, 229–252. [CrossRef]

12. Wagstaff, CR; Tamminen, KA Emoții. Stres, bunăstare și performanță în sport; Routledge, Taylor și Francis Group: Londra, Marea Britanie, 2021; pp. 97–112.

13. Prapavessis, H. POMS și performanța sportivă: o revizuire. J. Apl. Psihul Sportiv. 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. Recunoașterea emoțiilor folosind purtabile: O revizuire sistematică a literaturii-work-in-progress. În Proceedings of the 2020 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops), Austin, TX, SUA, 23-27 martie 2020; pp. 1–6.

15. Szwoch, W. Recunoașterea emoțiilor folosind semnale fiziologice. În Proceedings of the Multimedia, Interaction, Design and Innovation, Varșovia, Polonia, 29–30 iunie 2015; pp. 1–8.

16. Gunes, H.; Schuller, B. Analiza afectelor categoriale și dimensionale în intrare continuă: Tendințe curente și direcții viitoare. Imagine Vis. Calculator. 2013, 31, 120–136. [CrossRef]

17. Azhar, M.; Nelson, T.; Casey, A. Utilizarea tehnologiei purtabile pentru a măsura răspunsurile emoționale în rândul jucătorilor de tenis. În Proceedings of the EAI International Conference on Technology, Inovation, Entrepreneurship and Education; Springer: Berlin/Heidelberg, Germania, 2017; pp. 91–105.

18. Havlucu, H.; Akgun, B.; Eskenazi, T.; Coskun, A.; Ozcan, O. Către detectarea zonei jucătorilor de tenis de elită prin intermediul tehnologiei purtabile. Față. Sport. Act. Living 2022, 4, 939641. [CrossRef]

19. Bi, T.; Bianchi-Berthouze, N.; Singh, A.; Costanza, E. Înțelegerea experienței comune a alergătorilor și a spectatorilor în evenimentele de alergare pe distanțe lungi. În Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, Glasgow, Marea Britanie, 4–9 mai 2019; pp. 1–13.

20. Dupré, D.; Bland, B.; Bolster, A.; Morrison, G.; McKeown, G. Model dinamic al emoțiilor sportivilor bazat pe dispozitive purtabile. În Proceedings of the International Conference on Applied Human Factors and Ergonomics; Springer: Berlin/Heidelberg, Germania, 2017, pp. 42–50.

21. Dupré, D.; Andelic, N.; Moore, DS; Morrison, G.; McKeown, GJ Analiza modificărilor fiziologice legate de emoții în timpul unei activități de tiroliană. Sport. ing. 2020, 23, 1–11. [CrossRef]

22. Rao, P.; Seshadri, DR; Hsu, J. Aplicații curente și potențiale ale purtabilelor în cardiologie sportivă. Curr. Trata. Opțiuni Cardiovasc. Med. 2021, 23, 1–15. [CrossRef]

23. Chen, J.; Abbott, M.; Shieh, JS Detectarea durerii și a stresului folosind senzori și dispozitive portabile — O recenzie. Senzori 2021, 21, 1030. [CrossRef]

24. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Senzori purtabili pentru monitorizarea volumului de lucru intern și extern al sportivului. Cifra NPJ. Med. 2019, 2, 7608867. [CrossRef]

25. Juslin, PN; Sloboda, J. Manual de muzică și emoție: Teorie, cercetare, aplicații; Oxford University Press: Oxford, Marea Britanie, 2011.

26. Schaefer, HE Emoții evocate de muzică — Studii curente. Față. Neurosci. 2017, 11, 600. [CrossRef]

27. Uhlig, S.; Jaschke, A.; Scherder, E. Efectele muzicii asupra reglarii emoțiilor: o revizuire sistematică a literaturii. În Proceedings of the 3rd International Conference on Music & Emotion, Jyväskylä, Finlanda, 11-15 iunie 2013.

28. Huang, J.; Li, X. Efecte și aplicații ale terapiei muzicale asupra sănătății psihologice: o revizuire. În Proceedings of the 2021 International Conference on Public Art and Human Development (ICPAHD 2021), Kunming, China, 24–26 decembrie 2021; p. 984–989.

29. Baird, A.; Samson, S. Memorie pentru muzică în boala Alzheimer: de neuitat? Neuropsicol. Rev. 2009, 19, 85–101. [CrossRef]

30. Stephenson, R.; Beddoes, Z.; Otterson, S.; Rugen, J. Aplicații practice bazate pentru utilizarea muzicii pentru a crește motivația și activitatea fizică în educația fizică. Strategii 2022, 35, 17–22. [CrossRef]

31. Scherer, KR Ce emoții pot fi induse de muzică? Care sunt mecanismele care stau la baza? Și cum le putem măsura? J. New Music Res. 2004, 33, 239–251. [CrossRef]

32. Juslin, PN Emoțiile muzicale explicate: Deblocarea secretelor afectului muzical; Oxford University Press: Cary, NC, SUA, 2019.

33. Kim, J.; André, E. Recunoașterea emoțiilor bazată pe modificări fiziologice în ascultarea muzicii. IEEE Trans. Model Anal. Mach. Intelege. 2008, 30, 2067–2083. [CrossRef] [PubMed]

34. Ayata, D.; Yaslan, Y.; Kawasaki, ME Sistem de recomandare muzicală bazat pe emoții, folosind senzori fiziologici portabili. IEEE Trans. Consum. Electron. 2018, 64, 196–203. [CrossRef]

35. Eerola, T.; Vuoskoski, JK O comparație a modelelor discrete și dimensionale ale emoției în muzică. Psih. Muzică 2011, 39, 18–49. [CrossRef]

36. Karageorghis, CI; Ekkekakis, P.; Pasăre, JM; Bigliassi, M. Muzica în domeniul exercițiului și sportului: abordări conceptuale și mecanisme subiacente. În The Routledge Companion to Embodied Music Interaction; Routledge: Londra, Marea Britanie, 2017; p. 284–293.

37. Terry, PC; Karageorghis, CI; Curran, ML; Martin, OV; Parsons-Smith, RL Efectele muzicii în exerciții și sport: o revizuire meta-analitică. Psih. Taur. 2020, 146, 91. [CrossRef]

38. Chaturvedi, V.; Kaur, AB; Varshney, V.; Garg, A.; Chhabra, GS; Kumar, M. Starea de spirit muzicală și recunoașterea emoțiilor umane bazate pe semnale fiziologice: o revizuire sistematică. Multimedia. Syst. 2022, 28, 21–44. [CrossRef]

39. Brandt, N.; Razon, S. Efectul muzicii auto-selectate asupra răspunsurilor afective și a performanței de alergare: Direcții și implicații. Int. J. Exercic. Sci. 2019, 12, 310–323.

40. Hutchinson, JC; Jones, L.; Vitti, SN; Moore, A.; Dalton, PC; O'Neil, BJ Influența muzicii auto-selectate asupra intensității exercițiilor reglate de afect și a plăcerii amintite în timpul alergării pe banda de alergare. Sport. Exerc. A executa. Psih. 2018, 7, 80. [CrossRef]

41. Hutchinson, JC Alergare cu muzică. AMAA J. 2017, 30, 13–16.

42. Wijnalda, G.; Pauws, S.; Vignoli, F.; Stuckenschmidt, H. Un sistem muzical personalizat pentru motivarea în performanța sportivă. IEEE Pervasive Comput. 2005, 4, 26–32. [CrossRef]

43. Elliott, GT; Tomlinson, B. PersonalSoundtrack: Liste de redare care țin cont de context care se adaptează la ritmul utilizatorului. În Proceedings of the CHI'06 rezumate extinse despre factorii umani în sistemele de calcul, Montréal, Québec, Canada, 22-27 aprilie 2006; p. 736–741.

44. De Oliveira, R.; Oliver, N. Triplebeat: Îmbunătățirea performanței la exerciții cu persuasiune. În Proceedings of the 10th International Conference on Human-Computer Interaction with Mobile Devices and Services, Amsterdam, Țările de Jos, 2–5 septembrie 2008; p. 255–264.

45. Bauer, C.; Kratschmar, A. Proiectarea unei aplicații de alergare controlată de muzică: O știință a sportului și o perspectivă psihologică. În Proceedings of the 33th Annual Conference ACM Extended Abstracts on Human Factors in Computing Systems, Seul, Republica Coreea, 18–23 aprilie 2015; p. 1379–1384.

46. ​​Álvarez, P.; Zarazaga-Soria, FJ; Baldassarri, S. Recomandări de muzică mobilă pentru alergători bazate pe locație și emoții: Sistemul DJ-Running. Mob omniprezent. Calculator. 2020, 67, 101242. [CrossRef]

47. Álvarez, P.; de Quirós, JG; Baldassarri, S. RIADA: O infrastructură bazată pe învățare automată pentru recunoașterea emoțiilor melodiilor Spotify. Int. J. Interacționează. Multimedia. Artif. Intelege. 2022, 1–14. [CrossRef]

48. Álvarez, P.; Guiu, A.; Beltrán, JR; de Quirós, JG; Baldassarri, S. DJ-Running: Un sistem bazat pe emoții pentru recomandarea melodiilor Spotify alergătorilor. În Proceedings of the icSPORTS, Viena, Austria, 20–21 septembrie 2019; pp. 55–63.

49. Álvarez, P.; Beltrán, JR; Baldassarri, S. Dj-running: purtabile și emoții pentru îmbunătățirea performanței de alergare. În Proceedings of the International Conference on Human Systems Engineering and Design: Future Trends and Applications; Springer: Berlin/Heidelberg, Germania, 2018; p. 847–853.

50. Girardi, D.; Lanubile, F.; Novielli, N. Detectarea emoțiilor folosind senzori neinvazivi cu costuri reduse. În Proceedings of the 2017 Seventh International Conference on Affective Computing and Intelligent Interaction (ACII), San Antonio, TX, SUA, 23–26 octombrie 2017; p. 125–130. [CrossRef]

51. Soleymani, M.; Lichtenauer, J.; Pun, T.; Pantic, M. O bază de date afectivă multimodală pentru recunoașterea afectelor și etichetarea implicită. A afecta. Calculator. IEEE Trans. 2012, 3, 42–55. [CrossRef]

52. Shukla, J.; Barreda-Ángeles, M.; Oliver, J.; Nandi, G.; Puig, D. Extracția și selecția caracteristicilor pentru recunoașterea emoțiilor din activitatea electrodermică. IEEE Trans. A afecta. Calculator. 2019, 12, 857–869. [CrossRef]

53. Empatica E4 Descriere. 2021. Disponibil online: https://www.empatica.com/en-eu/research/e4/ (accesat la 30 noiembrie 2019).

54. Senzor GSR Logger NUL-217. 2017. Disponibil online: http://neulog.com/gsr/ (accesat la 14 ianuarie 2023).

55. Kitul Biosignalsplux. 2023. Disponibil online: https://www.pluxbiosignals.com (accesat pe 14 ianuarie 2023).

56. Truse de dezvoltare Shimmer. 2022. Disponibil online: https://shimmersensing.com/wearable-sensor-products/development-kits/ (accesat pe 18 decembrie 2022).

57. Hui, TK; Sherratt, RS Acoperirea recunoașterii emoțiilor pentru biosenzorii obișnuiți. Biosenzori 2018, 8, 30. [CrossRef]

58. Van Dooren, M.; Janssen, JH Transpirația emoțională pe tot corpul: comparând 16 locații diferite de măsurare a conductanței pielii. Physiol. Comportament. 2012, 106, 298–304. [CrossRef]

59. Russell, J. Un model circumplex de efect. J. Personal. Soc. Psih. 1980, 39, 1161–1178. [CrossRef]

60. Romeo, L.; Cavallo, A.; Pepa, L.; Bianchi-Berthouze, N.; Pontil, M. Învățare în mai multe cazuri pentru recunoașterea emoțiilor folosind semnale fiziologice. IEEE Trans. A afecta. Calculator. 2022, 13, 389–407. [CrossRef]

61. Gjoreski, M.; Gjoreski, H.; Luštrek, M.; Gams, M. Detectarea continuă a stresului utilizând un dispozitiv de încheietură: în laborator și în viața reală. În Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing: Adjunct; Association for Computing Machinery, New York, NY, SUA, 12–16 septembrie 2016; p. 1185–1193. [CrossRef]

62. Correa, JAM; Abadi, MK; Sebe, N.; Patras, I. AMIGOS: Un set de date pentru cercetarea asupra afectului, personalității și dispoziției asupra indivizilor și grupurilor. IEEE Trans. A afecta. Calculator. 2021, 12, 479–493. [CrossRef]

63. Santamaria-Granados, L.; Munoz-Organero, M.; Ramirez-González, G.; Abdulhay, E.; Arunkumar, N. Utilizarea rețelei neuronale convoluționale profunde pentru detectarea emoțiilor pe un set de date de semnale fiziologice (AMIGOS). Acces IEEE 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: O bază de date pentru analiza emoțiilor folosind semnale fiziologice. IEEE Trans. A afecta. Calculator. 2012, 3, 18–31. [CrossRef]

65. Navarro, D.; Garro, V.; Sundstedt, V. Evaluarea activității electrodermice a experienței jucătorilor în jocurile de realitate virtuală: o analiză a componentelor faze. În Proceedings of the 17th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP 2022), Online, 6–8 February 2022; pp. 108–116. [CrossRef]

66. sci-kit-learn: Machine Learning în Python. Disponibil online: https://scikit-learn.org/stable/ (accesat pe 14 noiembrie 2022).

67. Jang, EH; Park, BJ; Park, MS; Kim, SH; Sohn, JH Analiza semnalelor fiziologice pentru recunoașterea emoțiilor de plictiseală, durere și surpriză. J. Fiz. Anthropol. 2015, 34, 25. [CrossRef] [PubMed]

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

Disclaimer/Nota editorului:Declarațiile, opiniile și datele conținute în toate publicațiile sunt exclusiv ale autorilor și colaboratorilor individuali și nu ale MDPI și/sau ale editorilor. MDPI și/sau editorii își declină responsabilitatea pentru orice vătămare a persoanelor sau proprietății care rezultă din orice idei, metode, instrucțiuni sau produse la care se face referire în conținut.

【Pentru mai multe informații:george.deng@wecistanche.com / WhatsApp:8613632399501】