CC BY
108
УДК 681.518:004.93.1
Довбиш А. С.1, Шелехов I. В.2, Прилепа Д. В.3
1Д-р техн. наук, професор, зав. каф. комп'ютерних наук, Сумський державний университет, УкраТна 2Канд. техн. наук, доцент кафедри комп'ютерних наук, Сумський державний ун1верситет, УкраТна 3Асп1рант кафедри комп'ютерних наук, Сумський державний ун1верситет, УкраТна
1НФОРМАЦ1ЙНО-ЕКСТРЕМАЛЬНИЙ АЛГОРИТМ НАВЧАННЯ СИСТЕМИ Д1АГНОСТУВАННЯ ЕМОЦ1ЙНО-ПСИХ1ЧНОГО СТАНУ _ЛЮДИНИ_
Розглядаеться метод розшзнавання емоцiйно-психiчного стану людини за зображеннями и обличчя. При цьому запропоновано для одержання додатково1 шформаци використовувати такi фрагменти зображення обличчя людини, яю включають зони очей i носу. Формування вхщного математичного опису системи розпiзнавання здшснюеться шляхом аналiзу лiвопiвкульних та правотвкульних зображень обличчя людини. При цьому попередньо для стабшьного емоцiйно-психiчного стану особи формуеться навчальна матриця яскравост зображення, як всього обличчя, так i його вiдповiдних фрагментiв. Машинне навчання здiйснюеться в рамках шформацшно-екстремально! штелектуально1 технологи, що грунтуеться на максим1зацп шформацшно1 спроможностi системи розшзнавання. Як критерш функцюнально1 ефективностi машинного навчання використано модифжовану iнформацiйну мiру Кульбака, яка розглядаеться як функцюнал вiд точнiсних характеристик двохальтернативних ршень. За побудованою категорiйною моделлю у виглядi вiдображення множин, задiяних в процес навчання, розроблено шформацшно-екстремальний алгоритм оптимiзацii геометричних параметрiв гшерсферичних контейнерiв класiв розпiзнавання, що вщновлюються в процесi навчання в радiальному базисi простору ознак. За результатами фiзичного моделювання доведено, що фрагменти обличчя е достатньо шформативними при розшзнаванш емоцiйно-психiчного стану людини.
Ключовi слова: iнформацiйно-екстремальна iнтелектуальна технологiя, комп'ютеризована система дiагностування, психодiагностування, навчання, критерш функцюнально1 ефективностi.
НОМЕНКЛАТУРА
ГЕ1-технолопя - шформацшно-екстремальна штелек-туальна технология;
СППР - система тдтримки прийняття ршень;
КФЕ - критерш функцюнально1 ефективностц
т - номер поточного класу розшзнавання;
М - потужтсть алфавггу клаав розшзнавання;
п - юлькють векгорiв-реалiзацiй (дал просто реалзацц);
хт - еталонна реалiзацiя, визначае геометричний центр контейнера класу хт;
dm - радiус контейнера класу хт;
Ет -iнформацiйний КФЕ навчання системи розшз-навати реатзаци класу хт;
Ое - робоча (допустима) область визначення функци КФЕ;
О - простiр вхвдних факторiв;
Т - множина моменпв часу зняття шформаци;
0 - проспр ознак розпiзнавання;
2 - проспр можливих емоцiйно-психологiчних станiв людини;
У - вибiркова множина (вхвдна навчальна матриця); - нештке розбиття простору ознак розпiзнавання;
м •
11 - множина допустимих гiпотез;
1 - юльюсть статистичних гiпотез;
© Довбиш А. С., Шелехов I. В., Прилепа Д. В., 2014 156 БОТ 10.15588/1607-3274-2014-2-21
- множина точшсних характеристик, де д = 12; Е - терм-множина значень шформацшного КФЕ;
¿2 - множина дiагнозiв емоцiйно-психологiчних станiв людини;
6 - оператор, який будуе розбиття простору оз-нак на класи розшзнавання;
^ - оператор, що перевiряе основну статистичну гипотезу про належшсть реалiзацil х\т\ класу хт;
У - оператор, що формуе множину точнiсних характеристик для задано1 системи оц1нок ршень;
ф - оператор, що обчислюе множину значень шфор-мац1йного КФЕ;
г - оператор, що реалiзуе иерацшний процес опти-
мiзацil геометричних парамет^в розбиття
и - оператор, що регламентуе процес навчання i доз-воляе оптимiзувати параметри його планування; Od - радус контейнерiв класiв розпiзнавання; I - номер ознаки розпiзнавання фрагмента зображення; ] - номер реалiзацil клаав фрагмента зображення обличчя пацiента;
- перша достовiрнiсть, обчислена на к-му кроцi навчання;
) - друга достовiрнiсть, обчислена на к-му кроц1 навчання;
р-К8К 1607-3274. Радюелектронжа, шформатика, управлiння. 2014. № 2 е-ЕЗБЫ 2313-688Х. Каёю Е1еойоп^, Сошриег Баепое, Сопйо1. 2014. № 2
а(к) - помилка першого роду, обчислена на к-му крощ навчання;
Р(к) - помилка другого роду, обчислена на к-му крощ навчання;
10-г - мале число для уникнення под1лу на нуль.
ВСТУП
Технолопя психод1агностування та корекцп привер-тала увагу спещал1спв з давтх чаав. Комп'югерш технологи психод1агностування за зображенням обличчя та його фрагменпв дозволяють пвдвищити достов1ршсть ощнки псих1чного стану людини та функцюнальну ефек-тившсть його корекцп [1, 2].
В1дом1 методи розтзнавання зображень [3, 4] носять в основному модельний характер, осшльки не врахову-ють перетин клаав розтзнавання, що характеризують р1зт псих1чт стани пащента та довшьт початков1 умови формування зображень. Тому основним шляхом тдви-щення функцюнально! ефективносп системи психод1аг-ностування за зображеннями обличчя пащента е надан-ня 1й властивосп адаптивносп на основ1 машинного навчання. Одним 1з перспективних пвдход1в до виршення ц1е! проблеми е застосування щей 1 метод1в 1Е1-техно-логл, яка основана на максим1зацп шформацшно! спро-можносп системи тдтримки прийняття ршень в про-цеа 11 навчання [5]. У працях [1, 6] запропоновано в рамках 1Е1-технологи алгоритм навчання системи психод1агностування за зображенням обличчя, але асим-птотична достов1ртсть розтзнавання виявилася недо-статньо високою.
В стат розглядаеться шформащйно-екстремальний алгоритм навчання СППР для ввдео-комп'ютерно! пси-ход1агностики та корекцп, з використанням фрагменпв зображення обличчя людини.
1 ПОСТАНОВКА ЗАДАЧ1
Розглянемо формал1зовану постановку задач1 шфор-мацшного синтезу для розтзнавання емоцшно-психчно-го стану людини за фрагментами зображенням 11 облич-
чя. Нехай дано алфавгг | т = 1,М} клаав розтзнаван-
ня, яю характеризують р1зт психолопчт стани пащента, 1 навчальну матрицю яскравосп зображення обличчя пац-
1ента || у' II, ' = 1, N, у = 1, п. При цьому рядок матриц 11 = 1 N1 визначае у -ту реал1защю, а стовпчик
{у Су' ) | у = 1, п} - навчальну виб1рку значень I -1 ознаки. Вщо-мий структурований вектор параметр1в навчання СППР g = (хт ,й^). Необхвдно на етат навчання СППР оптимь зувати координати вектора g шляхом пошуку глобального максимуму усередненого за алфавитам клаав розтз-навання тформащйного КФЕ навчання системи
1
М
Е =— V шах Ет
М т=1 ОЕ '
(1)
На еташ екзамену, тобто безпосереднього д1агносту-вант, необхвдно прийняти ршення про належтсть реал1зацл, що розтзнаеться, до одного 1з клаав заданого алфавпу.
2 О1ЛЯД Л1ТЕРАТУРИ
Розтзнавання певно! емоци по обличчю людини спо-чатку розглядалося як суто медична проблема [7, 8]. Практична цштсть цих праць полягае в структуризацп елеменпв обличчя та !х класифшацп залежно ввд психоемощйного стану людини, що дозволяе формувати вхвдний матема-тичний опис комп 'ютерних систем психод1агностування.
В пращ [9, 10] запропоновано комп'ютерна емоцш-но-ор1ентована технология, яка встановлюе ввдповвдшсть фрагменпв обличчя р1зним емоцшним станам людини. При цьому, для розтзнавання емоцш використовуеться так традицшт методи, як байеавський класифжатор, штучт нейронт мереж1 та нечита методи подання, та виведення знань. Основним недолжом розглянутих ме-тод1в розтзнавання емоцшного стану людини е 1х мо-дельтсть, оск1льки вони не враховують довшьт початков! умови формування образ1в та вплив неконтрольо-ваних фактор1в. Кр1м того, авторами не розглядаеться зв'язок емоцшного 1 псих1чного статв людини. Загаль-ним основним недолжом метод1в е застосування струк-турних або дистанцшних м1р схожост1, що зменшуе дос-тов1рн1сть класиф1кацИ за умов апрюрно неч1ткого роз-биття простору ознак на класи розп1знавання.
В пращ [11] розглянуто застосування теоретико-шформацшного подходу до розп1знавання та ввдстежен-ня положення обличчя та його структурних елемент1в. При цьому, шформащйна м1ра використовуеться як кри-терш р1зноман1тност1 об'ект1в, але не розглядалася задача 1нформац1йного синтезу системи розтзнавання пси-хоемоц1йного стану людини за обличчям.
Таким чином, з метою усунення визначених недол1к1в перспективним е створення в рамках теоретико-шфор-мац1йного подходу систем психод1агностування на основ1 1дей машинного навчання та розтзнавання образ1в, що дозволить надати !м властив1сть адаптивност1 за умов апрюрно! невизначеносп.
3 МАТЕР1АЛИ I МЕТОДИ
Категор1йну модель процесу навчання системи пси-ход1агностування в рамках 1Е1-технологи подамо у вигляд1 дааграми в1дображень множин. При цьому вхвдний мате-матичний опис СППР представимо у вигляд1 структури
АВ =< О, Т,П,Ъ,У;П, Ф, >,
де П: ОхТ хП^ 7 - оператор переход1в, що в1дбивае механ1зм зм1ни емоцшно-психолопчних стан1в; Ф: О х Т хПх 7 ^ У - оператор оброблення зображення (формування вхвдно! навчально! матриц1 У); у: у ^ хр- оператор ввдображае вх1дну навчальну матрицю яскравосп у зображення обличчя в бшарну матрицю Х|р|, яка враховуе значення яскравосп вид1лених на зображенн1 заданих р фрагмент1в.
Дiаграму вiдображень множин у процесi навчання СППР за шформацшно-екстремальним алгоритмом з оптимiзацieю геометричних параме^в гшерсферичних контейнерiв класiв розшзнавання показано на рис. 1.
На дiаrрамi (рис. 1) правий контур операторiв реаль зуе в рамках 1Е1-технологи базовий алгоритм навчання СППР, основною задачею якого е оптишзащя геометричних параметрiв розбиття J?I2I при заданiй системi конт-рольних допусков на ознаки розшзнавання.
4ЕКСПЕРИМЕНТИ
Розглянемо модифiкований алгоритм навчання СППР для психодiагностування за фрагментами зображення обличчя пащента в рамках ГЕ1-технологи, який вщновлюе в радiальному базисi простору ознак riперсферичнi кон-тейнери класiв розпiзнавання. При цьому оптимальний радiус контейнера класу розшзнавання визначаеться як
2. Формування масиву еталонних двiйкових векторiв
dm = arg max E.
GE ^Gd
(2)
Вхщною iнформацiею для навчання СППР е багато-вимiрна навчальна матриця яскравосп пiкселiв рецеп-торного поля зображення обличчя
|| yJ |m = 1, M ; I = 1, N ; J = 1, n ||; система полiв конт-
рольних допусков {S i} на ознаки розшзнавання i рiвнi се-
лекцй' {pm } координат еталонних двшкових веюоив-реа-лiзацiй класiв розшзнавання. Крiм того, задаеться структура координат вершин прямокутних фрагменлв зображення обличчя пащента < iß, iE, j в , jE >. При цьому потужшсть словника ознак розшзнавання, сформо-ваного за фрагментом зображень, дорiвнюе ie - iß ознак, а юльюсть реалiзацiй - jE - jß.
Розглянемо основнi етапи реалiзацiï базового алгоритму навчання:
1. Формуеться по фрагменту зображення бшарна
навчальна матриця
x(j) =
л m,i
(j )
" m,i
(р )
, елементи ягел дорiвнюють
1, якщо ym e S
( j )
0, якщо y(m1 г 8г.
(3)
де i = Iß ■■■lE, J = Jß ...Je .
\çm, i | m = l,M }
m
вилом:
= 1 M }, елементи якого визначаються за пра-
' m,i
1 n ( J) 1 якщо - ^ xm i > Pm
J=1
(4)
0, шакше.
3. Для кожного класу X(p) здiйснюеться пошук най-
( р)
ближчого «суада» X ^ , для якого виконуеться умова
I = arg rnn d(xm © Xf ), де {t} = jj^m-ïm+IM}.
4. Оптимiзацiя кодово1 ввдстан d (mp) в1дбуваеться за ре-курентною процедурою dm (k) = [dm (k -1)+h | dm (k) e G<m ]. При цьому приймаеться E (Р (0)= 0.
3. Для кожного класу X (ip) здiйснюеться пошук найб-
< Р)
лижчого «суада» X ^, для якого виконуеться умова
l = arg min d(xm © xt), де {t} = 1,m -1;m +1, M }. {t}
4. Оптишзащя кодово! вiдстанi d ^) ввдбуваеться за ре-курентною процедурою dm(к) = [dm(к-1)+h | dm(к) e Gm].
При цьому приймаеться e m (o)=o.
5. Процедура заюнчуеться при знаходженш максимуму КФЕ в робочш областi визначення його функцп
E mР) = niax Em {d}
(5)
де {d}= {d1,..., dmax}e [0; d(xm © xt) -1] - множина радь уав концентрованих riперсфер, центр яких визначаеться
вершиною еталонного вектора x(mp) e Xm). При цьому множина {d} е так само множиною кроюв навчання системи розшзнавання.
Таким чином, основною функщею базового алгоритму навчання у рамках 1Е1-технологл е обчислення на кожному крощ навчання шформацшного КФЕ i оргашзащя пошуку його глобального максимуму в робочш обласп визначення функцiï критерш з метою визначення опти-мальних геометричних параметрiв контейнерiв класiв розшзнавання.
Як критерш оптишзаци параметрiв навчання у рамках 1Е1-технологй' може розглядатися будь-яка статистична iнформацiйна мiра, яка е функщоналом вiд точнiсних характеристик. Широкого використання в алгоритмах навчання набула модифтащя шформацшно! мiри Кульбака [12]:
E{i ) = 0,5log2
-ik )_
Dy ' + D 1
' +10"
a(k ) + ß(k ) +10-
[ ) + D(k ))-(a(k ) + ß(k ))
Рисунок 1 - Категоршна модель навчання СППР
r
р-^Ы 1607-3274. Радюелектронжа, шформатика, управлшня. 2014. № 2 е-^Ы 2313-688Х. Каёю ЕЬ^гоп^, Coшputer Science, Contro1. 2014. № 2
5 РЕЗУЛЬТАТИ
Формування навчально! матриц1 здйснювалося за ведомою технолопею ввдео-комп'югерно1 психод1агностики та корекци, яка базуеться на пор1внянт л1вотвкульного та правотвкульного портрет1в для оцшкн пснхолойчного стану людини. Вхвдний математичний опис СППР було сформовано за граф1чними даними, наведеними в пращ [2]. На рис. 2 показано портрети особи з нестабвдьним станом, як1 характеризують клас Х[, сформований 1з л1вошвкульних (рис. 2а) 1 клас X °, сформований 1з правотвкульних порт-рет1в (рис. 2б). Ввдповвдно сформовано портрети особи 1з стабвдьним емощйно-психолопчним станом - клас Х% (рис. 2в) 1 клас X 9 (рис. 2г).
Результат оптишзаци за критер1ем (6) геометричних параметр1в контейнер1в клаав розтзнавання, що ввднов-люються в рад1альному базиа простору ознак за ггера-цшною процедурою базового алгоритму навчання, для повних портрелв (рис. 2) показано на рис. 3.
а о в г
Рисунок 2 - Портрети, яю використаш при психодiагнос-
тицi: а - клас Х^; б - клас X0; в - клас Х3; г - клас X0
0 20 40 60 80 100 120 140 160 180 ^
а
На рис. 3 свилим кольором показано робоч1 (допустим!) обласп визначення функцп КФЕ, в яких перша та друга достов1рносп перевершують ввдповвдно помилки першого та другого роду. Анал1з рис. 3 показуе, що не-значт максимальт значення КФЕ характерт для особи з1 стабвдьним емощйно-психолопчним станом, що по-яснюеться схож1стю л1вотвкульних 1 правотвкульних портрепв. Кр1м того, через близьк1сть центр1в клаав Х^ 1 X40 на рис. 3в 1 рис. 3г ввдсугт робоч1 обласп.
З метою дослвдження шформативносп фрагменпв обличчя було сформовано навчальну матрицю яскра-восп для зображень фрагменпв, як1 характеризували зону очей та носа. На рис. 4 показано портрети особи з нестабвдьним станом, яю характеризують клас Х°, сформований 1з л1вотвкульних (рис. 4а) 1 клас Х|, сформований 1з правотвкульних портрепв (рис. 4б). Ввдповвдно сформовано портрети особи 1з стабвдьним емоцшно-психо-лопчним станом - клас Х3, (рис. 4в) 1 клас Х4° (рис. 4г).
а б в г
Рисунок 4 - Фрагменти портрета обличчя, яю включають зону очей та носу: а - клас Х9; б - клас Х^; в - клас Х3; г - клас X 0
0 20 40 60 80 100 120 140 160 180 200 (I'
б
0 20 40 60 80 100 120 140 160 180 й
к:
0 20 40 60 80 100 120 140 160 180 й
Рисунок 3 - Графжи залежност КФЕ (6) вщ радiусiв контейнерiв клаав розтзнавання для повного портрету: а - клас X]9;
б - клас X99; в - клас Х3; г - клас X49
г
в
Графiки залежноси динашки змiни КФЕ при форму-ванш вирiшальних правил для портретiв пащента до та пiсля проведения психокорекцп показано на рис. 5.
Аналiз рис. 5а i рис. 5б, одержаних за лiво- та право-пiвкульиим портретом особи з нестабшьним емоцшно-психолопчним станом, вказуе на можливють створення вирiшальиих правил, перша та друга достовiриостi яких перевищують 0,5. Результати навчання для особи зi ста-бiльиим емоцiйио-психологiчиим станом за аналопчни-ми алгоритмами, як подано на рис. 5 в i рис. 5 г, показу-ють неможливють формування релевантних виршаль-них правил, що сввдчить про високий стутнь схожостi лiво- та правопiвкульиих портрепв. Таким чином, запро-понований алгоритм навчання дозволяе будувати вирь шальш правила, здатиi визначати рiзиомаиiтиiсть мiж право- i лiвопiвкульиими портретами обличчя.
На иаступиому етапi, з метою дослщження шформа-тивиостi фрагмеитiв обличчя було сформовано навчаль-ну матрицю яскравостi для зображень фрагмеитiв, яш характеризували зону носа (рис. 6).
Графiки залежноси дииамiки змiии КФЕ при форму-ваииi вирiшальиих правил для портрепв пацiеита до та тсля проведення психокорекцп показано на рис. 7.
Аналiз рис. 7а i рис. 7б, одержаних за лiво- та право-пiвкульиим портретом особи з нестабшьним емоцшно-психолопчним станом, вказуе на можливiсть створення вирiшальиих правил. Результати навчання для особи зi стабiльиим емоцiйио-психологiчиим станом за аналоп-чними алгоритмами, яш подано на рис. 7в i рис. 7г, пока-
Рисунок 6 - Фрагменты портрета, що включають зону носа:
а - клас Х°; б - клас Х^; в - клас Х3; г - клас X4 зують иеможливiсть формування релевантних виршаль-них правил, оск1льки значення КФЕ е близькими до нуля, що сввдчить про високий ступiиь схожосп лiво- та право-пiвкульиих портрепв. Таким чином, запропонований алгоритм навчання дозволяе будувати виршальш правила, здатш визначати рiзиомаиiтиiсть м1ж право- i лiво-пiвкульиими портретами обличчя.
6 ОБГОВОРЕННЯ
Аиалогiчиий аиалiз зображень патента, що були от-римат на рiзиих етапах психокорекцп, дозволяе ввдслвдку-вати дииамiку змiии КФЕ при формувант вирiшальиих правил протягом всього перiоду лiкуваиня (рис. 8).
Аналiз рис. 8а показуе, що на другому етат лiкуваи-ня вiдбулося погiршеиня психологiчиого стану. На це вказуе збшьшення значення КФЕ при формуванш вирь шальних правил. Шсля цього КФЕ, а отже i вiдмiииiсть мiж правопiвкульиим i лiвопiвкульиим портретами, по-ступово зменшувалася i на четвертому кроцi вщповщш вирiшальиi правила не було сформовано. Аналiз рис. 8б показуе, що на другому еташ лiкуваиня не вщбулося
Рисунок 5 - Графжи залежност КФЕ (6) вщ рад1уыв контейнер1в клаыв розтзнавання для фрагмента портрету, яю включають зону очей та носу: а - клас Х^; б - клас Х4 ; в - клас Х4 ; г - клас X4
б
р-^Ы 1607-3274. Радюелектронжа, шформатика, управлшня. 2014. № 2 е-^Ы 2313-688Х. Каёю ЕЬ^гоп^, Coшputer Science, Contro1. 2014. № 2
1.0
0.8 0.6 0.4 0.2 0
0 5
10
15
б
20
25
30 (1
Рисунок 7 - Графжи залежност КФЕ (6) вщ радiусiв контейнерiв клаав розтзнавання для фрагмента портрету, яю включа-
ють зону носу: а - клас X0; б - клас X0; в - клас Х9; г - клас X0
Рисунок 8 - Графжи змши КФЕ (6) при формуванн виршальних правил протягом всього перюду лiкування: а - повний портрет; б - зона очей i носу; в - зона носу
а
попршення психолопчного стану, але на третьому еташ мало м1сце певне «гальмування» процесу психокорекци. На це вказують незначш змши значения КФЕ при формуванш виршальних правил на третьому еташ лшуван-ня вщносно другого етапу. На четвертому крощ аналог-1чно до рис. 8а в1дпов1дш виршальш правила не було сформовано. Анал1з рис. 8в показуе, що аналопчно до рис. 8б, на другому еташ л1кування не вщбулося попршення психолопчного стану, але на третьому еташ мало м1сце певне «гальмування» процесу психокорекци. На це вказують незначш змши значения КФЕ при формуванш виршальних правил на третьому еташ лшуван-ня вщносно другого етапу. На четвертому крощ аналогично до рис. 8а-8б вщповщш виршальш правила не було сформовано.
Узагальнена траектор1я психокорекци за динамжою змши КФЕ для двох р1зних частин портрету подана на рис. 9.
О 0,2 0,4 0,6 0,В 1 1А
1 нтуГтп ВИЯЯ,
сшбп! НИН
Рисунок 9 - Траекторiя психокорекци за динамжою змши КФЕ
На рис. 9 траекторiя психокорекцп формуеться на площиш Е1Е2. При цьому дана площина розбита на чоти-ри обласп, що вiдповiдають об'ективиiй типологи психо-логiчиих стаиiв людини [2]. В верхнш правiй частииi показана область лопчних дестабiльиих психологiчиих сташв, правiй иижиiй - штуггавних дестабшьних, лiвiй верхиiй - лопчних стабшьних, лiвiй иижиiй - штуггавних стабшьних. Використання такого способу вiдображеиия процесу лiкуваиия дозволяе спостерiгати за коректшстю вжитих засобiв, ефективиiстю окремих етатв та лтуван-ня в цшому.
ВИСНОВКИ
1. В роботi запропоновано модифiкацiю технологи ввдео-комп'ютерюх психодiагиостики та корекцп, що за-стосовуеться в Центр Екологи Людини НИКАР при 1нсти-тутi Проблем Керування Росшсько1 Академп Наук шляхом И iнтеграцil з iиформацiйио-екстремальиою штелек-туальною техиологiею.
2. Для сформованих навчальних матриць на базi фрагмента лiво- та право пiвкульиих портрепв запропоновано алгоритм обчислення шформацшно1 мiри мiж цими портретами з метою визначення !х рiзиомаиiтиостi. По-рiвняиия максимальних значень iиформацiйиих мiр, от-риманих при оптишзацд парамет^в навчання системи за портретами людини до та пiсля проведення психокорекцп показало, що використання частини портрета пац-iента для психоаналiзу е бiльш ефективним, оск1льки портрет може бути нестабшьним, наприклад, через вiковi особливостi чи рiзиi специфiчиi обмеження.
3. Показана можливють використання лише частини зображення для психодiагностики та об'еднаиия резуль-тапв психодiагиостики за окремими фрагментами портрету, що дозволяе вшобразити процес лiкуваиня у виг-ляд1 траектори психокорекцп на площииi об' ективних ти-пологiй психологiчиих сташв людини.
ПОДЯКИ
Робота виконана в рамках держбюджетних науково-дослiдиицьких тем «Розроблення науково-методичних основ та iиформацiйиих засобiв аиалiзу i синтезу ште-лектуальних систем, що самонавчаються» (№ 52.17.0201.12/13 ЗП), «Iнтелектуальиа система дiагиостуваиня та прогнозування перебiгу i иаслiдкiв патологiчиого про-
цесу» (№ 52.17.02-02.13\14 ЗП) на 6a3i лабораторiï ште-
лектуальних систем кафедри комп'ютерних наук Сумсь-
кого державного ушверсптету.
СПИСОК Л1ТЕРАТУРИ
1. Шелехов I. В. Оптим1зац1я параметр1в навчання комп'юте-ризовано'' системи д1агностування емоцшно-псиичного стану людини / I. В. Шелехов, Д. В. Прилепа // Радюелектронш i комп 'ютерш системи. - 2014. - №1(65). - С. 161-167.
2. Ануашвили А. Ш. Объективная психология на основе волновой модели мозга / А.Ш. Ануашвили. - М. : Экон-Ин-форм, 2008. - 292 с.
3. Анисимов Б. В. Распознавание и цифровая обработка изображений / Б. В. Анисимов, В. Д. Курганов, В. К. Злобин. -М. : Высшая школа, 1983. - 256 с.
4. Люггер Дж. Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем / Дж. Ф. Люггер. - М. : Вильямс, 2003. - 864 с.
5. Довбиш А. С. Основи проектування штелектуальних систем : навчальний поыбник / А. С. Довбиш. - Суми : Сум-ДУ, 2009. - 171 с.
6. Шелехов I. В. Комп ' ютеризована системи д1агностування емоцшно-псих1чного стану людини за фрагментами зоб-раження обличчя / I. В. Шелехов, Д. В. Прилепа // Advanced information systems and technologies : матерiали третьо'' мiжнародноï науково-практично' конференцп (Суми, 14-16 травня 2014 р.), AIST. - 2014. - С. 118-119.
7. Meneghini F. Clinical Facial Analysis Elements, Principles, and Techniques / F. Meneghini, P. Biondi. - Berlin : Springer, 2012. - 219 p.
8. George R. M. Facial Geometry: Graphic Facial Analysis for Forensic Artists / R. M. George. - Charles C Thomas Publisher, 2007. - 82 p.
9. Petta P. Emotion-Oriented Systems. The Humaine Handbook / P. Petta, C. Pelachaud, R. Cowie. - Berlin : Springer, 2011. -816 p.
10. André E. Experimental methodology in emotion-oriented computing / E. André // IEEE Pervasive Computing. - 2011. -Vol. 10 (3). - P. 54-57.
11. Colmenarez A. J. Facial Analysis from Continuous Video with Applications to Human-Computer Interface /
A. J. Colmenarez, Z. Xiong, T-S. Huang. - Berlin : Springer Science, 2004. - 134 p.
12. Довбиш А. С. 1нтелектуальш шформацшш технологи в електронному навчанш / А. С. Довбиш, А. В. Васильев,
B. О. Любчак. - Суми : СумДУ, 2014. - 172 с.
Стаття надшшла до редакци 04.11.2014.
Шсля доробки 26.11.2014.
Довбыш А. С.1, Шелехов И. В.2, Прилепа Д. В.3
1Д-р техн. наук, профессор, зав. каф. компьютерных наук, Сумской государственный университет, Украина
2Канд. техн. наук, доцент кафедры компьютерных наук Сумского государственного университета, Украина
3Аспирант кафедры компьютерных наук, Сумской государственный университет, Украина
ИНФОРМАЦИОННО-ЭКСТРЕМАЛЬНЫЙ АЛГОРИТМ ОБУЧЕНИЯ СИСТЕМЫ ДИАГНОСТИКИ ЭМОЦИОНАЛЬНО-ПСИХИЧЕСКОГО СОСТОЯНИЯ ЧЕЛОВЕКА
Рассматривается метод распознавания эмоционально-психического состояния человека по изображению его лица. При этом предложено для получения дополнительной информации использовать такие фрагменты изображения лица человека, которые включают зоны глаз и носа. Формирование входного математического описания системы распознавания осуществляется путем анализа левополушарных и правополушарных изображений лица человека. При этом предварительно для стабильного эмоционально-психического состояния лица формируется учебная матрица яркости изображения, как всего лица, так и его соответствующих фрагментов. Машинное обучение осуществляется в рамках информационно-экстремальной интеллектуальной технологии,
p-ISSN 1607-3274. Радюелектронжа, шформатика, управлшня. 2014. № 2 e-ISSN 2313-688X. Radio Electronics, Computer Science, Control. 2014. № 2
основанной на максимизации информационной способности системы распознавания. Как критерий функциональной эффективности машинного обучения использовано модифицированную информационную меру Кульбака, которая рассматривается как функционал от точностных характеристик двуальтернативных решений. По построенной категорийной модели в виде отображения множеств, задействованных в процессе обучения, разработан информационно-экстремальный алгоритм оптимизации геометрических параметров гиперсферических контейнеров классов распознавания, которые восстанавливаются в процессе обучения в радиальном базисе пространства признаков. По результатам физического моделирования доказано, что фрагменты лица являются достаточно информативными при распознавании эмоционально-психического состояния человека.
Ключевые слова: информационно-экстремальная интеллектуальная технология, компьютеризированная система диагностирования, психодиагностика, обучения, критерий функциональной эффективности.
Dovbysh A. S.1, Shelehov I. V.2, Prylepa D. V.3
'Dr.Sc., Professor, head of department of Computer Science, Sumy State University, Ukraine
2Ph.D., Associate Professor of department of Computer Science Sumy State University, Ukraine
3Postgraduate student of department of Computer Science Sumy State University, Ukraine
INFORMATION-EXTREME ALGORITHM FOR SYSTEM DIAGNOSTICS EMOTIONAL AND MENTAL PERSON'S STATE LEARNING
A method of the emotional and mental person's state recognition using facial image is considered. The fragments with eye and nose areas of the image are prompted for additional information obtaining. A forming of the input mathematical description of pattern recognition system by analyzing the left hemisphere and right hemisphere images of the human face is proposed. The preliminary process of forming training matrix by image brightness for a stable emotional and mental person's state uses the whole images as well as corresponding fragments. Machine learning in the framework of information-extreme intellectual technologies is based on maximizing the information capacity of the recognition system. A criterion for the functional efficiency of machine learning uses a modified information measure Kullback as a functional of the accuracy characteristics of the two alternative solutions. An information-extreme algorithm for optimization geometrical parameters of recovering in radial basis of the feature space during the learning process hyperspherical containers of recognition classes is developed by the categorical model of mapping involved in the learning process sets. Physical modeling results proved that the fragments of facial image are quite informative for the emotional and mental person's state recognition.
Keywords: information-extreme intelligent technology, computer diagnostic system, psychodiagnostics, learning, the criterion of the functional efficiency.
technologies Proceedings of the Third International Scientific-Practical Conference (Sumy, 14-16 May 2014), AIST, 2014, pp. 118-119.
Meneghini F., Biondi P. Clinical Facial Analysis Elements, Principles, and Techniques. Berlin, Springer, 2012, 219 p. George R. M. Facial Geometry: Graphic Facial Analysis for Forensic Artists, Charles C Thomas Publisher, 2007, 82 p. Petta P., Pelachaud C., Cowie R. Emotion-Oriented Systems. The Humaine Handbook. Berlin, Springer Science & Business Media, 2011, 816 p.
Andr E. Experimental methodology in emotion-oriented computing, IEEE Pervasive Computing, 2011, Vol.10 (3), pp. 54-57.
Colmenarez A. J., Xiong Z., Huang T-S. Facial Analysis from Continuous Video with Applications to Human-Computer Interface, Berlin, Springer, 2004, 134 p. Dovbysh A. S., Vasiliev A.V., Liubchak V. A. Intelligent information technologies in e-learning. Sumy, SSU, 2014, 172 p.
7.
REFERENCES
1. Shelehov I. V., Prylepa D. V. Optimization of the parameters of learning computerized diagnostic systems emotional-mental state of the person, Radioelectronic and computer systems, 2014, No. 1 (65), pp. 161-167. 8
2. Anuashvili A. N. Objective psychology based on the wave model of the brain. Moscow, Econ-Inform, 2008, 292 p. 9
3. Anisimov B. V., Kurganov V. D., Zlobin V. K. Recognition and digital image processing. Moscow, 1983, 256 p.
4. Lugger, J.F. Artificial Intelligence. Strategies and methods for 10 solving complex problems. Moscow, St. Petersburg, Kiev, Publishing Williams, 2003, 864 p.
5. Dovbysh A. S. Foundation of intelligent systems designing: n tutorial. Sumy, Publisher SSU, 2009, 171 p.
6. Shelehov I. V., Prylepa D. V. Computerized system of diagnosing emotional and mental state of a person with 12 fragments of facial image, Advanced information systems and
