| Περίληψη: | Τα συναισθήματα διαδραματίζουν πολύ σημαντικό ρόλο στην ανθρώπινη καθημερινότητα. Επηρεάζουν τις αποφάσεις, τον τρόπο που οι άνθρωποι επικοινωνούν, ακόμα και την υγεία τους. Η συνεχής εξέλιξη στον τομέα της υπολογιστικής έχει δημιουργήσει την ανάγκη συνεχούς βελτίωσης του τρόπου με τον οποίο επικοινωνούν οι άνθρωποι με τις μηχανές. Αυτό μπορεί να επιτευχθεί με την ανάπτυξη συστημάτων αναγνώρισης συναισθημάτων, ώστε να μπορούν οι υπολογιστές να ανιχνεύουν τα συναισθήματα των χρηστών και να προσαρμόζονται με βάση αυτά, για να βελτιωθεί η εμπειρία χρήστη.
Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός συστήματος αναγνώρισης συναισθημάτων με χρήση βιοσημάτων το οποίο θα είναι ικανό να χρησιμοποιηθεί σε φορετές συσκευές (wearables). Η διπλωματική εργασία αποτελείται από δύο μέρη. Στο πρώτο μέρος, γίνεται μία ανάλυση του θεωρητικού υπόβαθρου που είναι απαραίτητο να υπάρχει για την ανάπτυξη ενός τέτοιου συστήματος. Αυτό περιλαμβάνει τα δομικά στοιχεία από τα οποία αποτελείται ένα σύστημα αναγνώρισης συναισθημάτων, δηλαδή την καταγραφή των σημάτων, την προεπεξεργασία, την εξαγωγή χαρακτηριστικών και την χρήση ταξινομητών. Στη συνέχεια, αναλύονται τρόποι με τους οποίους μπορούν να υλοποιηθούν διαφορετικοί ταξινομητές και να συνδυαστούν τα αποτελέσματα τους. Στο δεύτερο μέρος της εργασίας παρουσιάζεται μια πειραματική διαδικασία, η οποία περιλαμβάνει την υλοποίηση ενός συστήματος αναγνώρισης δύο συναισθημάτων, άγχους και λύπης, με χρήση βιοσημάτων GSR, PPG και Skin Temperature. Σκοπός είναι η εύρεση του βέλτιστου συνδυασμού αυτών των σημάτων για την επίτευξη της υψηλότερης δυνατής ακρίβειας αναγνώρισης των δύο συναισθηματικών καταστάσεων. Στο τέλος, παρουσιάζονται τα καλύτερα αποτελέσματα της πειραματικής διαδικασίας και προτείνονται πιθανές μελλοντικές βελτιώσεις του συστήματος.
Η ανάπτυξη του συστήματος αναγνώρισης δύο συναισθημάτων με χρήση βιοσημάτων έγινε με χρήση του λογισμικού Matlab για την επεξεργασία των σημάτων και την υλοποίηση απλών ταξινομητών, ενώ έγινε και χρήση της Python 3.6 και της βιβλιοθήκης Tensorflow για την ανάπτυξη ενός νευρωνικού δικτύου. Για την πειραματική διαδικασία χρησιμοποιήθηκε το σετ δεδομένων DEAP.
|
|---|
