CC BY
38
УДК 004.048
1.В. БАКЛАН, С.1. ХУССЕЙН, ОК. ОЧЕРЕТЯНИЙ
Нацюнальний техшчний унiверситет Укра1ни «Кшвський полiтехнiчний шститут»
1НТЕЛЕКТУАЛЬНИЙ АНАЛ1З ДАНИХ В1Д СУЧАСНИХ КОМП'ЮТЕРНИХ МАН1ПУЛЯТОР1В З ВИКОРИСТАННЯМ Л1НГВ1СТИЧНОГО МОДЕЛЮВАННЯ
У данш cmammi розглядаеться метод розпгзнавання емоцт людини за рухами мантулятора за допомогою лiнгвiстичного моделювання з використанням апарату прихованих марковських моделей. Описан методи виршення задачi побудови лтгвктично'1 моделi, а також розглянуто пiдхiд до ттерполяци траекторИ рухiв матпулятора за допомогою полiному Лагранжа.
Ключовi слова: лiнгвiстичне моделювання, приховаш марковсью моделi, передискретизацiя, iнтерполяцiя, ттерполяцшний многочлен Лагранжа.
И.В. БАКЛАН, С.И. ХУССЕЙН, О.К. ОЧЕРЕТЯНЫЙ
Национальный технический университет Украины «Киевский политехнический институт»
ИНТЕЛЛЕКТУАЛЬНИЙ АНАЛИЗ ДАННЫХ ОТ СОВРЕМЕННЫХ КОМПЬЮТЕРНЫХ МАНИПУЛЯТОРОВ С ИСПОЛЬЗОВАНИЕМ ЛИНГВИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
В данной статье рассматривается метод распознавания эмоций человека по движениям манипулятора с помощью лингвистического моделирования с использованием аппарата скрытых марковских моделей. Описаны методы решения задачи построения лингвистической модели, а также рассмотрен подход к интерполяции траектории движений манипулятора с помощью полинома Лагранжа.
Ключевые слова: лингвистическое моделирование, скрытые марковские модели, передискретизация, интерполяция, интерполяционный многочлен Лагранжа.
I.V. BAKLAN, S.I. KHUSSEIN, О.К. OCHERETYANY
National technical university of Ukraine «Kiyv polytechnical institute»
INTELLECTUAL DATA ANALYSIS FROM MODE RN COMPUTER MANIPULATORS USING LINGVISTIC MODELLING
This paper considers the method of recognizing human emotions by movement of computer manipulator with help of lingvistic modeling using hidden Markov models. Was described methods of solving tasks of developing linguistic model, also was reviewed approach to interpolation methods for catching trajectory moves of manipulators using Lagrange polynomial.
Keywords: linguistic modelling, hidden Markov models, overdiscretization, interpolation, Lagrange polynomial.
Вступ
На сьогодшшнш день життя людини дуже тюно пов'язане i3 розвитком шформацшних технологш. Результатом цього стае всезагальне використовування персональних комп'ютерiв (ПК) у найрiзноманiтнiших сферах життя. Вони являються знаряддям пращ або ж об'ектом пращ. Швидкими темпами вщбуваеться автоматизащя рiзноманiтних виробництв та впроваджуються системи контролю i управлшня на тдприемствах. У зв'язку з цим постае необхщшсть часто! постшно! напружено! роботи персоналу з ПК . Найчастше це викликае фiзичне та емоцшне виснаження, що, у свою чергу, призводить до зменшення ефективносп та продуктивносп роботи, а, у певних випадках, навить, може спричинити виникнення небезпечних ситуацш.
Виходячи з усього вищесказаного можна зробити висновок щодо необхiдностi постiйного монiторингу емоцшного стану користувача ПК з метою запобтання нервового перенавантаження та стресового стану органiзму. Одним iз найпростших способiв iдентифiкацi! емоцiй являеться розтзнавання !х за допомогою виявлення безумовних рефлекав як реакцi! на поточний стан органiзму, в нашому випадку - безсвiдомих мiкрорухiв руки. Для реалiзацi! дано! задачi чудово тдходить метод лiнгвiстичного моделювання. Перевагою такого тдходу являеться вiдсутнiсть необхiдностi використання додаткового спецiалiзованого устаткування i можливють реалiзацi!' поставлено! мети за допомогою звичайного ПК у типовiй комплектаци.
Постановка проблеми
Завданням даного дослщження е розробка автоматизованого методу для розтзнавання емоцшного стану користувача ПК iз застосуванням методiв лiнгвiстичного моделювання.
Аналiз останшх дослвджень та публшацш
Розвиток штелектуального аналiзу даних передбачае розвиток математичних методiв для виршення поставлено! задачi. У зв'язку з цим прослщковуеться тенденцiя до зростання кiлькостi публiкацiй, що висвiтлюють рiзноманiтнi методи для розпiзнавання образiв [1-3, 6]. На даний момент найб!льш популярнi так! розповсюдженi пiдходи як: Байесовi мереж1, нейроннi мереж!, приховаш марковськ1 моделi, теорiя автоматiв, пбридш моделi та ш. Використання Байесових мереж добре висвiтлено в роботах Бвдюка П.1. [1]. Автор описуе варiанти використання Байесових мереж для виршення прикладних задач, однiею з яких е розпiзнавання образiв. Для побудови моделi у режимi отримання даних , для обробки таких даних, даш мереж1 надають можливють обробки як в режимi реального часу, так i у вигляд! статистичних масивiв шформацп ! баз даних. При цьому, завдяки використанню представления взаемоди м!ж факторами процесу у вигляд! причино-наслвдкових зв'язшв в мереж1, у пор!внянш з шшими методами штелектуального анал!зу даних, досягаеться максимально високий р!вень в!зуал!заци та, як наслщок, чгтке розумшня суп взаемоди фактор!в процесу м!ж собою. 1ншими перевагами Байесових мереж е можливосп врахування невизначеностей статистичного, структурного ! параметричного характеру, а також формування висновку за допомогою р!зних метод!в - наближених ! точних. Загалом, можна сказати, що Байесов! мереж1 - це високоресурсний метод ймов!ршсного моделювання процеав довшьно! природи з невизначеностями р!зних тишв, який забезпечуе можливють достатньо точного опису !х функцюнування.
1ншим методом штелектуального анал!зу даних е приховаш марковсьш модел!, дослщжеш в роботах Баклана 1.В. та Степанково! Г.А [4]. Автори описують приховаш марковськ1 модел як один !з найкращих метод!в для обробки динам!чних даних у реальному час!, для побудови лшгвютично! модел1 та отриманш шформацп про появу повторювальних елеменпв, образ!в, а також визначення порядку переход!в м!ж одним образом та наступним. Складеним методом штелектуального анал!зу даних е використання пбридних моделей. Даний шдхвд розглянутий у дослщженнях Степанково! Г.А. та Баклана I. В. [9]. Автори описують процес поеднання нечггких множин та прихованих марковських моделей. Модел! такого роду анал!зу вщом! шд назвою прихованих марковських моделей (ПММ). Така схема анал!зу з використанням однорвдних ПММ може бути застосована для анал!зу даних шлькох людей, яш спостериаються перюдично, для опису розвитку хвороби або змш у динамщ поведшки. Але припущення про однорщшсть в модел Маркова, тобто що ймов!рносп переход!в е постшними в час! та м!ж окремими особами, можуть бути серйозним обмеженням для використання цих моделей. Щоб розв'язати цю проблему, вищезгаданими авторами було запропоновано ввести поняття неоднорвдних ПММ. Це дозволяе матриц! переходу прихованого ланцюжка зм!нюватися у час! або за шшим параметром на основ! екзогенних ковар!ацш.
Формулювання цiлей статтi
Дана стаття мае на мет! опис методу побудови лшгвютичних моделей динам!чних образ!в емоцшного стану користувача шформацшних систем з використанням комп'ютерних машпулятор!в.
Виклад основного матерiалу досл1дження
Для виршення поставлено! задач!, авторами пропонуеться використовувати принципи та подходи лшгвютичного моделювання. Дана методолопя надае можливють швидкого та ефективного анал!зу чисельних ряд!в, експериментальних даних, багатом!рних даних завдяки приведенню !х до символьного вигляду та ввдновлення правил формальних граматик !з отриманих лшгвютичних послщовностей.
В якосп вхвдних даних використовуються п дан!, яш генеруе машпулятор, а саме часовий ряд координат машпулятора в систем! координат екрану. Результатом анал1зу вхвдних даних являеться формування пбридно! модел! на основ! лшгвютичних та прихованих марковських моделей, що ставиться у вщповвднють бюметричним показникам користувача пристрою. Дана система працюе у двох режимах: в режим! навчання, в результат! якого формуються нормоваш бюметричш еталони, а попм у режим! розтзнавання, при якому пор!внюеться поточний бюметричний зразок !з еталонними. У випадку вдентифшацп користувача ПК, в якосп еталонного екземпляру виступае нормований зразок комп'ютерного почерку конкретного користувача, з яким система пор!внюе зчиташ у користувача дан!. При застосуванш даного шдходу для визначення емоцшного стану, !з даних формуеться 6 бюметричних еталошв, кожному з яких ввдповщае одна !з основних 6 емоцш (радють, гшв, подив, страх, смуток, вщраза).
Головна щея переходу ввд числового ряду до символьного, ввд яко! залежить результат лшгвютичного моделювання, базуеться на розбитп множини вхвдних чисельних даних на коректш штервали. Для побудови лшгвютично! модел необхщно вибрати так1 параметри як: At - тактова частота сканування координат руху комп'ютерного машпулятора та потужнють алфавиу, що визначае шлькють штервал!в, на як1 буде розбита часова послщовнють. На еташ попередньо! обробки даних може виникнути проблема, що пов'язана !з малою частотою дискретизацп вхвдних даних. В такому раз! необхщно виконати передискретизацш даних [8], виконавши штерполювання цих даних.
1нтерполяшя - це споаб знаходження пром1жних значень величини по вже наявному дискретному набору вщомих значень. Одним !з шдход!в для виршення поставленого завдання е штерполювання за допомогою класичного многочлену Лагранжа. 1нтерполяцшний многочлен Лагранжа — многочлен мшмального степеня, що приймае дан! значення у даному набор! точок. Для п + 1 пар чисел (хо>Уо), (х1>У1) (хп,Уп) , де вс р!зш, юнуе единий многочлен Ь(х) ступеню не б!льшого в1д п, для
якого ) = у¿. Маемо наступну форму полшому, в основi яко! лежить базис полiномiв Лагранжа 1к (х) ступеню п:
, ) = (1, якщо I = к 1 к(^) = (о,якщо 1Фк . Полшоми Лагранжа мають вигляд:
1к (х) = ПГ=0, IФкг, .
X к X г
Тодi полiном Рп (х) набуде наступного вигляду:
Рп (х) = Т!к=оУ к ПГ=0, IФк
хк Ч
Цей полшом мае ступiнь не вищу за п та Рп(х^) = у^. Формулу полшома Рп(х) й називають формулою Лагранжа. К1льк1сть арифметичних дш для його обчислення пропорцiйна п2. У результатi передискретизацп ми отримаемо промiжнi значення, достовiрнiсть яких перевiрити неможливо, оск1льки нас обмежуе у значениях роздшьна здатнiсть екрану, на якому проводиться дослiдження. Тому доцшьно перевiрити як1сть знаходження реальних промiжних значень. У таблицi нижче наведет значення координат маиiпулятора, як1 будуть iнтерполюватися.
Таблиця 1
д (1П.) (т.)
106 77
96 80
86 83
81 85
75 88
В якосп вузлiв штерполяцп вiзьмемо:
( 96 1 ( 801
86 83
х = 75 У8 = 88
160 ) 193 )
:= 81
Для перевiрки реальностi шуканих значень, вiдобразимо на отриманому граф^ реальну координату мiж заданими вузлами штерполяцп, а також знайдемо значення полшому Лагранжа у цш точщ. Розрахунки проводилися в середовищi МаШСАО.
У результатi отримуемо iнтерпольоваиу функцш ^сиЫс(х) := Ь0(х)-у + Ц(х)-у + Ь2(х)-у + Ь3(х)-у . Графiк функцп наведено на рисунку 1.
« * *
Г.аЛисС™^)
^ сиЫс(в ЛеягаЗ I
X X
60 70 50 90
Рисунок 1 - График iнтерполяцiйного полшому Лагранжа Як бачимо з граф^, шукане промiжие значення належить множит значень полшому. Тепер перевiримо значення полшому Лагранжа в цш точщ: 1си^с = 85.202 . Значення многочлена
Лагранжа близьке до значення координати у в цш точщ а, отже, можна зробити висновок, що даний метод тдходить для отримання додаткових пром1жних даних з метою створення бiльш точних та достовiрних моделей. Виконавши попередню обробку вхвдних даних, можна безпосередньо перейти до побудови лшгвютично! модели Алгоритмiчна реалiзацiя лшгвютизаци передбачае виконання наступних крок1в [4]:
Нехай маемо часовий ряд довжиною М ( для скорочення розглянемо одну координату х), який описуе деякий процес руху руки комп'ютерно! мишки.
1. Сформуемо для заданого часового ряду рiзницевий ряд першого порядку рiзницi першого порядку:
X1(i) = X(i + 1) — X(i) .
3. Ввдсортуемо рiзницевий ряд за зростанням X1 ^ Xs1.
4. Знаходимо max (Xs1) та min (Xs1).
5. Розбиваемо вiдрiзки [rnin(Xs1),0] та [0, max (Xs1)] на N в1дазюв за правилами рiвнозначноi iнтервалiзацii, при якiй
ш(аг, Ъ-1) = ш(а2, Ь2 ) = ••• = ш(ап, Ъп), де ш(а^, bt) = bt — at - ширина штервалу ¡[а^Ь^] [2]. Приклад отриманих iнтервалiв наведенi на рисунку 2.
Interval К:
а min = -3.500000000000001 mal = -3.500000000000001
Ь min = -3.500000000000001 mal = -0.9752836784443142
с min - -0.9752836784443142 mal - -0.3441045980553925
с min = -0.3441045980553925 mal = -0.13371157125908528
€ min = -0.13371157125908528 mal = -0.05481418621047007
Е min = -0.05481418621047007 mal = -0.023255232191023996
<3 min = -0,023255232191023996 mal = -0,010105668016254794
h min - -0.010105668016254794 mal = -0.004470140512782279
i min = -0.004470140512782279 mal = 0.0
А min = 0,0 mal =0.0
В min = 0,0 тая. = 2.5247163215556867
С min = 2,5247163215556867 mal = 3.1558954019446084
D min = 3,1558954019446084 mal = 3.3662884287409156
Е min = 3,3662884287409156 mal = 3.445185813789531
F min = 3,445185813789531 mal = 3 476744767808977
G min = 3,476744767808977 man = 3 4898943319837463
Н min = 3,4898943319837463 mal - 3.495529859487219
I min = 3,495529859487219 mal = 3 5000000000000013
Рисунок 2 - 1нтервали числового ряду
6. Створимо матрицю, рядки яко! зберiгатимуть елементи шдряду, що потрапили до ввдповвдного iнтервалу. Поставимо у ввдповщнють кожному рядку у вщповщнють лiтеру iз алфавiту А={а,Ь,сДе,^МЛ,В,САЕ,Р,0,ИД}.
7. Замiнимо кожну рiзницю у неввдсортованому рядi на лiтеру вщповщно до того, в який штервал одше! iз пiдчастин ввдсортованого ряду потрапила задана рiзниця. В результата дано! операцп ми отримаемо ланцюжок переходiв для отримано! граматики.
8. Сформуемо матрицю передування для приховано! марковсько! моделi.
Прихований марковський ланцюжок - це маршвський ланцюжок, який приймае значення на ск1нченому фазовому просторi станiв. Умовнi ймовiрностi
аЦ] = Р(ХП = ]\Хп-1 = 0,П> 1, ¿,] е 5.
Матриця переходiв будуеться як
А = (а1\] У=и=1
iз обмеженнями:
]
а1и > 0,= 1 [4].
1=1
Множина станiв - це фактично букви обраного нами алфавиу.
Для кожно! пари станiв, наприклад <d,S> пiдраховуемо у(й, 5) скшьки разiв вона зустрiчаеться в лшгвютичному ланцюжку Ь(х1[),... ,). На рисунку 3 наведений приклад сформовано! матрица
Рисунок 3 - Матриця передування 9. На основi отримано! матрищ тепер можна сформувати правила формально! граматики. Подшивши у(й, 5)на загальну к1льк1сть входжень лiтери отримуемо частоту переходiв зi стану в стан '^":Правила визначаються лише для тих випадшв, коли значення комiрки е ненульовим - тобто
можливий перехвд iз одного стану в шший. На рисунку 4 наведений приклад сформовано! формально! граматики.
Vd s
v(d ^ S) = — Wd
LINSU3 RULES X:
i - (0 75) -> i
i - (0 0S) -s- ь
i - (0 17) -> в
с - (0 09) -> i
с - (0 5! -> с
G - (0 24) -> ь
с - (0 17) -S- Е
Ь - (0 0«) -> с
ь - (0 9) -> Ь
ь - (0 03) -S- В
в - (0 03) -> i
в - (0 03) -> с
в - (0 03) -S- ь
в - (0 SS) -> в
в - (0 05) -> с
в - (0 02) - ■> I
г - (0 63) -> в
с - (0 37) -S- ^
I - (1 0) -> с
Рисунок 4 - Правила формально!' граматики Висновки
Таким чином, у статл викладено можливий пiдхiд щодо вирiшення задачi розпiзнавання емоцiйного стану користувачiв iнформацiйних систем iз використанням методу iнтелектуального аналiзу даних, а саме методу лшгвютичного моделювання. Метод базуеться на статистичних даних, принципах iнтервалiзацi! та ймовiрнiсних розрахунк1в.
Автори планують продовжувати напрямок дослiджень задля перевiрки теоретичних припущень i гшотез та !х адаптацi! до практичного застосування.
Список використанно!' лiтератури
1. П.1. Бвдюк Основнi етапи побудови i приклади застосування мереж байеса / П.1. Б1дюк, Н.В. Кузнецова - Системш дослiдження та шформацшш технологi! - 2007, № 4.
2. 1.В. Баклан Про деяш новi особливостi використання прихованих марковських моделей для аналiзу та прогнозування часових рядiв / 1.В. Баклан, Г. А. Степанкова - «Штучний штелект» - 2010, №4.
3. Бодянский Е.В. Штучнi нейроннi мереж1: архггектури, навчання, застосування. / Бодянский Е.В., Руденко О.Г. - Biennial Baltic Electronics Conference - 2011.
4. Баклан 1.В. Структурний пiдхiд до аналiзу та прогнозування поведiнки часових рядiв / I. В. Баклан, Ю. М. Селiн - Вюник Херсонського нацiонального технiчного унiверситету. - Херсон: ХНТУ, 2005, - №2 - С,27-31.
5. Бвдюк П. I. Моделювання та прогнозування нелшшних динамiчних процесiв / Бвдюк П. I., Баклан I. В., Литвиненко В. I. - К.: ЕКМО. - 2004.
6. Крак Ю.В. Iнформацiйна технологiя аналiзу й синтезу мiмiчних станiв обличчя людини для систем жестово! комунiкацi!' / Крак Ю.В. - м. Херсон: IIII Вишемирський В.С. 2016 - Штелектуальш системи прийняття рiшень i проблеми обчислювального iнтелекту - 86 с.
7. Очеретяний О.К. Штелектуальний аналiз даних вiд сучасних манiпуляторiв з використанням лшгвютичного моделювання/ Очеретяний О.К., Хусейн С.!, Баклан !В. - м. Херсон: ПП Вишемирський В.С. 2016 - Штелектуальш системи прийняття ршень i проблеми обчислювального штелекту - 126 с.
8. Рашкевич Ю.М. Передискретизацiя у випадку двох вхвдних зображень на основi операторiв подiбностi/ Рашкевич Ю.М., Пелешко Д.Д., Ьонш I.В., Батюк Д.А.- м. Херсон: ПП Вишемирський В.С. 2016 - Штелектуальш системи прийняття ршень i проблеми обчислювального iнтелекту - 307с.
9. Баклан !В. Iмовiрнiснi моделi для аналiзу та прогнозування часових рядiв / I.В. Баклан, Г.А. Степанкова - Штучний штелект. — 2008. — № 3.
