- •2 Учебная практика
- •2.5 План-график:
- •Аннотация
- •Содержание
- •Введение
- •1 Датчики, используемые в приложениях для мобильных платформ
- •Основные виды датчиков в смартфонах
- •Данные, получаемые от датчиков
- •2 Основы глубокого обучения
- •2.1 Основные принципы машинного обучения
- •2.2 Нейронные сети
- •3 Инструментальные методы определения стресса
- •3.1 Электроэнцефалография
- •3.2 Электродермальная активность
- •3.3 Вариабельность сердечного ритма
- •4 Определение стресса по вариабельности сердечного ритма
- •4.1 Определения стресса с использованием методов классификации
- •4.2 Разработка макета приложения
- •Заключение
- •Список использованных источников
2.2 Нейронные сети
Алгоритмы нейронных сетей построены по таким же принципам, как и классические алгоритмы. Имеется набор данных и цель, которую необходимо достичь, обучив алгоритм (например, предсказать число или отнести объект к определенному классу). Отличие нейросети от других алгоритмов заключается в ее структуре.
Нейронная сеть состоит из нейронов, сгруппированных в слои (layers), у нее есть входной слой (input layer), один или несколько скрытых слоев (hidden layers) и выходной слой (output layer). Каждый нейрон связан с нейронами предыдущего слоя через определенные веса. Количество слоев и нейронов не ограничено. Эта особенность позволяет нейронной сети моделировать очень сложные закономерности, с которыми бы не справились, например, линейные модели.
Функционирует нейросеть следующим образом. На первом этапе данные подаются в нейроны входного слоя (x и y) и умножаются на соответствующие веса (w1, w2, w3, w4). Полученные произведения складываются. К результату прибавляется смещение (bias, в данном случае b1 и b2).
Получившаяся сумма подаётся в функцию активации (activation function) для ограничения диапазона и стабилизации результата. Этот результат записывается в нейроны скрытого слоя (h1 и h2).
На втором этапе процесс повторяется для нейронов скрытого слоя (h1 и h2), весов (w5 и w6) и смещения (b3) до получения конечного результата (r).
Такая нейронная сеть называется персептроном (perceptron). Эта модель стремится повторить восприятие информации человеческим мозгом и учитывает три этапа такого процесса:
- Восприятие информации через сенсоры (входной слой)
- Создание ассоциаций (скрытый слой)
- Реакцию (выходной слой)
Функция активации – это способ нормализации входных данных (мы уже говорили об этом ранее). То есть, если на входе будет большое число, пропустив его через функцию активации, получится выход в нужном диапазоне. Функций активации достаточно много, одни из самых популярных:
- Линейная,
- Сигмоид (логистическая)
- Гиперболический тангенс.
Главные их отличия – это диапазон значений.
Сегодня нейронные сети применяются в следующих сферах:
- распознавание образов (по этому направлению работают наиболее широко);
- предсказание следующего шага (повышает эффективность и качество торговли на тех же фондовых рынках);
- классификация входной информации по параметрам (с этой работой легко справляются кредитные роботы, способные быстро принять решение об одобрении или отказе по поводу кредита, используя для этого входные наборы разнообразных параметров) [4].
3 Инструментальные методы определения стресса
3.1 Электроэнцефалография
Электроэнцефалограмма (ЭЭГ) – широко используемый метод оценки изменений нейрофизиологической активности, связанных с внешними стимулами и/или выполнением определенных задач. Ценность ЭЭГ в психофизиологических исследованиях связана с ее предполагаемой чувствительностью к локализованной активности мозга в областях, участвующих в генерации реакции на стресс, или активности, связанной с повышенным возбуждением или специфическими психоэмоциональными состояниями [5]. Левая передняя область мозга, по-видимому, связана с эмоциями типа приближения (например, счастье, гнев), в то время как правая передняя область эмоций типа избегания (например, печаль, страх) [6].
Индекс асимметрии ЭЭГ является надежным признаком стресса, выявляющим эмоциональное возбуждение [7], которое во многих исследованиях используется для дифференциальной диссоциации психологических состояний [8]. Индекс асимметрии ЭЭГ – это вычитание натурального логарифма мощности альфа-сигнала правого полушария из логарифма мощности левого полушария.
Большинство исследований подтверждают идею о том, что в состоянии стресса, как правило, наблюдается большая фронтальная правая альфа-активность по сравнению с левой альфа-активностью. Это явление возникает в стрессовые периоды (например, у студентов во время экзаменов) [9] при воздействии стрессовых стимулов, таких как грустные / счастливые фильмы [10], фильмы ужасов или в случае хронического стресса [11]. И наоборот, было показано, что ситуации, связанные с аффективными состояниями положительной валентности, вызывают большую активность левую лобную долю. Направление или величина асимметрий и их связь с физиологическими показателями (например, частотой сердечных сокращений) могут варьироваться в зависимости от места записи и спектральных диапазонов.
Спектр мощности или индексы относительной мощности широко изучались для выявления внутри индивидуальных изменений, связанных с интенсивностью реакции на стресс. Спектр ЭЭГ можно разделить на частотные интервалы, также называемые ритмами, а именно дельта (0,5-4 Гц), тета (4-8 Гц), альфа (8-13 Гц), бета (13-30 Гц) и гамма (30-70 Гц). Преобладание альфа-ритма наблюдается во время расслабления или в условиях с минимальными когнитивными требованиями или эмоциональным напряжением. И наоборот, условия со значительными требованиями к обработке или высоким уровнем бдительности являются ассоциируется с более высокочастотной ритмической активностью, такой как относительная бета-мощность [12].
Стресс положительно коррелирует с бета-мощностью в передней височной доле или высокими бета-волнами в височной доле. Мощность высокочастотных ритмов (таких как гамма-диапазон) может обеспечить чувствительный показатель величины реакции на стресс (относительная мощность в гамма-диапазоне, регистрируемая с префронтальных электродов), хотя рекомендуется соблюдать осторожность при интерпретации результатов в этом диапазоне частот из-за потенциального загрязнения миогенной активностью. Это важно, поскольку гамма-диапазон имеет более высокое временное разрешение по сравнению с установленными маркерами, такими как ЧСС или уровень кортизола. между областями мозга, которые варьируются в зависимости от уровня стресса.