Wearables og vélanám til að bæta hvatningu hlaupara frá áhrifaríku sjónarhorni Part 2

3.5. Bygging viðurkenningarlíkana

Markmiðið er nú að byggja upp flokkunarlíkönin sem lýst er og bera saman árangur þeirra til að velja bestu nálgunina til að þekkja tilfinningar. Fimm tegundir vélrænna reiknirita hafa verið teknar til greina: K-nearest neighbours (KNN), random forest (RF), multi-layer perceptron (MLP), linear support vector classifier (LSVC) og gradient boosting (GB). Sum þessara reiknirita hafa áður verið notuð með góðum árangri við að þekkja tilfinningar [60,62,67]. Engu að síður höfum við líka velt fyrir okkur þeim möguleika að notkun einstaks reiknirits sé ekki besti kosturinn til að byggja upp mismunandi flokkunarlíkön. Þess vegna er besta vélræna reikniritið fyrir hvert tiltekið líkan einnig rannsakað.

Smelltu á síþreytu

【Frekari upplýsingar:george.deng@wecistanche.com / WhatsApp:8613632399501】

Áður en mismunandi reiknirit voru borin saman voru umsækjendalíkönin þjálfuð með því að beita mismunandi umbreytingum á eiginleikum og mismunandi stillingum á ofbreytum til að finna besta kostinn frá flokkunarsjónarmiði. Mat á stillingum hefur verið framkvæmt með því að nota slembiraðaða leitarreikniritið sem Scikit Learn [68] býður upp á og þjálfunina með því að framkvæma endurtekna 5-falt krossstaðfestingu. Notkun þessarar sannprófunaraðferðar er sérstaklega mikilvæg þegar líkönin eru byggð úr litlum gagnasettum, eins og í þessu tilviki, vegna þess að það forðast að gera prófið með illa dæmigerðum sýnum. Endurtekin krossfullgilding dregur úr offitunarskekkju sem stafar af því að vinna með þessi litlu gagnasett og bætir afköst líkananna.

Tafla 3 sýnir niðurstöðurnar sem fengust fyrir mismunandi flokkunarvalkosti (4-Bekkur og ánægður/sorgur/árásargjarn/afslappaður, í sömu röð). Fyrir hvert þeirra hefur fimm vélanámsreikniritunum verið beitt til að byggja upp samsvarandi viðurkenningarlíkan (annar dálkur töflunnar). Þessar gerðir hafa verið stilltar með ákjósanlegum innslátt eiginleika (þriðji dálkur töflunnar) og ofurbreytum. Síðan hafa fjórar af flokkunarmælingum sem venjulega eru notaðar við mat á líkönum verið reiknaðar út fyrir mismunandi lausnir: Nákvæmni, F1, Nákvæmni og Innköllun (frá fjórða til sjöunda dálks). Við höfum sérstakan áhuga á að greina F1-stig niðurstöðurnar, sem eru reiknaðar út frá nákvæmni og munamælingum. F1-stigið gefur áreiðanlega mælikvarða þegar gagnasafnið sem notað er til að búa til líkana er í ójafnvægi, eins og í þessu tilviki. Gagnapakkinn sem notaður er í þessari vinnu inniheldur 25% jákvæð sýni (tilfinninguna sem á að þekkja) og 75% neikvæð sýni (afgangurinn af tilfinningunum), og því gæti nákvæmniskorið gefið of bjartsýnt mat á flokkunargetu á meirihlutastétt. Að lokum, eftir að hafa greint flokkunarmælingar, hefur besta vélanámslíkanið verið auðkennt með grænum lit.

Þegar um er að ræða flokkunarlíkanið fyrir fjölflokka ({{0}}Class, Valmöguleiki 1), eru F1-einkunnir þeirra fimm líkana sem voru smíðuð mjög lélegar. Tilviljanakennda skógarlíkanið sker sig örlítið út frá hinum, með F1-einkunnina 0,288, en almennt eru niðurstöðurnar mjög svipaðar (þessar virðast vera í fylgni við fjölda flokka sem líkönin bera kennsl á) . Þess vegna er auðkenningargeta þessara líkana minni en æskilegt er til að ákvarða tilfinningar notandans.

Þegar um er að ræða valmöguleika 2 virðist notkun annars vélanáms reiknirit til að þekkja tilfinningar sem tilheyra hverjum Russell fjórðungi vera góður kostur; nánar tiltekið hafa módel k-næstu nágranna verið valin fyrir viðurkenningu á Sad og Relaxed fjórðungnum og tilviljunarkenndu skógarlíkönin fyrir Happy og Aggressive fjórðungana. F1-stig valinna líkana hefur gildi á milli 0.61 og 0.65. Niðurstöður þessa seinni valkosts bæta þær sem fengust í 4-bekkjaraðferðinni. Þrátt fyrir að þessar niðurstöður geti virst lágar varðandi það sem er æskilegt í vélanámsvandamálum, þá eru þær svipaðar niðurstöðunum sem fæst í öðrum tilfinningaþekkingartillögum byggðar á lífeðlisfræðilegum gögnum [60,62].

4. DJ-Running: Tilfinningabundið forrit til að mæla með tónlist

Markmið DJ-Running verkefnisins er að auka hvatningu hlaupara í gegnum Spotify tónlist. Klæðanleg og vélanámslíkönin sem kynnt voru í fyrri köflum eru notuð til að ákvarða tilfinningar hlaupara á æfingum þeirra. Þessar tilfinningar eru síðan greindar til að velja lög sem á að spila á hverju augnabliki.

Mynd 4 sýnir yfirlit á háu stigi yfir þá tæknilegu þætti sem taka þátt í endanlegri lausn. Eins og sést vinstra megin á myndinni samanstendur búnaður hlauparans af nothæfu og farsímaforriti sem spilar þau lög sem mælt er með á æfingunni. The wearable fylgist með lífeðlisfræðilegum breytum hlauparans og sendir þær reglulega til forritsins í gegnum Bluetooth-tengingu. Forritið vinnur úr þessum skynjaragögnum innbyrðis til að draga úr tilfinningar hlauparans, ákvarðar lögin sem á að spila í samræmi við þær tilfinningar og tengist Spotify streymisþjónustunni til að spila þau.

Forritið er samsett úr fjórum hugbúnaðareiningum: samskiptahlutanum, gagnavinnsluhlutanum, tilfinningabundnu ákvarðanakerfi og tilfinningatengdum tónlistarmælanda. Tveir fyrstu þættirnir eru ábyrgir fyrir að stjórna þráðlausum samskiptum við wearable, taka á móti skynjaragögnum og sía þau gögn áður en þau eru geymd í staðbundinni geymslu. Sían er byggð á ferlinu sem lýst er á mynd 3 og miðar að því að draga samsvarandi eiginleika (tölfræðilega og atburðatengda eiginleika) úr mótteknum gögnum. Hinar tvær einingarnar bera ábyrgð á því að þekkja tilfinningar hlauparans og spila hvetjandi tónlist sem byggir á þeim tilfinningum. Tæknilegum upplýsingum þessara tveggja kerfa er lýst í eftirfarandi málsgreinum.

Ákvarðanakerfi sem byggir á tilfinningum samþættir tvöfalda flokkunarlíkönin fjögur sem lýst er í kafla 3. Þessi líkön ákvarða tilfinningar sem hlauparinn er líklega að finna fyrir á ákveðnu tímabili (á 30 sekúndna fresti) út frá gögnunum sem hægt er að nota. Til dæmis, úttakið ((satt, ósatt, ósatt, ósatt), (0.71, 0.{{10}}3, 0.13 , 0.33))) táknar að hlauparanum líði ánægður með líkurnar á 0.71. Döpur, árásargjarn og slaka líkur (0,03, 0,13 og 0,33, í sömu röð) eru lægri en flokkunarmörkin og því er tilfinning hlauparans flokkuð sem ekki dapur, ekki árásargjarn og ekki slaka á. Tilfinningaröðin sem er þekkt á æfingunni gerir kerfinu kleift að skilgreina skap hlauparans og þær tilfinningalegu breytingar sem hún/hann verður fyrir á þeim tíma. Þessar áhrifaupplýsingar eru síðan notaðar til að ákvarða tilfinninguna sem á að framkalla hjá hlauparanum í gegnum tónlistina. Til dæmis, þegar hlauparinn er stressaður, ætti kerfið að ákveða að lögin sem á að spila ættu að vera afslappandi. Síðan, þegar hún/hann hefur slakað á, mun kerfið leggja til að lögin ættu að vera hvatning til að hafa jákvæð áhrif á skap hlauparans. Þessar ákvarðanir sem byggja á tilfinningum eru teknar af reglubundinni vél. Það samþættir sett af reglum sem voru skilgreindar í samvinnu við hlaupara sem hluti af DJ-Running verkefninu. Heildarlýsingu á aðferðinni sem notuð er til að ákvarða þessar reglur er að finna í [46].

Tilfinningabundinn tónlistarráðgjafi ákvarðar tiltekna lögin sem farsímaforritið á að spila út frá tilfinningunum sem ákvarðandi hefur lagt til. Meðmælandi krefst gagnagrunns yfir lög sem áður hafa verið merkt út frá tilfinningalegu sjónarhorni. Í þessari vinnu hefur þessi gagnagrunnur verið búinn til (og uppfærður reglulega) úr þjónustunni sem er í boði í RIADA innviði [47]. RIADA býður upp á geymsla af áhrifamiklum merkjum sem ákvarða tilfinningar sem hvert Spotify lag mun líklega framkalla hjá hlustandanum (meira en 50 milljónir laga hafa verið merkt).

Hægra megin á mynd 4 er yfirlit yfir RIADA íhluti sem tóku þátt í gerð merkimiða. Þessi merki eru einnig byggð á áhrifalíkan Russells og voru ákvörðuð út frá lýsigögnum laga og hljóðeiginleikum. Tónlistargagnaöflunarkerfi hefur samskipti við þjónustumiðaðan vettvang Spotify til að fá aðgang að lagalista sínum og lýsigögnum og hljóðeiginleikum þessara laga. Síðan ákvarðar tónlistartilfinningagreiningarkerfi sjálfkrafa tilfinningarnar sem hvert lag framleiðir út frá hljóðeiginleikum þess. Þessar tilfinningar eru þýddar á merkimiða sem eru geymd í gagnagrunni RIADA innviða. Tilfinningagreining tónlistar byggir á vélrænni tækni og hefur verið forrituð til að styðja við stórfellda skýringarferli, eins og lýst var í [47]. Að lokum gefur innviðin út API sem gerir forritum kleift að fá aðgang að gagnagrunni sínum með merktum lögum.

Kjarninn í tilfinningabyggðum tónlistarmælanda er reiknirit fyrir næstu nágranna sem vinnur á staðbundnum gagnagrunni yfir merki til að finna lög um frambjóðendur sem á að spila. Meðmælandi býr til leitarrými úr hljóðeiginleikum laganna og tilfinningalegum merkjum sem eru í gagnagrunninum. Hver punktur rýmisins samsvarar áþreifanlegum söng. Þegar ný meðmælabeiðni er móttekin, þýðir ráðgjafinn innsláttartilfinninguna (tilfinninguna sem hlauparinn framkallar) yfir á leitarstað í rýminu. Þessi þýðing er reiknuð út með því að beita aðhvarfslíkönum sem byggjast á hljóðeiginleikum laganna og áhrifunum sem sumir þessara eiginleika geta framkallað hjá hlustendum frá tilfinningalegu sjónarhorni. Síðan er hverfisreikniritinu beitt til að finna sett af umsækjendum lögum (lög nálægt leitarstaðnum). Þessir frambjóðendur eru síðan síaðir til að fleygja svipuðum lögum eða til að fjarlægja lög sem falla ekki að óskum hlauparans. Þessar óskir eru skilgreindar af notanda forritsins meðan á uppsetningarferlinu stendur og innihalda tónlistartegundir, stíla og áratuga áhuga.

5. Niðurstöður og framtíðarstarf

Í þessari grein hefur frumgerð vöru til að þekkja tilfinningar farsímanotenda í rauntíma verið kynnt. Það samanstendur af fullkominni niðurstöðu verkfræði sem sameinar fólk, wearables, vélanámstækni, farsímatölvu og þjónustutengdar lausnir. Lausnin hefur verið hönnuð til að vera auðveldlega samþætt í farsímaforrit þar sem áhrifaþáttur notenda gegnir mikilvægu hlutverki. Tilfinningagreiningin sem byggir á sjálfsmatsspurningalistum hefur nokkra ókosti: notendur geta ekki alltaf tjáð hvernig þeim líður, það getur verið leiðinlegt fyrir notendur eða það á ekki við um ákveðnar tegundir vandamála (til dæmis þegar notendur eru í stöðugu hreyfing). Af þessum ástæðum kemur rauntímaþekking fram sem mjög áhugaverður valkostur. Að auki gerir möguleikinn á að hafa aðgang að hráum skynjaragögnum kleift að forrita önnur þekkingarlíkön byggð á lífeðlisfræðilegum gögnum eða gagnavinnslulausnum sem hjálpa til við að skilja áhrifahegðun notenda.

Frá tæknilegu sjónarhorni samanstendur lausnin af klæðanlegum og safni af viðurkenningarlíkönum. The wearable er frumgerð sérstaklega hönnuð fyrir hlaupara, með einföldum vélbúnaði og lágum framleiðslukostnaði miðað við verslunartæki. Tilfinningagreiningarlíkönin eru byggð á vélrænum reikniritum. Mismunandi eiginleikar hafa verið dregin út úr EDA skynjaragögnum og metnir til að ákvarða mikilvægi þeirra í ferli tilfinningagreiningar. Síðan voru tvær mismunandi flokkunaraðferðir metnar: fjölflokkaflokkunarlíkan á móti fjórum tvöföldum flokkunarlíkönum. Niðurstöður fyrstu nálgunarinnar hafa ekki verið eins góðar og búist var við eftir að hafa skoðað mismunandi umbreytingar á eiginleikum og mismunandi uppsetningar á ofbreytum. Önnur aðferðin reyndist vera betri kostur þegar tilviljanakennd skógur og K-næstu nágranna reiknirit voru sameinuð til að draga úr tilfinningum.

Fyrirhuguð lausn hefur verið samþætt DJ-Running farsímaforritinu til að prófa nothæfi þess á raunverulegt vandamál. Í þessu tilviki voru tilfinningar notaðar til að stjórna skapi hlauparanna í gegnum tónlistina eftir líkamlegri hreyfingu sem þeir stunduðu og umhverfið sem þeir æfðu í.

Sem framtíðarstarf, annars vegar, höfum við sérstakan áhuga á að nýta niðurstöður þessarar rannsóknar til að ná fram lausn nær vöru til meðallangs tíma. Það krefst, fyrst og fremst, að betrumbæta klæðanlegan vélbúnað til að minnka stærð hans og samþætta nýja skynjara sem eru gagnlegir til að bæta tilfinningaþekkingu. Að auki verður að vinna úr gögnum þessara skynjara til að fá nýja eiginleika sem gera kleift að byggja upp nákvæmari auðkenningarlíkön. Á hinn bóginn viljum við endurnýta niðurstöðurnar fyrir önnur forritalén, til dæmis heilsu, vellíðan eða skemmtun. Á þessum sviðum verða tilfinningar og gögn frá öðrum snjalltækjum (til dæmis uppsett á heimilinu eða notuð af notandanum) líklega sameinuð til að draga út þekkingu til að hjálpa til við að skapa nýja notendamiðaða upplifun.

Framlög höfunda:Hugbúnaður, JGdQ; Rannsókn, SB, JRB og P.Á. Allir höfundar hafa lesið og samþykkt útgáfu handritsins.

Fjármögnun:Þessar rannsóknir hafa verið studdar af PDC2021-121072-C22, TED2021-130374B-C22 og RTI2018-096986-B-C31 verkefnum, veitt af spænska Economía y Competitividad, og DisCo- T21-20R og Affective-Lab-T60-20R verkefni, veitt af ríkisstjórn Aragóníu.

Yfirlýsing endurskoðunarnefndar stofnana:Á ekki við.

Yfirlýsing um upplýst samþykki:Á ekki við.

Yfirlýsing um framboð gagna:Á ekki við.

Hagsmunaárekstrar:Höfundar lýsa ekki yfir hagsmunaárekstrum.

Heimildir

1. Vijayan, V.; Connolly, JP; Condell, J.; McKelvey, N.; Gardiner, P. Endurskoðun klæðanlegra tækja og gagnasöfnunarsjónarmiða fyrir tengda heilsu. Skynjarar 2021, 21, 5589. [CrossRef] [PubMed]

2. Wang, H. Rannsóknir á notkun þráðlausra klæðanlegra skynjunartækja í gagnvirkri tónlist. J. Skynjarar 2021, 2021, 7608867. [CrossRef]

3. Olson, J.; Redkar, S. Könnun á nothæfum skynjaranetum í heilsu og afþreyingu. MOJ Appl. Bionics Biomech 2018, 2, 280–287. [Krossvísun]

4. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Wearable skynjarar til að fylgjast með lífeðlisfræðilegum og lífefnafræðilegum prófíl íþróttamannsins. NPJ tölustafur. Med. 2019, 2, 72. [Krossvísun]

5. Liu, L.; Zhang, X. Einbeittur umfjöllun um sveigjanlega klæðanlega skynjara fyrir íþróttir: Frá hreyfifræði til lífeðlisfræði. Örvélar 2022, 13, 1356. [CrossRef]

6. Nithya, N.; Nallavan, G. Hlutverk wearables í íþróttum byggt á virkni viðurkenningu og líffræðileg tölfræði breytur: A Survey. Í málefnum 2021 alþjóðlegrar ráðstefnu um gervigreind og snjallkerfi (ICAIS), Coimbatore, Indlandi, 25.–27. mars 2021; bls 1700–1705.

7. Mencarini, E.; Rapp, A.; Tirabeni, L.; Zancanaro, M. Hanna klæðanleg kerfi fyrir íþróttir: Yfirlit yfir þróun og tækifæri í samskiptum manna og tölvu. IEEE Trans. Hum.-Mach. Syst. 2019, 49, 314–325. [Krossvísun]

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. Wearable tregðuskynjara nálgun fyrir líkamsstöðuaðlögun mat á fyrirsjáanlegum truflunum í íþróttum. Skynjarar 2022, 22, 8272. [CrossRef]

9. McCarthy, PJ Jákvæð tilfinning í frammistöðu íþrótta: Núverandi staða og framtíðarstefnur. Alþj. Séra Íþróttaæfing. Psychol. 2011, 4, 50–69. [Krossvísun]

10. Lane, AM; Devonport, TJ; Friesen, AP; Beedie, CJ; Fullerton, CL; Stanley, DM Hvernig ætti ég að stjórna tilfinningum mínum ef ég vil hlaupa hraðar? Eur. J. Sport Sci. 2016, 16, 465–472. [Krossvísun]

11. Lazarus, RS Hvernig tilfinningar hafa áhrif á frammistöðu í keppnisíþróttum. Sport Psychol. 2000, 14, 229–252. [Krossvísun]

12. Wagstaff, CR; Tamminen, KA Tilfinningar. Streita, vellíðan og árangur í íþróttum; Routledge, Taylor og Francis Group: London, Bretlandi, 2021; bls. 97–112.

13. Prapavessis, H. The POMS og íþróttir árangur: A endurskoðun. J. Appl. Sport Psychol. 2000, 12, 34–48. [Krossvísun]

14. Saganowski, S.; Dutkowiak, A.; Dziadek, A.; Dzie ˙zyc, M.; Komoszy ´nska, J.; Michalska, W.; Polak, A.; Ujma, M.; Kazienko, P. Tilfinningaþekking með því að nota wearables: Kerfisbundið ritrýni-verk í vinnslu. Í vinnslu 2020 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops), Austin, TX, Bandaríkjunum, 23.–27. mars 2020; bls. 1–6.

15. Szwoch, W. Tilfinningarþekking með því að nota lífeðlisfræðileg merki. Í Proceedings of the Multimedia, Interaction, Design and Innovation, Varsjá, Póllandi, 29.–30. júní 2015; bls. 1–8.

16. Gunes, H.; Schuller, B. Flokksbundin og víddaráhrifagreining í stöðugu inntaki: Núverandi þróun og framtíðarstefnur. Mynd Vis. Reikni. 2013, 31, 120–136. [Krossvísun]

17. Azhar, M.; Nelson, T.; Casey, A. Notkun klæðanlegrar tækni til að mæla tilfinningaleg viðbrögð meðal tennisspilara. Í Proceedings of the EAI International Conference on Technology, Innovation, Entrepreneurship and Education; Springer: Berlín/Heidelberg, Þýskalandi, 2017; bls. 91–105.

18. Havlucu, H.; Akgun, B.; Eskenazi, T.; Coskun, A.; Ozcan, O. Til að greina svæði Elite tennisspilara með Wearable Technology. Framan. Íþrótt. Framkvæma. Lifandi 2022, 4, 939641. [Krossvísun]

19. Bi, T.; Bianchi-Berthouze, N.; Singh, A.; Costanza, E. Skilningur á sameiginlegri reynslu hlaupara og áhorfenda í langhlaupum. Í Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, Glasgow, Bretlandi, 4.–9. maí 2019; bls. 1–13.

20. Dupré, D.; Bland, B.; Bolster, A.; Morrison, G.; McKeown, G. Kraftmikið líkan af tilfinningum íþróttamanna byggt á tækjum sem hægt er að nota. Í Proceedings of the International Conference on Applied Human Factors and Ergonomics; Springer: Berlín/Heidelberg, Þýskalandi, 2017, bls. 42–50.

21. Dupré, D.; Andelic, N.; Moore, DS; Morrison, G.; McKeown, GJ Greining á lífeðlisfræðilegum breytingum sem tengjast tilfinningum meðan á zipline virkni stendur. Íþrótt. Eng. 2020, 23, 1–11. [Krossvísun]

22. Rao, P.; Seshadri, DR; Hsu, J. Núverandi og hugsanleg notkun á wearables í íþrótta hjartalækningum. Curr. Dekra við. Valkostir Hjarta- og æðakerfi. Med. 2021, 23, 1–15. [Krossvísun]

23. Chen, J.; Abbott, M.; Shieh, JS Uppgötvun sársauka og streitu með því að nota skynjara og tæki sem hægt er að nota — endurskoðun. Skynjarar 2021, 21, 1030. [CrossRef]

24. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Wearable skynjarar til að fylgjast með innra og ytra vinnuálagi íþróttamannsins. NPJ tölustafur. Med. 2019, 2, 7608867. [Krossvísun]

25. Juslin, PN; Sloboda, J. Handbók um tónlist og tilfinningar: Kenning, rannsóknir, umsóknir; Oxford University Press: Oxford, Bretlandi, 2011.

26. Schaefer, HE Tilfinningar sem vekja upp tónlist—Núverandi rannsóknir. Framan. Neurosci. 2017, 11, 600. [Krossvísun]

27. Uhlig, S.; Jaschke, A.; Scherder, E. Áhrif tónlistar á tilfinningastjórnun: kerfisbundin ritskoðun. Í Proceedings of the 3rd International Conference on Music & Emotion, Jyväskylä, Finnlandi, 11.–15. júní 2013.

28. Huang, J.; Li, X. Áhrif og notkun tónlistarmeðferðar á sálræna heilsu: endurskoðun. Í málefnum 2021 alþjóðlegrar ráðstefnu um opinbera list og mannlega þróun (ICPAHD 2021), Kunming, Kína, 24.–26. desember 2021; bls 984–989.

29. Baird, A.; Samson, S. Minni fyrir tónlist við Alzheimerssjúkdóm: Ógleymanlegt? Neuropsychol. 2009, 19, 85–101. [Krossvísun]

30. Stephenson, R.; Beddoes, Z.; Otterson, S.; Rugen, J. Byggt á hagnýtum forritum til að nýta tónlist til að auka hvatningu og hreyfingu í líkamsrækt. Stefna 2022, 35, 17–22. [Krossvísun]

31. Scherer, KR Hvaða tilfinningar geta tónlist framkallað? Hver eru undirliggjandi kerfi? Og hvernig getum við mælt þá? J. New Music Res. 2004, 33, 239–251. [Krossvísun]

32. Juslin, PN Tónlistartilfinningar útskýrðar: Að opna leyndarmál tónlistaráhrifa; Oxford University Press: Cary, NC, Bandaríkin, 2019.

33. Kim, J.; André, E. Tilfinningaþekking byggð á lífeðlisfræðilegum breytingum á tónlistarhlustun. IEEE Trans. Mynstur Anal. Mach. Intell. 2008, 30, 2067–2083. [CrossRef] [PubMed]

34. Ayata, D.; Yaslan, Y.; Kawasaki, ME Tilfinningabundið tónlistarráðleggingarkerfi sem notar lífeðlisfræðilega skynjara sem hægt er að klæðast. IEEE Trans. Neyta. Rafeind. 2018, 64, 196–203. [Krossvísun]

35. Eerola, T.; Vuoskoski, JK Samanburður á stakri og víddarlíkönum tilfinninga í tónlist. Psychol. Tónlist 2011, 39, 18–49. [Krossvísun]

36. Karageorghis, CI; Ekkekakis, P.; Fugl, JM; Bigliassi, M. Tónlist á æfingum og íþróttasviði: Huglægar nálganir og undirliggjandi kerfi. Í Routledge Companion to Embodied Music Interaction; Routledge: London, Bretlandi, 2017; bls. 284–293.

37. Terry, PC; Karageorghis, CI; Curran, ML; Martin, OV; Parsons-Smith, RL Áhrif tónlistar í hreyfingu og íþróttum: Meta-greiningarskoðun. Psychol. Naut. 2020, 146, 91. [Krossvísun]

38. Chaturvedi, V.; Kaur, AB; Varshney, V.; Garg, A.; Chhabra, GS; Kumar, M. Tónlistarskap og mannleg tilfinningaþekking byggt á lífeðlisfræðilegum merkjum: Kerfisbundin endurskoðun. Margmiðlun. Syst. 2022, 28, 21–44. [Krossvísun]

39. Brandt, N.; Razon, S. Áhrif sjálfvalinnar tónlistar á áhrifaviðbrögð og hlaupandi frammistöðu: Leiðbeiningar og afleiðingar. Alþj. J. Æfing. Sci. 2019, 12, 310–323.

40. Hutchinson, JC; Jones, L.; Vitti, SN; Moore, A.; Dalton, PC; O'Neil, BJ Áhrif sjálfvalinnar tónlistar á áreynslustýrða áreynslustyrk og munaða ánægju við hlaup á hlaupabretti. Íþrótt. Æfing. Framkvæma. Psychol. 2018, 7, 80. [Krossvísun]

41. Hutchinson, JC Hlaupandi með tónlist. AMAA J. 2017, 30, 13–16.

42. Wijnalda, G.; Pauws, S.; Vignoli, F.; Stuckenschmidt, H. Persónulegt tónlistarkerfi til að hvetja til íþróttaframmistöðu. IEEE Pervasive Comput. 2005, 4, 26–32. [Krossvísun]

43. Elliott, GT; Tomlinson, B. PersonalSoundtrack: Samhengisvitaðir lagalistar sem laga sig að hraða notenda. Í Proceedings of the CHI'06 extended abstracts on Human factors in computing systems, Montréal, Québec, Kanada, 22.–27. apríl 2006; bls. 736–741.

44. De Oliveira, R.; Oliver, N. Triplebeat: Auka frammistöðu æfingar með sannfæringarkrafti. Í Proceedings of the 10th International Conference on Human-Computer Interaction with Mobile Devices and Services, Amsterdam, Hollandi, 2.–5. september 2008; bls. 255–264.

45. Bauer, C.; Kratschmar, A. Hönnun tónlistarstýrðs hlaupaforrits: íþróttavísindi og sálfræðilegt sjónarhorn. In Proceedings of the 33rd Annual ACM Conference Extended Abstracts on Human Factors in Computing Systems, Seoul, Lýðveldið Kóreu, 18.–23. apríl 2015; bls 1379–1384.

46. ​​Álvarez, P.; Zarazaga-Soria, FJ; Baldassarri, S. Ráðleggingar um farsímatónlist fyrir hlaupara byggðar á staðsetningu og tilfinningum: DJ-Running kerfið. Útbreiddur múgur. Reikni. 2020, 67, 101242. [Krossvísun]

47. Álvarez, P.; de Quirós, JG; Baldassarri, S. RIADA: Vélrænn innviði til að þekkja tilfinningar Spotify-laga. Alþj. J. Samskipti. Margmiðlun. Artif. Intell. 2022, 1-14. [Krossvísun]

48. Álvarez, P.; Guiu, A.; Beltrán, JR; de Quirós, JG; Baldassarri, S. DJ-Running: An tilfinningabundið kerfi til að mæla með Spotify-lögum til hlaupara. Í Proceedings of the icSPORTS, Vín, Austurríki, 20.–21. september 2019; bls. 55–63.

49. Álvarez, P.; Beltrán, JR; Baldassarri, S. Dj-hlaup: Wearables og tilfinningar til að bæta árangur í hlaupum. In Proceedings of the International Conference on Human Systems Engineering and Design: Future Trends and Applications; Springer: Berlín/Heidelberg, Þýskalandi, 2018; bls 847–853.

50. Girardi, D.; Lanubile, F.; Novielli, N. Tilfinningarskynjun með því að nota ekki ífarandi lágkostnaðarskynjara. Í Proceedings of the 2017 Seventh International Conference on Affective Computing and Intelligent Interaction (ACII), San Antonio, TX, Bandaríkjunum, 23.–26. október 2017; bls. 125–130. [Krossvísun]

51. Soleymani, M.; Lichtenauer, J.; orðaleikur, T.; Pantic, M. Multi-Modal Affective Database fyrir áhrifagreiningu og óbeina merkingu. Áhrif. Reikni. IEEE Trans. 2012, 3, 42–55. [Krossvísun]

52. Shukla, J.; Barreda-Ángeles, M.; Oliver, J.; Nandi, G.; Puig, D. Eiginleikaútdráttur og val fyrir tilfinningaviðurkenningu frá rafskautsvirkni. IEEE Trans. Áhrif. Reikni. 2019, 12, 857–869. [Krossvísun]

53. Empatica E4 Lýsing. 2021. Aðgengilegt á netinu: https://www.empatica.com/en-eu/research/e4/ (sótt 30. nóvember 2019).

54. GSR skógarhöggsskynjari NUL-217. 2017. Aðgengilegt á netinu: http://neulog.com/gsr/ (sótt 14. janúar 2023).

55. Biosignalsplux Kit. 2023. Aðgengilegt á netinu: https://www.pluxbiosignals.com (sótt 14. janúar 2023).

56. Shimmer þróunarsett. 2022. Aðgengilegt á netinu: https://shimmersensing.com/wearable-sensor-products/development-kits/ (sótt 18. desember 2022).

57. Hui, TK; Sherratt, RS Umfjöllun um tilfinningaþekkingu fyrir algenga lífskynjara sem hægt er að nota. Lífskynjarar 2018, 8, 30. [CrossRef]

58. Van Dooren, M.; Janssen, JH Tilfinningaleg svitamyndun um líkamann: Samanburður á 16 mismunandi leiðnimælingarstöðum fyrir húð. Physiol. Hegðu þig. 2012, 106, 298–304. [Krossvísun]

59. Russell, J. A circumplex líkan af áhrifum. J. Persónulegt. Soc. Psychol. 1980, 39, 1161–1178. [Krossvísun]

60. Rómeó, L.; Cavallo, A.; Pepa, L.; Bianchi-Berthouze, N.; Pontil, M. Fjöltilvikanám fyrir tilfinningagreiningu með því að nota lífeðlisfræðileg merki. IEEE Trans. Áhrif. Reikni. 2022, 13, 389–407. [Krossvísun]

61. Gjoreski, M.; Gjoreski, H.; Luštrek, M.; Gams, M. Stöðug streituskynjun með því að nota úlnliðstæki: á rannsóknarstofu og í raunveruleikanum. Í Proceedings of the 2016 ACM International Joint Conference on Pervasive and Biquitous Computing: Adjunct; Association for Computing Machinery, New York, NY, Bandaríkjunum, 12.–16. september 2016; bls. 1185–1193. [Krossvísun]

62. Correa, JAM; Abadi, MK; Sebe, N.; Patras, I. AMIGOS: Gagnasett fyrir rannsóknir á áhrifum, persónuleika og skapi á einstaklingum og hópum. IEEE Trans. Áhrif. Reikni. 2021, 12, 479–493. [Krossvísun]

63. Santamaria-Granados, L.; Munoz-Organero, M.; Ramirez-González, G.; Abdulhay, E.; Arunkumar, N. Using Deep Convolutional Neural Network for Emotion Detection on a Physiological Signals Dataset (AMIGOS). IEEE Access 2019, 7, 57–67. [Krossvísun]

64. Koelstra, S.; Muhl, C.; Soleymani, M.; Lee, J.; Yazdani, A.; Ebrahimi, T.; orðaleikur, T.; Nijholt, A.; Patras, I. DEAP: Gagnagrunnur fyrir tilfinningagreiningu með lífeðlisfræðilegum merkjum. IEEE Trans. Áhrif. Reikni. 2012, 3, 18–31. [Krossvísun]

65. Navarro, D.; Garro, V.; Sundstedt, V. Electrodermal Activity Evaluation of Player Experience in Virtual Reality Games: A Phasic Component Analysis. Í Proceedings of the 17th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP 2022), á netinu, 6.–8. febrúar 2022; bls. 108–116. [Krossvísun]

66. Sci-kit-learn: Machine Learning í Python. Aðgengilegt á netinu: https://scikit-learn.org/stable/ (sótt 14. nóvember 2022).

67. Jang, EH; Park, BJ; Park, MS; Kim, SH; Sohn, JH Greining á lífeðlisfræðilegum merkjum til að þekkja leiðindi, sársauka og óvart tilfinningar. J. Phys. Anthropol. 2015, 34, 25. [CrossRef] [PubMed]

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

Fyrirvari/Athugasemd útgefanda:Yfirlýsingar, skoðanir og gögn sem eru í öllum ritum eru eingöngu frá einstökum höfundum og þátttakendum en ekki MDPI og/eða ritstjóra. MDPI og/eða ritstjóri(r) afsalar sér ábyrgð á hvers kyns meiðslum á fólki eða eignum sem stafa af hugmyndum, aðferðum, leiðbeiningum eða vörum sem vísað er til í innihaldinu.

【Frekari upplýsingar:george.deng@wecistanche.com / WhatsApp:8613632399501】