ابزارهای پوشیدنی و یادگیری ماشینی برای بهبود انگیزه دوندگان از منظر عاطفی قسمت 2

3.5. ساخت مدل های شناسایی

هدف اکنون ساخت مدل های طبقه بندی توصیف شده و مقایسه عملکرد آنها برای انتخاب بهترین رویکرد برای تشخیص احساسات است. پنج نوع الگوریتم یادگیری ماشین در نظر گرفته شده‌اند: K-نزدیک‌ترین همسایه (KNN)، جنگل تصادفی (RF)، پرسپترون چند لایه (MLP)، طبقه‌بندی کننده بردار پشتیبانی خطی (LSVC) و تقویت گرادیان (GB). برخی از این الگوریتم‌ها قبلاً با نتایج خوبی در تشخیص احساسات استفاده شده‌اند [60،62،67]. با این وجود، ما این احتمال را نیز در نظر گرفته ایم که استفاده از یک الگوریتم منحصر به فرد بهترین گزینه برای ساخت مدل های طبقه بندی مختلف نیست. بنابراین، بهترین الگوریتم یادگیری ماشین برای هر مدل خاص نیز مورد مطالعه قرار می گیرد.

بر روی خستگی مزمن کلیک کنید

【برای اطلاعات بیشتر:george.deng@wecistanche.com / WhatsApp:8613632399501】

قبل از مقایسه الگوریتم‌های مختلف، مدل‌های کاندید با اعمال جایگشت‌های مختلف ویژگی‌ها و پیکربندی‌های مختلف ابرپارامترها برای یافتن بهترین گزینه از دیدگاه طبقه‌بندی آموزش دیدند. ارزیابی پیکربندی ها با استفاده از الگوریتم جستجوی تصادفی ارائه شده توسط Scikit Learn [68] و آموزش با انجام یک اعتبارسنجی متقابل مکرر 5- انجام شده است. استفاده از این رویکرد اعتبار سنجی به ویژه زمانی مهم است که مدل ها از مجموعه داده های کوچک ساخته شده باشند، مانند این مورد، زیرا از انجام آزمایش با نمونه های ضعیف اجتناب می کند. اعتبارسنجی متقابل مکرر خطای بیش از حد برازش ناشی از کار با این مجموعه داده‌های کوچک را کاهش می‌دهد و عملکرد مدل‌ها را بهبود می‌بخشد.

جدول 3 نتایج به‌دست‌آمده را برای گزینه‌های طبقه‌بندی مختلف نشان می‌دهد (به ترتیب4-کلاس و شاد/غمگین/پرخاشگر/آرام). برای هر یک از آنها، پنج الگوریتم یادگیری ماشین برای ساخت مدل شناسایی مربوطه (ستون دوم جدول) اعمال شده است. این مدل ها با ورودی بهینه ویژگی ها (ستون سوم جدول) و هایپرپارامترها پیکربندی شده اند. سپس، چهار معیار طبقه‌بندی که معمولاً در ارزیابی مدل‌ها استفاده می‌شوند، برای راه‌حل‌های مختلف محاسبه شده‌اند: دقت، F1، دقت و یادآوری (از ستون چهارم تا هفتم). ما به ویژه به تجزیه و تحلیل نتایج امتیاز F1- که از معیارهای دقیق و فراخوان محاسبه می‌شوند، علاقه‌مندیم. هنگامی که مجموعه داده مورد استفاده برای ایجاد مدل ها نامتعادل است، مانند این مورد، امتیاز F{4}} یک معیار قابل اعتماد ارائه می دهد. مجموعه داده های مورد استفاده در این کار شامل 25 درصد نمونه های مثبت (احساس قابل شناسایی) و 75 درصد نمونه های منفی (بقیه احساسات) است و بنابراین، امتیاز دقت می تواند یک تخمین بیش از حد خوش بینانه از توانایی طبقه بندی کننده را ارائه دهد. طبقه اکثریت در نهایت، پس از تجزیه و تحلیل معیارهای طبقه بندی، بهترین مدل یادگیری ماشینی با رنگ سبز برجسته شده است.

در مورد مدل طبقه بندی چند طبقه ({{0}}کلاس، گزینه 1)، نتایج امتیاز F1- پنج مدل ساخته شده بسیار ضعیف است. مدل جنگل تصادفی کمی از بقیه متمایز است، با امتیاز F1- 0.288، اما به طور کلی، نتایج بسیار مشابه هستند (به نظر می‌رسد که اینها با تعداد کلاس‌هایی که باید توسط مدل‌ها شناسایی شوند همبستگی دارند) . بنابراین ظرفیت تشخیص این مدل ها برای تعیین احساسات کاربر کمتر از حد مطلوب است.

در مورد گزینه 2، استفاده از یک الگوریتم یادگیری ماشین متفاوت برای تشخیص احساسات متعلق به هر ربع راسل گزینه خوبی به نظر می رسد. به طور خاص، مدل‌های k-نزدیک‌ترین همسایه برای تشخیص ربع غمگین و آرام و مدل‌های جنگل تصادفی برای ربع شاد و پرخاشگر انتخاب شده‌اند. امتیاز F1- مدل‌های انتخابی دارای مقداری بین 0.61 و 0.65 است. نتایج این گزینه دوم نتایج به دست آمده در رویکرد کلاس 4- را بهبود می بخشد. اگرچه این نتایج در مورد آنچه که در مسائل یادگیری ماشینی مطلوب است می‌تواند کم به نظر برسد، اما مشابه نتایج به‌دست‌آمده در سایر پیشنهادات تشخیص احساسات بر اساس داده‌های فیزیولوژیکی است [60،62].

4. DJ-Running: یک اپلیکیشن مبتنی بر احساسات برای توصیه موسیقی

هدف پروژه DJ-Running افزایش انگیزه دوندگان از طریق موسیقی Spotify است. مدل‌های پوشیدنی و یادگیری ماشینی ارائه‌شده در بخش‌های قبلی برای تعیین احساسات دوندگان در طول جلسات آموزشی استفاده می‌شوند. سپس این احساسات برای انتخاب آهنگ هایی که در هر لحظه پخش می شوند، تجزیه و تحلیل می شوند.

شکل 4 نمای کلی سطح بالایی از اجزای تکنولوژیکی درگیر در راه حل نهایی را نشان می دهد. همانطور که در سمت چپ شکل نشان داده شده است، تجهیزات دونده شامل یک پوشیدنی و یک اپلیکیشن موبایل است که آهنگ های توصیه شده را در طول جلسه تمرین پخش می کند. این پوشیدنی پارامترهای فیزیولوژیکی دونده را کنترل می کند و آنها را به صورت دوره ای از طریق اتصال بلوتوث به برنامه ارسال می کند. این برنامه به صورت داخلی این داده های حسگر را پردازش می کند تا احساسات دونده را استنباط کند، آهنگ هایی را که باید با توجه به آن احساسات پخش شوند را تعیین می کند و برای پخش آنها با سرویس پخش Spotify متصل می شود.

این برنامه از چهار ماژول نرم افزاری تشکیل شده است: مؤلفه ارتباطی، جزء پردازش داده، سیستم تصمیم گیرنده مبتنی بر احساسات و توصیه کننده موسیقی مبتنی بر احساسات. دو جزء اول مسئول مدیریت ارتباط بی سیم با پوشیدنی، دریافت داده های حسگر و فیلتر کردن آن داده ها قبل از ذخیره آنها در یک مخزن محلی هستند. فیلترینگ بر اساس فرآیند توضیح داده شده در شکل 3 است و هدف آن استخراج ویژگی های مربوطه (ویژگی های آماری و مرتبط با رویداد) از داده های دریافتی است. دو ماژول دیگر به ترتیب وظیفه تشخیص احساسات دونده و پخش موسیقی انگیزشی بر اساس آن احساسات را بر عهده دارند. جزئیات فنی این دو سیستم در پاراگراف های زیر توضیح داده شده است.

سیستم تصمیم‌گیر مبتنی بر احساس، چهار مدل طبقه‌بندی باینری شرح داده شده در بخش 3 را یکپارچه می‌کند. این مدل‌ها احساسی را که دونده احتمالاً در یک بازه زمانی خاص (هر 3{4}} ثانیه) از داده‌های پوشیدنی احساس می‌کند، تعیین می‌کنند. به عنوان مثال، خروجی ((درست، نادرست، نادرست، نادرست)، (0.71، 0.{{10}}3، 0.13 ، 0.33))) نشان دهنده این است که دونده با احتمال 0.71 احساس خوشحالی می کند. احتمالات غمگین، تهاجمی و آرام (به ترتیب 0.03، 0.13 و 0.33) کمتر از آستانه طبقه بندی است و بنابراین، احساس دونده به عنوان نه غمگین، نه پرخاشگر و نه آرام طبقه بندی می شود. توالی احساساتی که در طول جلسه تمرین تشخیص داده می شود به سیستم اجازه می دهد تا خلق و خوی دونده و تغییرات عاطفی را که در آن زمان متحمل می شود را مشخص کند. سپس از آن اطلاعات عاطفی برای تعیین احساساتی که باید از طریق موسیقی در دونده ایجاد شود استفاده می شود. به عنوان مثال، هنگامی که دونده استرس دارد، سیستم باید تصمیم بگیرد که آهنگ هایی که قرار است پخش شوند آرامش بخش باشند. سپس، هنگامی که او آرام شد، سیستم پیشنهاد می کند که آهنگ ها باید انگیزه داشته باشند تا تأثیر مثبتی بر خلق و خوی دونده داشته باشند. این تصمیمات مبتنی بر احساسات توسط یک موتور مبتنی بر قانون گرفته می شود. این مجموعه قوانینی را که با همکاری دوندگان به عنوان بخشی از پروژه DJ-Running تعریف شده اند، ادغام می کند. شرح کامل روش مورد استفاده برای تعیین این قوانین را می توان در [46] یافت.

توصیه‌کننده موسیقی مبتنی بر احساس آهنگ‌های خاصی را که باید توسط برنامه تلفن همراه پخش شود، از روی احساسات پیشنهادی تصمیم‌گیرنده تعیین می‌کند. توصیه‌کننده به پایگاه داده‌ای از آهنگ‌هایی نیاز دارد که قبلاً از منظر احساسی برچسب‌گذاری شده‌اند. در این کار، این پایگاه داده از خدمات موجود در زیرساخت RIADA ایجاد شده است (و به طور دوره ای به روز می شود) [47]. RIADA مخزنی از برچسب های عاطفی را ارائه می دهد که احساساتی را که هر آهنگ Spotify احتمالاً در شنونده ایجاد می کند را تعیین می کند (بیش از 50 میلیون آهنگ برچسب زده شده است).

سمت راست شکل 4 یک نمای کلی از اجزای RIADA را ارائه می دهد که در ایجاد برچسب ها نقش داشته اند. این برچسب ها نیز بر اساس مدل عاطفی راسل هستند و بر اساس فراداده و ویژگی های صوتی آهنگ ها تعیین شده اند. یک سیستم بازیابی داده های موسیقی با پلتفرم سرویس گرا Spotify در تعامل است تا به کاتالوگ آهنگ ها و فراداده ها و ویژگی های صوتی این آهنگ ها دسترسی پیدا کند. سپس، یک سیستم تشخیص احساسات موسیقی به طور خودکار احساسات تولید شده توسط هر آهنگ را از ویژگی های صوتی آن تعیین می کند. این احساسات به برچسب هایی تبدیل می شوند که در پایگاه داده زیرساخت RIADA ذخیره می شوند. تشخیص احساسات موسیقی بر اساس تکنیک های یادگیری ماشینی است و برای پشتیبانی از فرآیندهای حاشیه نویسی در مقیاس بزرگ، همانطور که در [47] به تفصیل توضیح داده شد، برنامه ریزی شده است. در نهایت، زیرساخت یک API منتشر می‌کند که به برنامه‌ها اجازه می‌دهد به پایگاه داده آهنگ‌های برچسب‌گذاری‌شده خود دسترسی داشته باشند.

هسته اصلی توصیه‌کننده موسیقی مبتنی بر احساسات، الگوریتم نزدیک‌ترین همسایه‌ها است که روی پایگاه داده محلی برچسب‌ها کار می‌کند تا آهنگ‌های کاندید برای پخش را پیدا کند. توصیه‌کننده یک فضای جستجو از ویژگی‌های صوتی آهنگ‌ها و برچسب‌های احساسی موجود در پایگاه داده ایجاد می‌کند. هر نقطه از فضا با آهنگی ملموس مطابقت دارد. هنگامی که یک درخواست توصیه جدید دریافت می‌شود، توصیه‌کننده احساس ورودی (احساساتی که باید توسط دونده ایجاد شود) را به یک نقطه جستجو در فضا ترجمه می‌کند. این ترجمه با استفاده از مدل‌های رگرسیون بر اساس ویژگی‌های صوتی آهنگ‌ها و تأثیراتی که برخی از این ویژگی‌ها می‌توانند از نظر احساسی در شنوندگان ایجاد کنند، محاسبه می‌شود. سپس، الگوریتم همسایگی برای یافتن مجموعه ای از آهنگ های کاندید (آهنگ های نزدیک به نقطه جستجو) اعمال می شود. این نامزدها متعاقباً فیلتر می‌شوند تا آهنگ‌های مشابه را کنار بگذارند یا آهنگ‌هایی را که مطابق با ترجیحات دونده نیست حذف کنند. این ترجیحات توسط کاربر برنامه در طول فرآیند نصب تعریف می شود و شامل ژانرهای موسیقی، سبک ها و دهه های مورد علاقه است.

5. نتیجه گیری و کار آینده

در این مقاله، نمونه اولیه یک محصول برای تشخیص احساسات کاربران موبایل در زمان واقعی ارائه شده است. این شامل یک نتیجه کامل از مهندسی است که افراد، ابزارهای پوشیدنی، تکنیک‌های یادگیری ماشین، محاسبات تلفن همراه و راه‌حل‌های مبتنی بر خدمات را ترکیب می‌کند. این راه حل به گونه ای طراحی شده است که به راحتی در برنامه های تلفن همراه ادغام شود، جایی که مؤلفه عاطفی کاربران نقش مرتبط را ایفا می کند. تشخیص احساسات بر اساس پرسشنامه های خودارزیابی دارای معایبی است: کاربران همیشه نمی توانند احساس خود را بیان کنند، می تواند برای کاربران خسته کننده باشد، یا برای انواع خاصی از مشکلات قابل اجرا نیست (مثلاً زمانی که کاربران در حالت مداوم هستند). حرکت - جنبش). به این دلایل، تشخیص زمان واقعی به عنوان یک جایگزین بسیار جالب ظاهر می شود. علاوه بر این، امکان دسترسی به داده‌های حسگر خام، امکان برنامه‌ریزی مدل‌های دانش دیگر را بر اساس داده‌های فیزیولوژیکی یا راه‌حل‌های داده کاوی فراهم می‌کند که به درک رفتار عاطفی کاربران کمک می‌کند.

از دیدگاه فنی، راه حل شامل یک پوشیدنی و مجموعه ای از مدل های تشخیص است. این پوشیدنی نمونه اولیه ای است که به ویژه برای دوندگان طراحی شده است، با سخت افزار ساده و هزینه تولید پایین در مقایسه با دستگاه های تجاری. مدل‌های تشخیص احساسات مبتنی بر الگوریتم‌های یادگیری ماشین هستند. ویژگی‌های مختلف از داده‌های حسگر EDA استخراج شده و برای تعیین ارتباط آنها در فرآیند تشخیص احساسات ارزیابی شده است. سپس، دو رویکرد طبقه‌بندی مختلف مورد ارزیابی قرار گرفت: یک مدل طبقه‌بندی چند طبقه در مقابل چهار مدل طبقه‌بندی باینری. نتایج رویکرد اول پس از در نظر گرفتن جایگشت های مختلف ویژگی ها و پیکربندی های مختلف ابرپارامترها به خوبی مورد انتظار نبوده است. زمانی که الگوریتم‌های جنگل تصادفی و K-نزدیک‌ترین همسایه‌ها برای استنتاج احساسات ترکیب شدند، رویکرد دوم گزینه بهتری بود.

راه حل پیشنهادی در برنامه موبایل DJ-Running ادغام شده است تا قابلیت کاربرد آن را برای یک مشکل واقعی آزمایش کند. در این مورد، از احساسات برای تنظیم خلق و خوی دوندگان از طریق موسیقی بسته به فعالیت بدنی که انجام می‌دهند و محیطی که در آن تمرین می‌کنند، استفاده می‌شود.

به عنوان کار آینده، از یک سو، ما به طور خاص علاقه مند به استفاده از نتایج این تحقیق برای دستیابی به راه حلی نزدیک به یک محصول در میان مدت هستیم. اول از همه، نیاز به اصلاح سخت افزار پوشیدنی برای کاهش اندازه آن و ادغام حسگرهای جدیدی دارد که برای بهبود تشخیص احساسات مفید هستند. علاوه بر این، داده‌های این حسگرها باید برای به دست آوردن ویژگی‌های جدیدی پردازش شوند که امکان ساخت مدل‌های تشخیص دقیق‌تر را فراهم می‌کند. از سوی دیگر، ما می‌خواهیم نتایج را برای سایر حوزه‌های کاربردی مانند سلامت، تندرستی یا سرگرمی مجدداً استفاده کنیم. در این حوزه‌ها، احساسات و داده‌های سایر دستگاه‌های هوشمند (به عنوان مثال، نصب شده در خانه یا پوشیدن توسط کاربر) احتمالاً برای استخراج دانش برای کمک به ایجاد تجربیات کاربر محور جدید ترکیب می‌شوند.

مشارکت نویسنده:نرم افزار، JGdQ; بررسی، SB، JRB و P.Á. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی:این تحقیق توسط پروژه‌های PDC2021-121072-C22، TED{{2}B-C22 و RTI{5}}B-C31، اعطا شده توسط وزارت اقتصاد اسپانیا و شرکت Disco- پشتیبانی شده است. پروژه های T21-20R و Affective-Lab-T{12}}R که توسط دولت آراگون اعطا شده است.

بیانیه هیئت بررسی نهادی:قابل اجرا نیست.

بیانیه رضایت آگاهانه:قابل اجرا نیست.

بیانیه در دسترس بودن داده ها:قابل اجرا نیست.

تضاد علاقه:نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

1. ویجایان، وی. کانولی، جی پی؛ کوندل، جی. مک کلوی، ن. Gardiner, P. بررسی دستگاه های پوشیدنی و ملاحظات جمع آوری داده ها برای سلامت متصل. Sensors 2021, 21, 5589. [CrossRef] [PubMed]

2. وانگ، اچ. تحقیق در مورد کاربرد دستگاه‌های حسگر پوشیدنی بی‌سیم در موسیقی تعاملی. J. Sensors 2021, 2021, 7608867. [CrossRef]

3. اولسون، ج. ردکار، اس. بررسی شبکه‌های حسگر پوشیدنی در سلامت و سرگرمی. MOJ Appl. Bionics Biomech 2018، 2، 280-287. [CrossRef]

4. سهشادری، دكتر; لی، RT; Voos, JE; Rowbottom, JR; Alfes, CM; زورمن، کالیفرنیا؛ سنسورهای پوشیدنی Drummond، CK برای نظارت بر مشخصات فیزیولوژیکی و بیوشیمیایی ورزشکار. رقم NPJ. پزشکی 2019، 2، 72. [CrossRef]

5. لیو، ال. Zhang, X. مروری متمرکز بر حسگرهای پوشیدنی انعطاف پذیر برای ورزش: از سینماتیک تا فیزیولوژی. Micromachines 2022, 13, 1356. [CrossRef]

6. نیتیا، ن. نلاوان، جی. نقش ابزارهای پوشیدنی در ورزش بر اساس شناخت فعالیت و پارامترهای بیومتریک: یک بررسی. در مجموعه مقالات کنفرانس بین المللی 2021 در زمینه هوش مصنوعی و سیستم های هوشمند (ICAIS)، کویمباتور، هند، 25 تا 27 مارس 2021؛ صفحات 1700–1705.

7. منکارینی، ای. رپ، ا. تیرابنی، ال. Zancanaro، M. طراحی سیستم‌های پوشیدنی برای ورزش: مروری بر روندها و فرصت‌ها در تعامل انسان و رایانه. IEEE Trans. هوم.-ماخ. سیستم 2019، 49، 314–325. [CrossRef]

8. Duarte، MB; دا کاستا موراس، AA; فریرا، EV; دا سیلوا آلمیدا، جی سی; Cabral، AdS; د آتایده کوستا ای سیلوا، آ. گارس، DR. دا سیلوا سوزا، جی. Callegari، B. رویکرد حسگر اینرسی پوشیدنی برای ارزیابی های تنظیم وضعیتی در طول آشفتگی های قابل پیش بینی در ورزش. Sensors 2022, 22, 8272. [CrossRef]

9. مک کارتی، پی جی احساسات مثبت در عملکرد ورزشی: وضعیت فعلی و جهت گیری های آینده. بین المللی ورزش ورزشی کشیش. روانی 2011، 4، 50-69. [CrossRef]

10. Lane, AM; دوونپورت، تی جی; فریسن، AP; Beedie, CJ; فولرتون، CL; Stanley، DM اگر می‌خواهم سریع‌تر بدوم چگونه باید احساساتم را تنظیم کنم؟ یورو J. Sport Sci. 2016، 16، 465-472. [CrossRef]

11. لازاروس، RS چگونه احساسات بر عملکرد در ورزش های رقابتی تأثیر می گذارد. روان ورزشی. 2000، 14، 229-252. [CrossRef]

12. Wagstaff, CR; Tamminen، KA Emotions. استرس، بهزیستی و عملکرد در ورزش؛ Routledge، Taylor and Francis Group: لندن، بریتانیا، 2021؛ صص 97-112.

13. Prapavessis، H. POMS و عملکرد ورزشی: بررسی. J. Appl. روان ورزشی. 2000، 12، 34-48. [CrossRef]

14. ساگانوفسکی، س. دوتکوویاک، ا. زیادک، ا. Dzie ˙zyc، M. کوموسی نسکا، جی. میچالسکا، دبلیو. پولاک، ا. عجمه، م. Kazienko، P. تشخیص احساسات با استفاده از ابزارهای پوشیدنی: بررسی سیستماتیک ادبیات-کار در حال پیشرفت. در مجموعه مقالات کنفرانس بین المللی IEEE 2020 در کارگاه های آموزشی فراگیر محاسبات و ارتباطات (کارگاه های PerCom)، آستین، TX، ایالات متحده آمریکا، 23 تا 27 مارس 2020؛ صص 1-6.

15. Szwoch, W. تشخیص احساسات با استفاده از سیگنال های فیزیولوژیکی. در مجموعه مقالات چند رسانه ای، تعامل، طراحی و نوآوری، ورشو، لهستان، 29-30 ژوئن 2015. صص 1-8.

16. گونس، اچ. شولر، ب. تجزیه و تحلیل تأثیر مقوله ای و بعدی در ورودی پیوسته: روندهای فعلی و جهت گیری های آتی. تصویر Vis. محاسبه کنید. 2013، 31، 120-136. [CrossRef]

17. ازهر، م. نلسون، تی. کیسی، الف. استفاده از فناوری پوشیدنی برای اندازه‌گیری واکنش‌های احساسی در بین بازیکنان تنیس. در مجموعه مقالات کنفرانس بین المللی EAI در زمینه فناوری، نوآوری، کارآفرینی و آموزش؛ Springer: برلین/هایدلبرگ، آلمان، 2017; صص 91-105.

18. هاولوچو، اچ. آکگون، بی. اسکنازی، ت. کوسکون، ا. Ozcan, O. Toward Detecting Zone of Exe Tennis Players از طریق فناوری پوشیدنی. جلو. ورزش. عمل کنید. Living 2022, 4, 939641. [CrossRef]

19. بی، ت. بیانکی-برتوز، ن. سینگ، آ. Costanza، E. درک تجربه مشترک دوندگان و تماشاگران در مسابقات دویدن در مسافت های طولانی. در مجموعه مقالات کنفرانس CHI 2019 در مورد عوامل انسانی در سیستم‌های محاسباتی، گلاسکو، بریتانیا، 4 تا 9 مه 2019؛ صص 1-13.

20. دوپره، دی. بلند، بی. بولستر، ا. موریسون، جی. McKeown، G. مدل پویا از احساسات ورزشکاران بر اساس دستگاه های پوشیدنی. در مجموعه مقالات کنفرانس بین المللی عوامل انسانی کاربردی و ارگونومی; Springer: Berlin/Heidelberg, Germany, 2017, pp. 42–50.

21. دوپره، دی. آندلیک، ن. مور، دی اس؛ موریسون، جی. McKeown، GJ تجزیه و تحلیل تغییرات فیزیولوژیکی مربوط به احساسات در طول یک فعالیت زیپ لاین. ورزش. مهندس 2020، 23، 1-11. [CrossRef]

22. رائو، پ. سه شادری، دکتر Hsu, J. کاربردهای فعلی و بالقوه ابزارهای پوشیدنی در قلب و عروق ورزشی. Curr. درمان شود. گزینه های قلب و عروق پزشکی 2021، 23، 1-15. [CrossRef]

23. چن، ج. ابوت، ام. Shieh، JS تشخیص درد و استرس با استفاده از حسگرها و دستگاه‌های پوشیدنی - یک بررسی. Sensors 2021, 21, 1030. [CrossRef]

24. سه شادری، دكتر; لی، RT; Voos, JE; Rowbottom, JR; Alfes, CM; زورمن، کالیفرنیا؛ سنسورهای پوشیدنی Drummond، CK برای نظارت بر حجم کاری داخلی و خارجی ورزشکار. رقم NPJ. پزشکی 2019, 2, 7608867. [CrossRef]

25. جاسلین، پ.ن. Sloboda, J. Handbook of Music and Emotion: Theory, Research, Apps; انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2011.

26. Schaefer, HE احساسات برانگیخته موسیقی – مطالعات جاری. جلو. نوروسک. 2017, 11, 600. [CrossRef]

27. اولیگ، س. جاشکه، ا. Scherder، E. اثرات موسیقی بر تنظیم احساسات: مروری بر ادبیات سیستماتیک. در مجموعه مقالات سومین کنفرانس بین المللی موسیقی و احساسات، Jyväskylä، فنلاند، 11-15 ژوئن 2013.

28. هوانگ، ج. لی، ایکس. اثرات و کاربردهای موسیقی درمانی بر سلامت روانشناختی: مروری. در مجموعه مقالات کنفرانس بین المللی هنر عمومی و توسعه انسانی 2021 (ICPAHD 2021)، کونمینگ، چین، 24 تا 26 دسامبر 2021؛ ص 984-989.

29. بیرد، ا. سامسون، اس. حافظه موسیقی در بیماری آلزایمر: فراموش نشدنی؟ نوروسیکول. Rev. 2009, 19, 85-101. [CrossRef]

30. استفنسون، آر. Beddoes، Z. اوترسون، اس. Rugen, J. بر اساس کاربردهای عملی برای استفاده از موسیقی برای افزایش انگیزه و فعالیت بدنی در تربیت بدنی. استراتژی های 2022، 35، 17-22. [CrossRef]

31. Scherer, KR کدام احساسات را می توان با موسیقی القا کرد؟ مکانیسم های زیربنایی چیست؟ و چگونه می توانیم آنها را اندازه گیری کنیم؟ J. New Music Res. 2004، 33، 239-251. [CrossRef]

32. Juslin, PN Musical Emotions Explained: Unlocking the Secrets of Musical Affect; انتشارات دانشگاه آکسفورد: کری، NC، ایالات متحده آمریکا، 2019.

33. کیم، جی. آندره، ای. تشخیص احساسات بر اساس تغییرات فیزیولوژیکی در گوش دادن به موسیقی. IEEE Trans. الگوی مقعدی ماخ هوشمند 2008، 30، 2067-2083. [CrossRef] [PubMed]

34. آیاتا، د. یسلان، ی. سیستم توصیه موسیقی مبتنی بر کاوازاکی، ME Emotion با استفاده از حسگرهای فیزیولوژیکی پوشیدنی. IEEE Trans. مصرف کنید. الکترون. 2018، 64، 196-203. [CrossRef]

35. ایرولا، تی. Vuoskoski، JK مقایسه مدل‌های گسسته و ابعادی احساسات در موسیقی. روانی موسیقی 2011، 39، 18-49. [CrossRef]

36. Karageorghis, CI; اککاکیس، پ. پرنده، JM; Bigliassi، M. موسیقی در حوزه ورزش و ورزش: رویکردهای مفهومی و مکانیسم های اساسی. در Routledge Companion to Embodied Music Interaction; Routledge: لندن، بریتانیا، 2017; ص 284-293.

37. تری، کامپیوتر; Karageorghis، CI; Curran، ML; مارتین، OV; پارسونز اسمیت، RL اثرات موسیقی در ورزش و ورزش: یک بررسی فرا تحلیلی. روانی گاو نر 2020، 146، 91. [CrossRef]

38. چاتورودی، وی. Kaur، AB; ورشنی، وی. گارگ، ا. چابرا، جی اس; کومار، ام. خلق و خوی موسیقی و تشخیص احساسات انسانی بر اساس سیگنال های فیزیولوژیکی: یک بررسی سیستماتیک. چند رسانه ای. سیستم 2022، 28، 21-44. [CrossRef]

39. برانت، ن. Razon, S. اثر موسیقی خود انتخابی بر پاسخ های عاطفی و اجرای دویدن: جهت ها و مفاهیم. بین المللی J. Exerc. علمی 2019، 12، 310–323.

40. هاچینسون، جی سی; جونز، ال. ویتی، SN; مور، ا. دالتون، رایانه شخصی؛ اونیل، بی‌جی تأثیر موسیقی انتخابی بر شدت ورزش تنظیم‌شده با عاطفه و لذت به یاد ماندنی در حین دویدن روی تردمیل. ورزش. ورزش کنید. انجام دادن. روانی 2018، 7، 80. [CrossRef]

41. هاچینسون، جی سی دویدن با موسیقی. AMAA J. 2017، 30، 13-16.

42. وینالدا، جی. پائوس، اس. ویگنولی، اف. Stuckenschmidt, H. یک سیستم موسیقی شخصی برای ایجاد انگیزه در اجرای ورزشی. محاسبات فراگیر IEEE. 2005، 4، 26-32. [CrossRef]

43. الیوت، جی تی; Tomlinson, B. PersonalSoundtrack: فهرست‌های پخش آگاه از زمینه که با سرعت کاربر سازگار است. در مجموعه مقالات CHI'06 چکیده های توسعه یافته در مورد عوامل انسانی در سیستم های محاسباتی، مونترال، کبک، کانادا، 22-27 آوریل 2006. صص 736-741.

44. دی اولیویرا، آر. Oliver, N. Triplebeat: افزایش عملکرد ورزشی با متقاعدسازی. در مجموعه مقالات دهمین کنفرانس بین المللی تعامل انسان و کامپیوتر با دستگاه ها و خدمات موبایل، آمستردام، هلند، 2 تا 5 سپتامبر 2008. صص 255-264.

45. بائر، سی. Kratschmar، A. طراحی یک برنامه دویدن کنترل شده با موسیقی: دیدگاه علم ورزشی و روانشناسی. در مجموعه مقالات سی و سومین کنفرانس سالانه ACM چکیده های گسترده در مورد عوامل انسانی در سیستم های محاسباتی، سئول، جمهوری کره، 18-23 آوریل 2015. صص 1379–1384.

46. ​​آلوارز، پ. Zarazaga-Soria، FJ; Baldassarri, S. توصیه های موسیقی موبایل برای دوندگان بر اساس موقعیت مکانی و احساسات: سیستم DJ-Running. اوباش فراگیر. محاسبه کنید. 2020, 67, 101242. [CrossRef]

47. آلوارز، پ. de Quirós، JG; Baldassarri, S. RIADA: زیرساخت مبتنی بر یادگیری ماشینی برای تشخیص احساسات آهنگ های Spotify. بین المللی J. تعامل. چند رسانه ای. آرتیف. هوشمند 2022، 1-14. [CrossRef]

48. آلوارز، پ. گیو، آ. بلتران، جی آر. de Quirós، JG; Baldassarri، S. DJ-Running: یک سیستم مبتنی بر احساسات برای توصیه آهنگ Spotify به دوندگان. در مجموعه مقالات icSPORTS، وین، اتریش، 20 تا 21 سپتامبر 2019؛ صص 55-63.

49. آلوارز، پ. بلتران، جی آر. Baldassarri, S. Dj-running: پوشیدنی ها و احساسات برای بهبود عملکرد دویدن. در مجموعه مقالات کنفرانس بین المللی مهندسی و طراحی سیستم های انسانی: روندها و کاربردهای آینده. Springer: برلین/هایدلبرگ، آلمان، 2018؛ صص 847-853.

50. گیراردی، د. لانوبیل، اف. Novielli، N. تشخیص احساسات با استفاده از حسگرهای غیرتهاجمی کم هزینه. در مجموعه مقالات هفتمین کنفرانس بین المللی 2017 در محاسبات مؤثر و تعامل هوشمند (ACII)، سن آنتونیو، تگزاس، ایالات متحده آمریکا، 23 تا 26 اکتبر 2017؛ صص 125-130. [CrossRef]

51. سلیمانی، م. لیختناور، جی. Pun, T. Pantic، M. یک پایگاه داده عاطفی چندوجهی برای تشخیص تأثیر و برچسب گذاری ضمنی. تاثیر می گذارد. محاسبه کنید. IEEE Trans. 2012، 3، 42-55. [CrossRef]

52. شوکلا، ج. Barreda-Angeles، M.; الیور، جی. ناندی، جی. Puig, D. استخراج ویژگی و انتخاب برای تشخیص احساسات از فعالیت الکترودرمال. IEEE Trans. تاثیر می گذارد. محاسبه کنید. 2019، 12، 857–869. [CrossRef]

53. Empatica E4 توضیحات. 2021. در دسترس آنلاین: https://www.empatica.com/en-eu/research/e4/ (در 30 نوامبر 2019 قابل دسترسی است).

54. GSR Logger Sensor NUL-217. 2017. موجود آنلاین: http://neulog.com/gsr/ (دسترسی در 14 ژانویه 2023).

55. کیت Biosignalsplux. 2023. در دسترس آنلاین: https://www.pluxbiosignals.com (در 14 ژانویه 2023 قابل دسترسی است).

56. کیت های توسعه Shimmer. 2022. در دسترس آنلاین: https://shimmersensing.com/wearable-sensor-products/development-kits/ (در 18 دسامبر 2022 قابل دسترسی است).

57. هوی، TK; Sherratt، RS پوشش تشخیص احساسات برای حسگرهای زیستی پوشیدنی رایج. Biosensors 2018, 8, 30. [CrossRef]

58. ون دورن، م. Janssen, JH تعریق احساسی در سراسر بدن: مقایسه 16 مکان مختلف اندازه گیری هدایت پوست. فیزیول. رفتار 2012، 106، 298-304. [CrossRef]

59. راسل، جی. مدل دایره ای اثر. جی. شخصی. Soc. روانی 1980، 39، 1161-1178. [CrossRef]

60. رومئو، ال. کاوالو، آ. پپا، ال. بیانکی-برتوز، ن. پونتیل، ام. یادگیری نمونه های چندگانه برای تشخیص احساسات با استفاده از سیگنال های فیزیولوژیکی. IEEE Trans. تاثیر می گذارد. محاسبه کنید. 2022، 13، 389-407. [CrossRef]

61. گئورسکی، م. گئورسکی، اچ. لوشترک، م. Gams، M. تشخیص استرس مداوم با استفاده از دستگاه مچ دست: در آزمایشگاه و زندگی واقعی. در مجموعه مقالات کنفرانس مشترک بین المللی ACM در سال 2016 در محاسبات فراگیر و فراگیر: کمکی. انجمن ماشین‌های محاسباتی، نیویورک، نیویورک، ایالات متحده آمریکا، 12 تا 16 سپتامبر 2016. صص 1185–1193. [CrossRef]

62. کوریا، جام; آبادی، م.ک. سبه، ن. Patras, I. AMIGOS: مجموعه داده ای برای تحقیقات تأثیر، شخصیت و خلق و خوی افراد و گروه ها. IEEE Trans. تاثیر می گذارد. محاسبه کنید. 2021، 12، 479-493. [CrossRef]

63. سانتاماریا-گرانادوس، ال. مونوز-اورگانرو، م. رامیرز-گونزالس، جی. عبدالحی، ای. Arunkumar، N. استفاده از شبکه عصبی کانولوشن عمیق برای تشخیص احساسات در مجموعه داده سیگنال های فیزیولوژیکی (AMIGOS). دسترسی IEEE 2019، 7، 57–67. [CrossRef]

64. کولسترا، اس. مول، سی. سلیمانی، م. لی، جی. یزدانی، ع. ابراهیمی، ت. Pun, T. نیجهولت، ا. پاتراس، I. DEAP: پایگاه داده ای برای تجزیه و تحلیل احساسات با استفاده از سیگنال های فیزیولوژیکی. IEEE Trans. تاثیر می گذارد. محاسبه کنید. 2012، 3، 18-31. [CrossRef]

65. ناوارو، دی. گارو، وی. Sundstedt، V. ارزیابی فعالیت الکترودرمال از تجربه بازیکن در بازی های واقعیت مجازی: تجزیه و تحلیل اجزای فازی. در مجموعه مقالات هفدهمین کنفرانس بین المللی مشترک بینایی کامپیوتری، تصویربرداری و نظریه و کاربردهای گرافیک کامپیوتری (VISIGRAP 2022)، آنلاین، 6 تا 8 فوریه 2022؛ صص 108-116. [CrossRef]

66. Sci-Kit-Learn: یادگیری ماشینی در پایتون. در دسترس آنلاین: https://scikit-learn.org/stable/ (دسترسی در 14 نوامبر 2022).

67. جانگ، اچ. پارک، بی‌جی؛ پارک، ام اس؛ کیم، SH; سون، JH تجزیه و تحلیل سیگنال های فیزیولوژیکی برای تشخیص بی حوصلگی، درد، و احساسات شگفت انگیز. J. Phys. آنتروپل 2015، 34، 25. [CrossRef] [PubMed]

68. برگسترا، ج. Bengio، Y. جستجوی تصادفی برای بهینه سازی هایپرپارامتر. جی. ماخ. فرا گرفتن. Res. 2012، 13، 281-305.

سلب مسئولیت/یادداشت ناشر:اظهارات، نظرات و داده های موجود در همه نشریات صرفاً متعلق به نویسنده (ها) و مشارکت کننده (ها) است و نه MDPI و/یا ویرایشگر(ها). MDPI و/یا ویراستار(های) مسئولیت هرگونه آسیب به افراد یا دارایی ناشی از هر ایده، روش، دستورالعمل یا محصولات اشاره شده در محتوا را رد می کنند.

【برای اطلاعات بیشتر:george.deng@wecistanche.com / WhatsApp:8613632399501】