Duygusal Bir Bakış Açısından Koşucuların Motivasyonunu Artırmak İçin Giyilebilir Teknolojiler ve Makine Öğrenimi Bölüm 2
Aug 31, 2023
3.5. Tanıma Modellerinin Oluşturulması
Şimdi amaç, açıklanan sınıflandırma modellerini oluşturmak ve duyguların tanınması için en iyi yaklaşımı seçmek üzere performanslarını karşılaştırmaktır. Beş tür makine öğrenme algoritması dikkate alınmıştır: K-en yakın komşular (KNN), rastgele orman (RF), çok katmanlı algılayıcı (MLP), doğrusal destek vektör sınıflandırıcı (LSVC) ve gradyan artırma (GB). Bu algoritmalardan bazıları daha önce duyguların tanınmasında iyi sonuçlarla kullanılmıştı [60,62,67]. Bununla birlikte, farklı sınıflandırma modelleri oluşturmak için benzersiz bir algoritma kullanımının en iyi seçenek olmama ihtimalini de göz önünde bulundurduk. Bu nedenle, her bir model için en iyi makine öğrenimi algoritması da incelenmektedir.
Kronik yorgunluğa tıklayın
【Daha fazla bilgi için:george.deng@wecistanche.com / WhatsApp:8613632399501】
Farklı algoritmaları karşılaştırmadan önce aday modeller, sınıflandırma açısından en iyi seçeneği bulmak için farklı özellik permütasyonları ve farklı hiperparametre konfigürasyonları uygulanarak eğitildi. Konfigürasyonların değerlendirilmesi, Scikit Learn [68] tarafından sağlanan rastgele arama algoritması kullanılarak ve eğitim, Tekrarlanan 5-katlı çapraz doğrulama gerçekleştirilerek gerçekleştirilmiştir. Bu doğrulama yaklaşımının kullanılması, modeller küçük boyutlu veri kümelerinden oluşturulduğunda özellikle önemlidir, çünkü bu durumda, testi zayıf temsil eden örneklerle yapmaktan kaçınır. Tekrarlanan çapraz doğrulama, bu küçük boyutlu veri kümeleriyle çalışmaktan kaynaklanan aşırı uyum hatasını azaltır ve modellerin performansını artırır.
Tablo 3, farklı sınıflandırma seçenekleri için elde edilen sonuçları göstermektedir (sırasıyla 4-Sınıf ve Mutlu/Üzgün/Agresif/Rahat). Bunların her biri için, karşılık gelen tanıma modelini (tablonun ikinci sütunu) oluşturmak amacıyla beş makine öğrenimi algoritması uygulandı. Bu modeller, özelliklerin (tablonun üçüncü sütunu) ve hiperparametrelerin en uygun şekilde girilmesiyle yapılandırılmıştır. Daha sonra, modellerin değerlendirilmesinde genellikle kullanılan sınıflandırma metriklerinden dördü farklı çözümler için hesaplanmıştır: Doğruluk, F1, Kesinlik ve Geri Çağırma (dördüncü sütundan yedinci sütuna kadar). Hassasiyet ve hatırlama metriklerinden hesaplanan F1-puanı sonuçlarını analiz etmekle özellikle ilgileniyoruz. F1-puanı, bu durumda olduğu gibi, modellerin oluşturulması için kullanılan veri kümesi dengesiz olduğunda güvenilir bir ölçüm sağlar. Bu çalışmada kullanılan veri seti %25 pozitif örnek (tanınacak duygu) ve %75 olumsuz örnek (duyguların geri kalanı) içermektedir ve bu nedenle doğruluk puanı, sınıflandırıcı yeteneğinin aşırı iyimser bir tahminini sağlayabilir. çoğunluk sınıfı. Son olarak, sınıflandırma metrikleri analiz edildikten sonra en iyi makine öğrenimi modeli yeşil renkle vurgulanmıştır.
Çok sınıflı sınıflandırma modeli durumunda ({{0}}Sınıf, Seçenek 1), oluşturulan beş modelin F1-puan sonuçları çok zayıftır. Rastgele orman modeli, 0,288'lik F1-puanı ile diğerlerinden biraz öne çıkıyor, ancak genel olarak sonuçlar çok benzer (bunlar, modeller tarafından tanınacak sınıf sayısıyla ilişkili görünüyor) . Bu nedenle bu modellerin tanıma kapasitesi kullanıcının duygularını belirleme açısından arzu edilenden daha düşüktür.
2. seçenekte ise her bir Russell çeyreğine ait duyguları tanımak için farklı bir makine öğrenimi algoritmasının kullanılması iyi bir seçenek gibi görünüyor; daha spesifik olarak, üzgün ve Rahat çeyreklerin tanınması için k-en yakın komşu modelleri ve Mutlu ve Agresif çeyrekler için rastgele orman modelleri seçilmiştir. Seçilen modellerin F1-puanı 0,61 ile 0,65 arasında bir değere sahiptir. Bu ikinci seçeneğin sonuçları, 4-Sınıf yaklaşımında elde edilen sonuçları iyileştirir. Her ne kadar bu sonuçlar, makine öğrenimi problemlerinde neyin istendiği konusunda düşük görünse de, fizyolojik verilere dayalı diğer duygu tanıma önerilerinde elde edilen sonuçlarla benzerdir [60,62].
4. DJ-Running: Müzik Tavsiye Etmeye Yönelik Duygu Temelli Bir Uygulama
DJ-Running projesinin amacı Spotify müziği aracılığıyla koşucuların motivasyonunu artırmak. Önceki bölümlerde sunulan giyilebilir ve makine öğrenimi modelleri, koşucuların antrenman seansları sırasındaki duygularını belirlemek için kullanılıyor. Daha sonra bu duygular analiz edilerek her an çalınacak şarkılar seçiliyor.
Şekil 4, nihai çözümde yer alan teknolojik bileşenlerin üst düzey bir genel görünümünü göstermektedir. Koşucunun ekipmanı, şeklin sol tarafında görüldüğü gibi, antrenman sırasında önerilen şarkıları çalan giyilebilir bir cihaz ve bir mobil uygulamadan oluşuyor. Giyilebilir cihaz, koşucunun fizyolojik parametrelerini izliyor ve bunları Bluetooth bağlantısı aracılığıyla periyodik olarak uygulamaya gönderiyor. Uygulama, bu sensör verilerini dahili olarak işleyerek koşucunun duygularını anlıyor, bu duygulara göre çalınacak şarkıları belirliyor ve Spotify yayın hizmetine bağlanarak bunları çalıyor.
Uygulama dört yazılım modülünden oluşuyor: iletişim bileşeni, veri işleme bileşeni, duyguya dayalı karar verme sistemi ve duyguya dayalı müzik tavsiyesi. İlk iki bileşen, giyilebilir cihazla kablosuz iletişimin yönetilmesinden, sensör verilerinin alınmasından ve bu verilerin yerel bir depoda saklanmadan önce filtrelenmesinden sorumludur. Filtreleme, Şekil 3'te açıklanan işleme dayanmaktadır ve alınan verilerden karşılık gelen özelliklerin (istatistiksel ve olayla ilgili özellikler) çıkarılmasını amaçlamaktadır. Diğer iki modül sırasıyla koşucunun duygularını tanımaktan ve bu duygulara dayalı motive edici müzik çalmaktan sorumludur. Bu iki sistemin teknik detayları aşağıdaki paragraflarda anlatılmaktadır.
Duygu temelli karar verme sistemi, Bölüm 3'te açıklanan dört ikili sınıflandırma modelini entegre eder. Bu modeller, giyilebilir verilerden koşucunun belirli bir zaman aralığında (her 30 saniyede bir) muhtemelen hissettiği duyguyu belirler. Örneğin, çıktı ((doğru, yanlış, yanlış, yanlış), (0.71, 0.{{10}}3, 0.13 , 0.33))), koşucunun 0.71 olasılıkla mutlu hissettiğini temsil eder. Üzücü, agresif ve rahat olasılıklar (sırasıyla 0,03, 0,13 ve 0,33) sınıflandırma eşiğinden düşüktür ve bu nedenle koşucunun hissi üzgün değil, agresif değil ve rahat değil olarak sınıflandırılır. Antrenman sırasında algılanan duyguların sırası, sistemin koşucunun ruh halini ve bu süre içinde yaşadığı duygusal değişiklikleri tanımlamasına olanak tanır. Bu duygusal bilgi daha sonra koşucuda müzik aracılığıyla uyandırılacak duyguyu belirlemek için kullanılır. Örneğin koşucu stresli olduğunda sistem çalınacak şarkıların rahatlatıcı olması gerektiğine karar vermelidir. Ardından, rahatladığında sistem şarkıların koşucunun ruh hali üzerinde olumlu bir etki yaratacak şekilde motive edilmesi gerektiğini önerecektir. Bu duyguya dayalı kararlar, kurala dayalı bir motor tarafından alınır. DJ-Running projesinin bir parçası olarak koşucularla işbirliği içinde tanımlanan bir dizi kuralı entegre eder. Bu kuralları belirlemek için kullanılan yöntemin tam bir açıklaması [46]'da bulunabilir.
Duygu bazlı müzik önericisi, karar vericinin önerdiği duygudan mobil uygulama tarafından çalınacak spesifik şarkıları belirler. Tavsiye eden kişi, daha önce duygusal açıdan etiketlenmiş şarkılardan oluşan bir veritabanına ihtiyaç duyar. Bu çalışmada, bu veritabanı RIADA altyapısında mevcut olan hizmetlerden oluşturulmuş (ve periyodik olarak güncellenmiştir) [47]. RIADA, her Spotify şarkısının dinleyicide muhtemelen yaratacağı duyguyu belirleyen bir duygusal etiket deposu sunuyor (50 milyondan fazla şarkı etiketlendi).
Şekil 4'ün sağ tarafı, etiketlerin oluşturulmasında yer alan RIADA bileşenlerine genel bir bakış sunmaktadır. Bu etiketler aynı zamanda Russell'ın duygusal modeline dayanmaktadır ve şarkıların meta verileri ve ses özelliklerinden belirlenmiştir. Bir müzik verisi alma sistemi, Spotify'ın hizmet odaklı platformuyla etkileşime girerek şarkı kataloğuna ve bu şarkıların meta verilerine ve ses özelliklerine erişir. Daha sonra, bir müzik duygusu tanıma sistemi, her şarkının ürettiği duyguyu ses özelliklerinden otomatik olarak belirler. Bu duygular, RIADA altyapısının veritabanında saklanan etiketlere dönüştürülür. Müzikte duygu tanıma, makine öğrenimi tekniklerine dayanmaktadır ve [47]'de ayrıntılı olarak açıklandığı gibi, büyük ölçekli açıklama süreçlerini destekleyecek şekilde programlanmıştır. Son olarak altyapı, uygulamaların etiketli şarkılardan oluşan veritabanına erişmesine olanak tanıyan bir API yayınlar.
Duygu temelli müzik tavsiyesinin özü, çalınacak aday şarkıları bulmak için yerel etiket veri tabanı üzerinde çalışan en yakın komşu algoritmasıdır. Tavsiyeci, şarkıların veri tabanında yer alan ses özelliklerinden ve duygusal etiketlerinden bir arama alanı oluşturur. Mekanın her noktası somut bir şarkıya karşılık geliyor. Yeni bir öneri talebi alındığında, önerici girdi duygusunu (koşucunun üreteceği duyguyu) uzaydaki bir arama noktasına çevirir. Bu çeviri, şarkıların ses özellikleri ve bu özelliklerden bazılarının dinleyicilerde duygusal açıdan yaratabileceği etkiler temel alınarak regresyon modelleri uygulanarak hesaplanır. Daha sonra, bir dizi aday şarkıyı (arama noktasına yakın şarkılar) bulmak için komşuluk algoritması uygulanır. Bu adaylar daha sonra benzer şarkıların elenmesi veya koşucunun tercihlerine uymayan şarkıların çıkarılması için filtrelenir. Bu tercihler, yükleme işlemi sırasında uygulamanın kullanıcısı tarafından tanımlanır ve müzik türlerini, tarzlarını ve onlarca yıllık ilgiyi içerir.
5. Sonuçlar ve Gelecekteki Çalışmalar
Bu bildiride, mobil kullanıcıların duygularını gerçek zamanlı olarak tanıyabilecek bir ürünün prototipi sunulmuştur. İnsanları, giyilebilir cihazları, makine öğrenme tekniklerini, mobil bilişimi ve hizmet tabanlı çözümleri birleştiren mühendisliğin eksiksiz bir sonucundan oluşur. Çözüm, kullanıcıların duygusal bileşeninin önemli bir rol oynadığı mobil uygulamalara kolayca entegre edilebilecek şekilde tasarlandı. Öz değerlendirme anketlerine dayalı duygu tanımanın bazı dezavantajları vardır: Kullanıcılar her zaman nasıl hissettiklerini ifade edemezler, kullanıcılar için sıkıcı olabilir veya belirli problem türleri için uygulanamaz (örneğin, kullanıcılar sürekli olarak iletişim halindeyken). hareket). Bu nedenlerden dolayı gerçek zamanlı tanıma oldukça ilginç bir alternatif olarak karşımıza çıkıyor. Ek olarak, ham sensör verilerine erişim imkanı, kullanıcıların duygusal davranışlarını anlamaya yardımcı olan fizyolojik verilere veya veri madenciliği çözümlerine dayalı diğer bilgi modellerinin programlanmasına olanak tanır.
Teknik açıdan bakıldığında çözüm, giyilebilir bir cihaz ve bir dizi tanıma modelinden oluşuyor. Giyilebilir cihaz, ticari cihazlara göre basit donanıma ve düşük üretim maliyetine sahip, koşucular için özel olarak tasarlanmış bir prototiptir. Duygu tanıma modelleri makine öğrenimi algoritmalarına dayanmaktadır. EDA sensör verilerinden farklı özellikler çıkarılmış ve bunların duygu tanıma sürecindeki alakalarını belirlemek için değerlendirilmiştir. Daha sonra iki farklı sınıflandırma yaklaşımı değerlendirildi: çok sınıflı bir sınıflandırma modeli ve dört ikili sınıflandırma modeli. İlk yaklaşımın sonuçları, özelliklerin farklı permütasyonları ve hiperparametrelerin farklı konfigürasyonları dikkate alındıktan sonra beklendiği kadar iyi olmamıştır. İkinci yaklaşımın, duyguların çıkarımı için rastgele orman ve K-en yakın komşu algoritmaları birleştirildiğinde daha iyi bir seçenek olduğu ortaya çıktı.
Önerilen çözüm, gerçek bir soruna uygulanabilirliğini test etmek için DJ-Running mobil uygulamasına entegre edilmiştir. Bu durumda, koşucuların gerçekleştirdikleri fiziksel aktiviteye ve antrenman yaptıkları ortama bağlı olarak müzik yoluyla ruh hallerini düzenlemek için duygular kullanıldı.
Gelecekteki bir çalışma olarak, bir yandan, bu araştırmanın sonuçlarını orta vadede ürüne daha yakın bir çözüme ulaşmak için kullanmakla özellikle ilgileniyoruz. Her şeyden önce, giyilebilir donanımın boyutunu küçültecek şekilde iyileştirilmesi ve duyguların tanınmasını iyileştirmeye yardımcı olacak yeni sensörlerin entegre edilmesi gerekiyor. Ayrıca, daha doğru tanıma modellerinin oluşturulmasına olanak tanıyan yeni özelliklerin elde edilmesi için bu sensörlerin verilerinin işlenmesi gerekecektir. Öte yandan, sonuçları sağlık, wellness veya eğlence gibi diğer uygulama alanları için de yeniden kullanmak istiyoruz. Bu alanlarda, diğer akıllı cihazlardan (örneğin, eve kurulan veya kullanıcı tarafından giyilen) gelen duygular ve veriler, yeni kullanıcı merkezli deneyimler oluşturmaya yardımcı olacak bilgileri çıkarmak için muhtemelen bir araya getirilecek.
Yazar Katkıları:Yazılım, JGdQ; Soruşturma, SB, JRB ve P.A. Tüm yazarlar yazının yayınlanmış versiyonunu okudu ve kabul etti.
Finansman:Bu araştırma, İspanya Ministerio de Economía y Competitionitividad ve DisCo- Aragon Hükümeti tarafından verilen T21-20R ve Affective-Lab-T{12}}R projeleri.
Kurumsal İnceleme Kurulu Bildirisi:Uygulanamaz.
Bilgilendirilmiş Onam Beyanı:Uygulanamaz.
Veri Kullanılabilirliği Beyanı:Uygulanamaz.
Çıkar çatışmaları:Yazarlar çıkar çatışması olmadığını beyan etmektedir.
Referanslar
1. Vijayan, V.; Connolly, JP; Condell, J.; McKelvey, N.; Gardiner, P. Giyilebilir cihazların gözden geçirilmesi ve bağlantılı sağlık için veri toplama hususları. Sensörler 2021, 21, 5589. [CrossRef] [PubMed]
2. Wang, H. Kablosuz Giyilebilir Algılama Cihazlarının İnteraktif Müzikte Uygulanması Üzerine Araştırma. J. Sensörler 2021, 2021, 7608867. [CrossRef]
3. Olson, J.; Redkar, S. Sağlık ve eğlencede giyilebilir sensör ağlarına ilişkin bir araştırma. MOJ Başvurusu Bionics Biomech 2018, 2, 280–287. [ÇaprazRef]
4. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, Kaliforniya; Drummond, CK Sporcunun fizyolojik ve biyokimyasal profilini izlemeye yönelik giyilebilir sensörler. NPJ Rakamı. Med. 2019, 2, 72. [CrossRef]
5. Liu, L.; Zhang, X. Spora Yönelik Esnek Giyilebilir Sensörlere Odaklanmış Bir İnceleme: Kinematikten Fizyolojilere. Mikromakineler 2022, 13, 1356. [CrossRef]
6. Nithya, N.; Nallavan, G. Etkinlik Tanıma ve Biyometrik Parametrelere Dayalı Sporda Giyilebilir Cihazların Rolü: Bir Araştırma. 2021 Uluslararası Yapay Zeka ve Akıllı Sistemler Konferansı (ICAIS), Coimbatore, Hindistan, 25-27 Mart 2021 Bildirilerinde; s. 1700–1705.
7. Mencarini, E.; Rapp, A.; Tirabeni, L.; Zancanaro, M. Spor için giyilebilir sistemler tasarlama: İnsan-bilgisayar etkileşimindeki trendlerin ve fırsatların gözden geçirilmesi. IEEE Çev. Hum.-Mach. Sistem 2019, 49, 314–325. [ÇaprazRef]
8. Duarte, MB; da Costa Moraes, AA; Ferreira, EV; da Silva Almeida, GC; Cabral, AdS; de Athayde Costa ve Silva, A.; Garcez, DR; da Silva Souza, G.; Callegari, B. Sporda Öngörülebilir Pertürbasyonlar Sırasında Duruş Ayarı Değerlendirmeleri için Giyilebilir Ataletsel Sensör Yaklaşımı. Sensörler 2022, 22, 8272. [CrossRef]
9. McCarthy, PJ Spor performansında olumlu duygu: Mevcut durum ve gelecek yönelimler. Uluslararası Rev. Spor Egzersizi. Psikol. 2011, 4, 50–69. [ÇaprazRef]
10. Lane, AM; Devonport, TJ; Friesen, AP; Beedie, CJ; Fullerton, CL; Stanley, DM Daha hızlı koşmak istersem duygularımı nasıl düzenlemeliyim? Avro. J. Spor Bilimleri. 2016, 16, 465–472. [ÇaprazRef]
11. Lazarus, RS Rekabetçi sporlarda duyguların performansı nasıl etkilediği. Spor Psikolojisi. 2000, 14, 229–252. [ÇaprazRef]
12. Wagstaff, CR; Tamminen, KA Duygular. Sporda Stres, İyi Oluş ve Performans; Routledge, Taylor ve Francis Grubu: Londra, Birleşik Krallık, 2021; s. 97–112.
13. Prapavessis, H. POMS ve spor performansı: Bir inceleme. J. Başvuru. Spor Psikolojisi. 2000, 12, 34–48. [ÇaprazRef]
14. Saganowski, S.; Dutkowiak, A.; Dziadek, A.; Dzie zyc, M.; Komoszy 'nska, J.; Michalska, W.; Polak, A.; Ujma, M.; Kazienko, P. Giyilebilir cihazları kullanarak duygu tanıma: Sistematik bir literatür taraması-devam eden çalışma. 2020 IEEE Uluslararası Yaygın Bilgi İşlem ve İletişim Atölyeleri Konferansı (PerCom Atölyeleri), Austin, Teksas, ABD, 23–27 Mart 2020 Bildirilerinde; s. 1-6.
15. Szwoch, W. Fizyolojik sinyalleri kullanarak duygu tanıma. Multimedya, Etkileşim, Tasarım ve İnovasyon Bildirileri, Varşova, Polonya, 29–30 Haziran 2015; s. 1–8.
16. Güneş, H.; Schuller, B. Sürekli girdide kategorik ve boyutsal etki analizi: Mevcut eğilimler ve gelecekteki yönler. Resim Görün. Hesapla. 2013, 31, 120–136. [ÇaprazRef]
17. Ezher, M.; Nelson, T.; Casey, A. Tenis oyuncuları arasındaki duygusal tepkileri ölçmek için giyilebilir teknolojinin kullanılması. EAI Uluslararası Teknoloji, İnovasyon, Girişimcilik ve Eğitim Konferansı Bildirilerinde; Springer: Berlin/Heidelberg, Almanya, 2017; s. 91–105.
18. Havlucu, H.; Akgün, B.; Eskenazi, T.; Coşkun, A.; Özcan, O. Giyilebilir Teknoloji İle Elit Tenisçilerin Bölgesini Tespit Etmeye Yönelik. Ön. Spor. Davranmak. Yaşıyor 2022, 4, 939641. [CrossRef]
19. Bi, T.; Bianchi-Berthouze, N.; Singh, A.; Costanza, E. Uzun mesafe koşu etkinliklerinde koşucuların ve seyircilerin ortak deneyimlerini anlamak. Bilgisayar Sistemlerinde İnsan Faktörleri üzerine 2019 CHI Konferansı Bildirileri, Glasgow, Birleşik Krallık, 4–9 Mayıs 2019; s. 1–13.
20. Dupré, D.; Mülayim, B.; Bolster, A.; Morrison, G.; McKeown, G. Giyilebilir cihazlara dayalı sporcuların duygularının dinamik modeli. Uluslararası Uygulamalı İnsan Faktörleri ve Ergonomi Konferansı Bildirilerinde; Springer: Berlin/Heidelberg, Almanya, 2017, s. 42–50.
21. Dupré, D.; Andelic, N.; Moore, DS; Morrison, G.; McKeown, GJ Bir zipline etkinliği sırasında duygularla ilgili fizyolojik değişikliklerin analizi. Spor. Müh. 2020, 23, 1–11. [ÇaprazRef]
22. Rao, P.; Seshadri, DR; Hsu, J. Giyilebilir Cihazların Spor Kardiyolojisinde Mevcut ve Potansiyel Uygulamaları. Curr. Davranmak. Seçenekler Kardiyovasküler. Med. 2021, 23, 1–15. [ÇaprazRef]
23. Chen, J.; Abbott, M.; Shieh, JS Giyilebilir sensörler ve cihazlar kullanılarak ağrı ve stres tespiti - Bir inceleme. Sensörler 2021, 21, 1030. [CrossRef]
24. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, Kaliforniya; Drummond, CK Sporcunun iç ve dış iş yükünü izlemeye yönelik giyilebilir sensörler. NPJ Rakamı. Med. 2019, 2, 7608867. [CrossRef]
25.Juslin, PN; Sloboda, J. Müzik ve duygu el kitabı: Teori, araştırma, uygulamalar; Oxford University Press: Oxford, Birleşik Krallık, 2011.
26. Schaefer, HE Müziğin uyandırdığı duygular—Güncel çalışmalar. Ön. Nörobilim. 2017, 11, 600. [CrossRef]
27. Uhlig, S.; Jaschke, A.; Scherder, E. Müziğin duygu düzenleme üzerindeki etkileri: Sistematik bir literatür taraması. 3. Uluslararası Müzik ve Duygu Konferansı Bildirileri, Jyväskylä, Finlandiya, 11–15 Haziran 2013.
28. Huang, J.; Li, X. Müzik terapisinin psikolojik sağlık üzerindeki etkileri ve uygulamaları: Bir inceleme. 2021 Uluslararası Kamusal Sanat ve İnsani Gelişme Konferansı (ICPAHD 2021), Kunming, Çin, 24–26 Aralık 2021 Bildirilerinde; s. 984–989.
29. Baird, A.; Samson, S. Alzheimer hastalığında müzik hafızası: Unutulmaz mı? Nöropsikol. Rev. 2009, 19, 85–101. [ÇaprazRef]
30. Stephenson, R.; Beddoes, Z.; Otterson, S.; Rugen, J. Beden Eğitiminde Motivasyonu ve Fiziksel Aktiviteyi Artırmak İçin Müzikten Yararlanmaya Yönelik Pratik Uygulamalara Dayalı. Stratejiler 2022, 35, 17–22. [ÇaprazRef]
31. Scherer, KR Müzik hangi duyguları uyandırabilir? Temel mekanizmalar nelerdir? Peki bunları nasıl ölçebiliriz? J. Yeni Müzik Arş. 2004, 33, 239–251. [ÇaprazRef]
32. Juslin, PN Açıklanan Müzikal Duygular: Müzikal Etkinin Sırlarının Kilidini Açmak; Oxford University Press: Cary, NC, ABD, 2019.
33. Kim, J.; André, E. Müzik dinlemedeki fizyolojik değişikliklere dayalı duygu tanıma. IEEE Çev. Desen Anal. Mach. Intel. 2008, 30, 2067–2083. [CrossRef] [PubMed]
34. Ayata, D.; Yaslan, Y.; Kawasaki, ME Giyilebilir fizyolojik sensörler kullanan, duyguya dayalı müzik öneri sistemi. IEEE Çev. Tüketim. Elektron. 2018, 64, 196–203. [ÇaprazRef]
35. Eerola, T.; Vuoskoski, JK Müzikteki ayrık ve boyutlu duygu modellerinin karşılaştırılması. Psikol. Müzik 2011, 39, 18–49. [ÇaprazRef]
36. Karageorghis, CI; Ekkekakis, P.; Kuş, JM; Bigliassi, M. Egzersiz ve spor alanında müzik: Kavramsal yaklaşımlar ve altta yatan mekanizmalar. Somutlaştırılmış Müzik Etkileşiminin Routledge Companion'ında; Routledge: Londra, Birleşik Krallık, 2017; s. 284–293.
37. Terry, PC; Karageorghis, CI; Curran, ML; Martin, OV; Parsons-Smith, RL Müziğin egzersiz ve spordaki etkileri: Bir meta-analitik inceleme. Psikol. Boğa. 2020, 146, 91. [CrossRef]
38. Chaturvedi, V.; Kaur, AB; Varshney, V.; Garg, A.; Chhabra, GS; Kumar, M. Fizyolojik sinyallere dayalı müzik ruh hali ve insan duygularının tanınması: Sistematik bir inceleme. Multimedya. Sistem 2022, 28, 21–44. [ÇaprazRef]
39. Brandt, N.; Razon, S. Kendi seçtiği müziğin duygusal tepkiler ve koşu performansı üzerindeki etkisi: Yönergeler ve çıkarımlar. Uluslararası J. Egzersiz. Bilim. 2019, 12, 310–323.
40. Hutchinson, JC; Jones, L.; Vitti, SN; Moore, A.; Dalton, PC; O'Neil, BJ Kendi kendine seçilen müziğin, koşu bandı koşusu sırasında duygulanımla düzenlenen egzersiz yoğunluğu ve hatırlanan zevk üzerindeki etkisi. Spor. Egzersiz Rol yapmak. Psikol. 2018, 7, 80. [CrossRef]
41. Hutchinson, JC Müzikle koşuyor. AMAA J. 2017, 30, 13–16.
42. Wijnalda, G.; Pauws, S.; Vignoli, F.; Stuckenschmidt, H. Spor performansında motivasyon için kişiselleştirilmiş bir müzik sistemi. IEEE Yaygın Bilgi İşlem. 2005, 4, 26–32. [ÇaprazRef]
43. Elliott, GT; Tomlinson, B. PersonalSoundtrack: Kullanıcı hızına uyum sağlayan, bağlama duyarlı çalma listeleri. Bilgisayar sistemlerinde İnsan faktörleri üzerine CHI'06 genişletilmiş özetlerinin Bildirilerinde, Montréal, Québec, Kanada, 22–27 Nisan 2006; sayfa 736–741.
44.De Oliveira, R.; Oliver, N. Triplebeat: İkna ile egzersiz performansının arttırılması. 10. Uluslararası Mobil Cihazlar ve Hizmetlerle İnsan-Bilgisayar Etkileşimi Konferansı Bildirileri, Amsterdam, Hollanda, 2–5 Eylül 2008; s. 255–264.
45. Bauer, C.; Kratschmar, A. Müzik kontrollü bir koşu uygulaması tasarlama: Spor bilimi ve psikolojik bir bakış açısı. 33. Yıllık ACM Konferansı Bildirilerinde, Bilgisayar Sistemlerinde İnsan Faktörleri Üzerine Genişletilmiş Özetler, Seul, Kore Cumhuriyeti, 18–23 Nisan 2015; s. 1379–1384.
46. Álvarez, P.; Zarazaga-Soria, FJ; Baldassarri, S. Koşucular için konum ve duygulara dayalı mobil müzik önerileri: DJ-Running sistemi. Yaygın Mafya. Hesapla. 2020, 67, 101242. [CrossRef]
47. Álvarez, P.; de Quirós, JG; Baldassarri, S. RIADA: Spotify Şarkılarının Duygularını Tanımaya Yönelik Makine Öğrenimine Dayalı Bir Altyapı. Uluslararası J. Etkileşim. Multimedya. Artif. Intel. 2022, 1–14. [ÇaprazRef]
48. Álvarez, P.; Guiu, A.; Beltrán, JR; de Quirós, JG; Baldassarri, S. DJ-Running: Koşuculara Spotify Şarkıları Önerirken Duyguya Dayalı Bir Sistem. ICSPORTS Bildirileri, Viyana, Avusturya, 20–21 Eylül 2019; s. 55–63.
49. Álvarez, P.; Beltrán, JR; Baldassarri, S. Dj-running: Koşu performansını iyileştirmeye yönelik giyilebilir cihazlar ve duygular. Uluslararası İnsan Sistemleri Mühendisliği ve Tasarımı Konferansı Bildirilerinde: Gelecekteki Eğilimler ve Uygulamalar; Springer: Berlin/Heidelberg, Almanya, 2018; s. 847–853.
50. Girardi, D.; Lanubile, F.; Novielli, N. İnvaziv olmayan düşük maliyetli sensörler kullanılarak duygu tespiti. 2017 Yedinci Uluslararası Duygusal Bilgi İşlem ve Akıllı Etkileşim Konferansı (ACII), San Antonio, Teksas, ABD, 23–26 Ekim 2017 Bildirilerinde; s. 125–130. [ÇaprazRef]
51. Süleymani, M.; Lichtenauer, J.; Pun, T.; Pantic, M. Duygu Tanıma ve Örtülü Etiketleme için Çok Modlu Duygusal Veritabanı. Etkilemek. Hesapla. IEEE Çev. 2012, 3, 42–55. [ÇaprazRef]
52. Shukla, J.; Barreda-Ángeles, M.; Oliver, J.; Nandi, G.; Puig, D. Elektrodermal Aktiviteden Duygu Tanıma için Özellik Çıkarma ve Seçimi. IEEE Çev. Etkilemek. Hesapla. 2019, 12, 857–869. [ÇaprazRef]
53. Empatica E4 Açıklaması. 2021. Çevrimiçi olarak mevcuttur: https://www.empatica.com/en-eu/research/e4/ (30 Kasım 2019'da erişildi).
54. GSR Kaydedici Sensörü NUL-217. 2017. Çevrimiçi olarak mevcuttur: http://neulog.com/gsr/ (14 Ocak 2023'te erişildi).
55. Biyosinyalsplux Kiti. 2023. Çevrimiçi olarak mevcuttur: https://www.pluxbiosignals.com (14 Ocak 2023'te erişildi).
56. Pırıltılı Geliştirme Kitleri. 2022. Çevrimiçi olarak mevcuttur: https://shimmersensing.com/wearable-sensor-products/development-kits/ (18 Aralık 2022'de erişildi).
57. Hui, TK; Sherratt, RS Yaygın olarak kullanılan giyilebilir biyosensörler için duygu tanıma kapsamı. Biyosensörler 2018, 8, 30. [CrossRef]
58. Van Dooren, M.; Janssen, JH Vücutta duygusal terleme: 16 farklı cilt iletkenliği ölçüm konumunun karşılaştırılması. Fizyol. Davranış. 2012, 106, 298–304. [ÇaprazRef]
59. Russell, J. Çevresel etki modeli. J. Kişisel. Sos. Psikol. 1980, 39, 1161–1178. [ÇaprazRef]
60. Romeo, L.; Cavallo, A.; Pepa, L.; Bianchi-Berthouze, N.; Pontil, M. Fizyolojik Sinyalleri Kullanarak Duygu Tanıma için Çoklu Örnek Öğrenme. IEEE Çev. Etkilemek. Hesapla. 2022, 13, 389–407. [ÇaprazRef]
61. Gjoreski, M.; Gjoreski, H.; Lustrek, M.; Gams, M. Bilek Cihazı Kullanılarak Sürekli Stres Tespiti: Laboratuvarda ve Gerçek Hayatta. 2016 ACM Uluslararası Yaygın ve Her Yerde Bilgi İşlem Ortak Konferansı Bildirilerinde: Ek; Bilgisayar Makineleri Birliği, New York, NY, ABD, 12–16 Eylül 2016; s. 1185–1193. [ÇaprazRef]
62. Correa, JAM; Abadi, MK; Sebe, N.; Patras, I. AMIGOS: Bireyler ve Gruplar Üzerinde Etki, Kişilik ve Ruh Hali Araştırmalarına Yönelik Bir Veri Seti. IEEE Çev. Etkilemek. Hesapla. 2021, 12, 479–493. [ÇaprazRef]
63. Santamaria-Granados, L.; Munoz-Organero, M.; Ramirez-González, G.; Abdulhay, E.; Arunkumar, N. Fizyolojik Sinyal Veri Kümesinde (AMIGOS) Duygu Tespiti için Derin Evrişimli Sinir Ağının Kullanılması. IEEE Erişimi 2019, 7, 57–67. [ÇaprazRef]
64. Koelstra, S.; Muhl, C.; Süleymani, M.; Lee, J.; Yezdani, A.; İbrahimi, T.; Pun, T.; Nijholt, A.; Patras, I. DEAP: Fizyolojik Sinyalleri Kullanarak Duygu Analizi İçin Bir Veritabanı. IEEE Çev. Etkilemek. Hesapla. 2012, 3, 18–31. [ÇaprazRef]
65. Navarro, D.; Garro, V.; Sundstedt, V. Sanal Gerçeklik Oyunlarında Oyuncu Deneyiminin Elektrodermal Aktivite Değerlendirmesi: Fazik Bileşen Analizi. 17. Uluslararası Bilgisayarlı Görme, Görüntüleme ve Bilgisayarlı Grafik Teorisi ve Uygulamaları Ortak Konferansı (VISIGRAPP 2022) Bildirilerinde, Çevrimiçi, 6–8 Şubat 2022; s. 108–116. [ÇaprazRef]
66. sci-kit-learn: Python'da Makine Öğrenimi. Çevrimiçi olarak erişilebilir: https://scikit-learn.org/stable/ (14 Kasım 2022'de erişildi).
67. Jang, EH; Park, BJ; Park, MS; Kim, SH; Sohn, JH Can sıkıntısı, acı ve sürpriz duyguların tanınmasına yönelik fizyolojik sinyallerin analizi. J. Phys. Antropol. 2015, 34, 25. [CrossRef] [PubMed]
68. Bergstra, J.; Bengio, Y. Hiper Parametre Optimizasyonu için Rastgele Arama. J. Mach. Öğrenmek. Res. 2012, 13, 281–305.
Yasal Uyarı/Yayıncının Notu:Tüm yayınlarda yer alan beyanlar, görüşler ve veriler yalnızca bireysel yazar(lar)a ve katkıda bulunan(lar)a aittir, MDPI ve/veya editör(ler)e ait değildir. MDPI ve/veya editör(ler), içerikte atıfta bulunulan herhangi bir fikir, yöntem, talimat veya üründen kaynaklanan, insanlara veya mallara gelebilecek herhangi bir yaralanmanın sorumluluğunu reddeder.
【Daha fazla bilgi için:george.deng@wecistanche.com / WhatsApp:8613632399501】
