Методы машинного обучения для распознавания эмоционального состояния абонента телекоммуникационных систем

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье описывается модификация капсульной нейросети, использующая оконное преобразование Фурье (WFT)-2D-CapsNet, которая позволила по графику фотоплетизмограммы (ФПГ) с точностью 82% выявить состояние паники-ступора, не позволяющее человеку принимать логически обоснованные решения. При синхронизации смарт-браслета со смартфоном метод позволяет в режиме реального времени отслеживать подобные состояния, что позволяет реагировать на звонок телефонного мошенника при разговоре с абонентом.

Об авторах

Алексей Викторович Осипов

Финансовый университет при Правительстве Российской Федерации; МИРЭА Российский технологический университет

Автор, ответственный за переписку.
Email: a.v.osipov@mtuci.ru

кандидат физико-математических наук

Россия, Москва; Москва

Анатолий Евгеньевич Сапожников

Финансовый университет при Правительстве Российской Федерации

Email: 007.ts@mail.ru

аспирант

Россия, Москва

Екатерина Сергеевна Плешакова

Финансовый университет при Правительстве Российской Федерации; МИРЭА Российский технологический университет

Email: espleshakova@fa.ru

доцент, кандидат технических наук

Россия, Москва; Москва

Сергей Тимурович Гатауллин

Финансовый университет при Правительстве Российской Федерации; МИРЭА Российский технологический университет; Центральный экономико8математический институт РАН

Email: s.t.gataullin@mtuci.ru
Россия, Москва; Москва; Москва

Список литературы

  1. SujaSreeithPanicker, Prakasam Gayathri, A survey of machine learning techniques in physiology based mental stress detection systems, Biocybernetics and Biomedical Engineering, Volume 39, Issue 2, 2019, Pages 444-469, ISSN 0208-5216, https://doi.org/10.1016/j.bbe.2019.01.004.
  2. Qi Li, Yunqing Liu, Fei Yan, Qiong Zhang, Cong Liu, Emotion recognition based on multiple physiological signals, Biomedical Signal Processing and Control, Volume 85, 2023, 104989, ISSN 1746-8094, https://doi.org/10.1016/j.bspc.2023.104989.
  3. Angelo Costa, Jaime A. Rincon, Carlos Carrascosa, Vicente Julian, Paulo Novais, Emotions detection on an ambient intelligent system using wearable devices, Future Generation Computer Systems, Volume 92, 2019, Pages 479-489, ISSN 0167739X, https://doi.org/10.1016/j.future.2018.03.038.
  4. Richardson J. Is there a silver bullet to stop cybercrime? ComputerFraud&Security, 2020.
  5. Bojarski, K. (2015). Dealer, hacker, lawyer, spy. Modern techniques and legal boundaries of counter-cybercrime operations. TheEuropeanreviewoforganisedcrime, 2(2), 25-50.
  6. ChevrotА, VernotteА, LegeardВ. CAE: Contextual autoencoder for multivariate time-series anomaly detection in air transportation. Computers & Security, 2022.
  7. Al-Hashedi K, Magalingam P. Financial fraud detection applying data mining techniques: A comprehensive review from 2009 to 2019. Computer Science Review, 2021.
  8. Feng W, Liu Sh, Cheng X. EagleMine: Vision-guided Micro-clusters recognition and collective anomaly detection/ Future Generation Computer Systems, 2021.
  9. Shin S-Y, Kang Y-W, Kim Y-G. Android-GAN: Defending against android pattern attacks using multi-modal generative network as anomaly detector. ExpertSystemswithApplications, 2020.
  10. Hilal W, Gadsden A, Yawney J. Financial Fraud: A Review of Anomaly Detection Techniques and Recen Advances. ExpertSystemswithApplications. 2022.
  11. Ren, P., Xiao, Y., Chang, X., Huang, P. Y., Li, Z., Chen, X., & Wang, X. (2021). A comprehensive survey of neural architecture search: Challenges and solutions. ACM ComputingSurveys (CSUR), 54(4), 1-34.
  12. Kenton JDMWC, Toutanova LK (2019) Bert: Pre-training of deep bidirectional transformers for language understanding. In: Proceedings of the 2019 conference of the North American chapter of the association for computational linguistics: human language technologies (NAACL-HLT), pp 4171–4186
  13. Sun N, Lin G, Qiu J, Rimba P (2020) Near real-time twitter spam detection with machine learning techniques. Int J Comput Appl. https://doi.org/10.1080/1206212X.2020.1751387
  14. Drucker, H., Wu, D., &Vapnik, V. N. (1999). Support vector machines for spam categorization. IEEE TransactionsonNeuralnetworks, 10(5), 1048-105
  15. Tong, X., Wang, J., Zhang, C., Wang, R., Ge, Z., Liu, W., & Zhao, Z. (2021). A content-based chinese spam detection method using a capsule network with long-short attention. IEEE SensorsJournal, 21(22), 25409-25420.
  16. Chavez, A. (2020). TF-IDF classification based Multinomial Naïve Bayes model for spam filtering (Doctoral dissertation, Dublin, National College of Ireland).
  17. Kovalchuk, M. V., &Kholodny, Y. I. (2020). Functional magnetic resonance imaging augmented with polygraph: new capabilities. In Biologically Inspired Cognitive Architectures 2019: Proceedings of the Tenth Annual Meeting of the BICA Society 10 (pp. 260-265). SpringerInternationalPublishing.
  18. Cook, L. G., &Mitschow, L. C. (2019). Beyond the polygraph: Deception detection and the autonomic nervous system. FederalPractitioner, 36(7), 316.
  19. Banham, M. R., Galatsanos, N. P., Gonzalez, H. L., &Katsaggelos, A. K. (1994). Multichannel restoration of single channel images using a wavelet-based subband decomposition. IEEE TransactionsonImageProcessing, 3(6), 821-833.
  20. Guo, Y., & Li, B. Z. (2016). Blind image watermarking method based on linear canonical wavelet transform and QR decomposition. IET imageprocessing, 10(10), 773-786.
  21. Singh, K. R., & Chaudhury, S. (2016). Efficient technique for rice grain classification using back‐propagation neural network and wavelet decomposition. IET ComputerVision, 10(8), 780-787.
  22. You, N., Han, L., Zhu, D., & Song, W. (2023). Research on image denoising in edge detection based on wavelet transform. AppliedSciences, 13(3), 1837.
  23. Sui, K., & Kim, H. G. (2019). Research on application of multimedia image processing technology based on wavelet transform. EURASIP JournalonImageandVideoProcessing, 2019(1), 1-9.
  24. Sabour S., Frosst N., Hinton G. E. Dynamic routing between capsules //Advances in neural information pro-cessing systems. – 2017. – Т. 30. https://doi.org/10.48550/arXiv.1710.09829.
  25. Hinton G. E., Sabour S., Frosst N. Matrix capsules with EM routing //International conference on learning representations. – 2018. https://doi.org/10.13140/RG.2.2.27416.44800.
  26. Butun, E., Yildirim, O., Talo, M., Tan, R. S., & Acharya, U. R. (2020). 1D-CADCapsNet: One dimensional deep capsule networks for coronary artery disease detection using ECG signals. PhysicaMedica, 70, 39-48.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».