عنوان پایان‌نامه
تشخیص خلق با استفاده از ترکیب تحلیلی ویژگی های هیجانی و شخصیت برگرفته از سیگنالهای حرکتی صورت و پرسشنامه
- رشته تحصیلی
- مهندسی کامپیوتر- هوش مصنوعی - رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2750;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69593
- تاریخ دفاع
- ۰۴ شهریور ۱۳۹۴
- دانشجو
- فوژان باباعلی
- استاد راهنما
- منوچهر مرادی سبزوار
- چکیده
- استخراج خودکار وضعیت عاطفی کاربران در حین کار با سیستم های هوشمند، نقش به سزایی در افزایش کارایی این سیستم ها دارد. بدین منظور، تا کنون روش های مختلفی برای مجهزسازی سیستم ها به قابلیت شناسایی هیجان و شخصیت ارائه شده است. در مقابل به سیستم هایی با قابلیت تشخیص خلق کمتر توجه شده است و این در حالی است که نیاز به وجود چنین سیستم هایی برای هوشمندسازی کامل تر، به شدت احساس می شود. نکته ی حائز اهمیت آن است که تشخیص خلق، با هزینه ای کم و بدون ایجاد اختلال در روند کاری کاربر انجام شود. روش هایی که تا کنون برای تشخیص خلق ارائه شده اند، غالبا پر هزینه بوده و در روند کاری کاربر اختلال ایجاد می کنند. همچنین اکثر این روش ها محدود به شرایط آزمایشگاهی می باشند. با توجه به موارد ذکر شده، کمتر به این روش ها مراجعه شده است. در این پایان نامه، راهکاری ارائه دادیم که سعی بر رفع موارد ذکر شده را دارد. این راهکار، به دو روش قابل پیاده سازی می باشد. در روش اول، فقط با استفاده از ویژگی های هیجانی به تشخیص خلق کاربران پرداخته شده است. در روش دوم، با استفاده از ترکیب ویژگی های شخصیت و هیجان تشخیص خلق را انجام داده ایم. نتایج پیاده سازی سیستم هوشمند تشخیص خلق به کمک سه روش آماری رده بندی مورد بررسی قرار گرفته و نرخ رده بندی با بهبود 5 درصدی در ازای وارد شدن داده های شخصیت می تواند حاکی از تاثیر عامل شخصیت در تشخیص خلق باشد که هدف اصلی این پایان نامه می باشد. با تشکیل یک دسته ویژگی ترکیبی توام از داده های هیجان که در پژوهش پیشین جمع آوری شده و داده های شخصیت سنجی که در این پژوهش گردآوری شد سعی در حل مشکل مهمی که در تحقیق قبل پیرامون تشخیص خلق افراد درون گرا که به خوبی ویژگی های هیجانی خود را بروز نمی دهند گام برداشته شود. این موضوع با بررسی نحوه اثرگذاری یکی از عوامل شخصیت سنجی مورد آزمایش قرار گرفت و نتایج پیاده سازی نشان از تشخیص خلق این دسته افراد با نرخ رده بندی 87.2 درصد انجام گشته است. کلمات کلیدی: خلق، استخراج خودکار، هیجان، چهره، شخصیت.
- Abstract
- Automatic extraction of the user's emotional state while working with intelligent systems, play a significant role to increase the efficiency of them. For this purpose, several methods to design systems in order to detect emotion and character have studied. The important thing is to detect the mood with low cost and without disrupting user work flow. Some methods have been proposed to detect the mood which were often so expensive and disrupting user work flow so far. Also, most of these methods were limited to laboratory conditions. In this thesis, we have proposed a way trying to fix and analysis the above problem. The solution has been implemented in two ways. In the first way, we have used only emotional characteristics to identify the mood. In the second way which was the goal of this thesis, we have used combination of personality and emotional features to recognize the mood. Simulation results have been done by three statistical classifiers to design an intelligent mood detection system based on combination of personality and emotional features. Performance index of Correct Classification Rate (CCR) have been used to compare the results presented in the previous study. There were 5 percent improvements via CCR using emotional and personal features together. This can show the effect of personality to detect mood beside emotional features. As a result, we have completed a useful packet of features based on combined emotional personality features which have gathered in this thesis. Also, the main problem in which it has tried to be solved detecting introvert persons mood just with emotional features. As the introvert persons could not show their emotions clearly we did not have any useful and trustable data to analysis their mood. In this thesis, we used personality features of introvert persons to complete the packet of useful features in mood detection. Simulation results have shown that mood detection has been done with 87.2 percent CCR in total classification. Keywords: Mood,Emotion,Personality,Extraction
