Metoda rozpoznawania emocji oparta na konwolucyjnej sieci neuronowej i algorytmie optymalizacji czarnej wdowy Autorzy: Pratiksha Deshmukh, Harshali Patil Streszczenie: Wprowadzenie: Automatyczne rozpoznawanie emocji (ER) zyskuje na popularności w różnych zastosowaniach, zwłaszcza w psychologii i ochronie zdrowia psychicznego. W tym celu wykorzystuje się algorytmy głębokiego uczenia, które wyodrębniają odpowiednie cechy z obrazów zawartych w zbiorach danych i rozpoznają emocje. Metodologia: W niniejszej pracy opracowano metodę rozpoznawania emocji opartą na konwolucyjnej sieci neuronowej (CNN). Szczególną uwagę poświęcono optymalizacji hiperparametrów uczenia sieci CNN za pomocą metaheurystycznego algorytmu optymalizacji czarnej wdowy (Black Widow Optimisation, BWO), aby zwiększyć dokładność rozpoznawania. Algorytm BWO jest inspirowany procesem kojarzenia się pająków z rodzaju czarna wdowa i, w porównaniu z innymi algorytmami metaheurystycznymi, zapewnia lepszą szybkość zbieżności podczas poszukiwania rozwiązania optymalnego. Wyniki: Zaproponowaną metodę przetestowano na zbiorze danych FER2013, podzielonym w proporcji 70:30. Oznacza to, że 70% danych przeznaczono do trenowania modelu, a pozostałe 30% do testowania. Metoda uzyskała bardzo dobre wyniki rozpoznawania różnych emocji: średnią dokładność 0,99392, precyzję 0,98467, czułość (recall) 0,98117 oraz wartość miary F1 równą 0,96731. Przeprowadzono również analizę porównawczą z dotychczasowymi badaniami. Jej wyniki wskazują na lepszą skuteczność zaproponowanego podejścia, którą autorzy wiążą z zastosowaną strategią optymalizacji hiperparametrów. Wnioski i zalecenia: Zaproponowana metoda ER skutecznie rozpoznaje różne emocje. Jednak wykorzystanie tego samego zbioru danych jako źródła danych treningowych i testowych może negatywnie wpływać na odporność modelu i jego zdolność do uogólniania wyników. Dlatego w przyszłych badaniach autorzy planują połączyć kilka zbiorów danych i odpowiednio je zrównoważyć, aby ocenić skuteczność proponowanej metody.