Pratiksha Deshmukh ORCID iD Thakur College of Engineering Technology,
Mumbai, Maharashtra India
Pratiksha Deshmukh
Affiliation, including city and Country Department of Computer Engineering
Thakur College of Engineering Technology,
Mumbai, Maharashtra, India.
pratiksha.deshmukh@thakureducation.org,
https://orcid.org/0009-0002-8172-3149
Harshali Patil ORCID iD Thakur College of Engineering Technology,
Mumbai, Maharashtra India
Harshali Patil
Thakur College of Engineering Technology,
Mumbai, Maharashtra, India.
harshali.patil@thakureducation.org,
https://orcid.org/0000-0003-1228-8737
Pratiksha Deshmukh -
Thakur College of Engineering Technology,
Mumbai, Maharashtra (IN),
Harshali Patil -
Thakur College of Engineering Technology,
Mumbai, Maharashtra (IN),
Abstract
Méthode de reconnaissance des émotions fondée sur un réseau neuronal convolutif et l’algorithme d’optimisation de la veuve noire
Pratiksha Deshmukh, Harshali Patil
Contexte : La reconnaissance automatique des émotions (RE) gagne en popularité dans plusieurs domaines d’application, notamment la psychologie et la santé mentale. Pour atteindre cet objectif, des algorithmes d’apprentissage profond sont utilisés. Ces algorithmes extraient les caractéristiques pertinentes des images du jeu de données et reconnaissent les émotions. Méthodologie : Dans cet article, nous avons développé une méthode de reconnaissance des émotions fondée sur un réseau neuronal convolutif (CNN). L’accent est également mis sur l’optimisation fine des hyperparamètres d’apprentissage du CNN au moyen de la métaheuristique d’optimisation de la veuve noire (Black Widow Optimisation, BWO), afin d’améliorer la précision de la reconnaissance. L’algorithme BWO s’inspire du processus d’accouplement des araignées veuves noires et offre un meilleur taux de convergence vers la solution optimale que d’autres algorithmes métaheuristiques. Résultats : La méthode proposée a été simulée sur le jeu de données FER2013. Celui-ci a été réparti selon un ratio de 70:30 : 70 % des données ont été utilisés pour l’entraînement, tandis que les 30 % restants ont servi aux tests. La méthode proposée donne des résultats remarquables pour la reconnaissance de différentes émotions et atteint des valeurs élevées pour les indicateurs de performance : une exactitude moyenne de 0,99392, une précision de 0,98467, un rappel de 0,98117 et un score F1 de 0,96731. Enfin, nous avons réalisé une analyse comparative de l’approche présentée avec les études existantes. Les résultats montrent que nous avons obtenu de meilleures performances grâce à la stratégie d’optimisation fine des hyperparamètres employée dans la méthode proposée. Conclusion et recommandations : La méthode de reconnaissance des émotions proposée permet de reconnaître efficacement différentes émotions. Toutefois, le même jeu de données a été utilisé pour l’entraînement et les tests, ce qui nuit à la robustesse et à la capacité de généralisation. Par conséquent, nous prévoyons à l’avenir de combiner plusieurs jeux de données et de les équilibrer afin d’évaluer l’efficacité de la méthode proposée.
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.
Método de reconocimiento de emociones basado en una red neuronal convolucional y el algoritmo de optimización Black Widow
Autores:
Pratiksha Deshmukh - Thakur College of Engineering Technology, Mumbai, Maharashtra (IN)
Harshali Patil - Thakur College of Engineering Technology, Mumbai, Maharashtra (IN)
Resumen
Antecedentes:
El método automatizado de reconocimiento de emociones (ER) ha ganado popularidad en diversas aplicaciones, especialmente en psicología y salud mental. Para alcanzar este objetivo se emplean algoritmos de aprendizaje profundo. Estos algoritmos extraen las características apropiadas de las imágenes del conjunto de datos y reconocen las emociones.
Metodología:
En este trabajo hemos desarrollado un método de reconocimiento de emociones basado en una red neuronal convolucional (CNN). Además, el enfoque principal se centra en el ajuste fino de los parámetros de aprendizaje del algoritmo CNN mediante la metaheurística Black Widow Optimisation (BWO), con el objetivo de mejorar la precisión del reconocimiento.
El algoritmo BWO se basa en el proceso de apareamiento de las arañas viuda negra y proporciona una mejor tasa de convergencia para encontrar la solución óptima en comparación con otros algoritmos metaheurísticos.
Resultados:
El método propuesto fue simulado utilizando el conjunto de datos FER2013. El conjunto de datos se dividió en una proporción de 70:30. Esto significa que el 70 % del conjunto de datos se utilizó para el entrenamiento, mientras que el 30 % se empleó para las pruebas.
El método propuesto muestra resultados destacables en el reconocimiento de diversas emociones y alcanza valores elevados en las métricas de rendimiento, como una exactitud media de 0,99392, una precisión de 0,98467, una sensibilidad de 0,98117 y una puntuación F1 de 0,96731.
Finalmente, se realizó un análisis comparativo del enfoque presentado con estudios existentes. Los resultados muestran que se obtuvieron mejores resultados gracias al uso de la estrategia de ajuste fino de hiperparámetros en el método propuesto.
Conclusión y recomendación:
El método de reconocimiento de emociones propuesto reconoce eficazmente diferentes emociones.
Sin embargo, se utilizó el mismo conjunto de datos para los procesos de entrenamiento y prueba, lo que afecta negativamente a la robustez y a la capacidad de generalización.
Por lo tanto, en el futuro se combinarán múltiples conjuntos de datos y se equilibrarán para evaluar la eficacia del método propuesto.
Метод розпізнавання емоцій на основі згорткової нейронної мережі та алгоритму оптимізації «Чорна вдова»
Автори:
Pratiksha Deshmukh, Harshali Patil
Анотація:
Передумови. Автоматизований метод розпізнавання емоцій (ER) набув популярності в різних сферах застосування, зокрема у психології та охороні психічного здоров’я. Для досягнення цієї мети використовують алгоритми глибокого навчання. Ці алгоритми виділяють відповідні ознаки із зображень у наборі даних і розпізнають емоції.
Методологія. У цій статті розроблено метод розпізнавання емоцій на основі згорткової нейронної мережі (CNN). Основну увагу приділено тонкому налаштуванню гіперпараметрів навчання алгоритму CNN за допомогою метаевристичного алгоритму оптимізації «Чорна вдова» (BWO) з метою підвищення точності розпізнавання. Алгоритм BWO ґрунтується на процесі спарювання павуків виду «чорна вдова» і, порівняно з іншими метаевристичними алгоритмами, забезпечує кращу швидкість збіжності під час пошуку оптимального розв’язку.
Результати. Запропонований метод було змодельовано на наборі даних FER2013. Набір даних розділили у співвідношенні 70:30: 70 % використали для навчання, а 30 % — для тестування. Запропонований метод продемонстрував високі результати розпізнавання різних емоцій за показниками ефективності: середня частка правильних класифікацій становила 0,99392, точність (precision) — 0,98467, повнота (recall) — 0,98117, а показник F1 — 0,96731. Крім того, проведено порівняльний аналіз запропонованого підходу з наявними дослідженнями. Результати свідчать про кращі показники завдяки використанню стратегії тонкого налаштування гіперпараметрів у запропонованому методі.
Висновки та рекомендації. Запропонований метод ER ефективно розпізнає різні емоції. Однак використання того самого набору даних для навчання й тестування негативно впливає на стійкість моделі та її здатність до узагальнення. Тому в майбутньому планується об’єднати кілька наборів даних і збалансувати їх для оцінювання ефективності запропонованого методу.
Background: The automated Emotion Recognition (ER) method has gained popularity in several applications, namely, psychology and mental health. To accomplish this goal, deep learning algorithms are employed. These algorithms extract the appropriate features from the dataset images and recognise the emotions.
Methodology: In this paper, we have developed an emotion recognition method based on the Convolutional Neural Network (CNN). Furthermore, the main focus is on hyper-tuning the learning parameters of the CNN algorithm using the metaheuristic Black Widow Optimisation (BWO) to enhance the recognition accuracy. The BWO algorithm is based on the mating process of black widow spiders and provides a better convergence rate to find the optimal solution than other metaheuristic algorithms.
Results: The proposed method was simulated on the FER2013 dataset. The dataset was split into a 70:30 ratio. This reflects that 70% of the dataset was used for training purposes, whereas 30% of the dataset was utilised for testing purposes. The proposed method shows impressive results in recognising various emotions and achieves high values for the performance metrics, such as an average accuracy value of 0.99392, a precision value of 0.98467, a recall value of 0.98117, and an F1-score value of 0.96731. Finally, we have performed the comparative analysis of the presented approach with existing studies. The result shows that we have achieved better results due to employing the hyper-tuning strategy in the proposed method.
Conclusion and Recommendation: The proposed ER method is effectively recognising the different emotions. However, the same dataset was used for training and testing purposes, which negatively impacts the robustness and generalisation. Therefore, in the future, we will combine multiple datasets and balance them to evaluate the effectiveness of the proposed method.
Academic discipline and sub-disciplines:
Artificial Intelligence; Cognitive Sciences; Psychology