Healthcare
Reconocimiento del estrés de los empleados a través del análisis facial en el trabajo
En el contexto de la cambiando la cultura en torno a la etiqueta de la reunión Zoom y el surgimiento de Fatiga de zoom, investigadores de Cambridge han publicado un estudio que utiliza el aprendizaje automático para determinar nuestros niveles de estrés a través de la cobertura de nuestras expresiones faciales en el trabajo mediante una cámara web habilitada por IA.
A la izquierda, el entorno de recopilación de datos, con múltiples equipos de monitoreo entrenados o conectados a un voluntario; a la derecha, ejemplos de expresiones faciales generadas por sujetos de prueba en diferentes niveles de dificultad de la tarea. Fuente: https://arxiv.org/pdf/2111.11862.pdf
La investigación está destinada al análisis del afecto (es decir, reconocimiento de emociones) en los sistemas 'Ambient Assistive Living', y presumiblemente está diseñado para habilitar marcos de monitoreo de expresiones faciales de IA basados en video en tales sistemas; aunque el documento no se expande en este aspecto, el esfuerzo de investigación no tiene sentido en ningún otro contexto.
El ámbito específico del proyecto es el aprendizaje de patrones de expresión facial en ambientes de trabajo – incluidos los arreglos de trabajo a distancia – en lugar de situaciones de 'ocio' o 'pasivas', como viajar.
Reconocimiento de emociones basado en el rostro en el lugar de trabajo
Mientras que 'Ambient Assistive Living' puede sonar como un esquema para el cuidado de los ancianos, eso está lejos de ser el caso. Hablando de los "usuarios finales" previstos, los autores afirman*:
'Sistemas creados para entornos ambientales de vida asistida [†] El objetivo es poder realizar tanto el análisis de afecto automático como la respuesta. La vida asistida ambiental se basa en el uso de la tecnología de la información y la comunicación (TIC) para ayudar en el entorno laboral y de vida diario de las personas para mantenerlas más saludables y activas por más tiempo, y permitirles vivir de forma independiente a medida que envejecen. De este modo, La vida asistida ambiental tiene como objetivo facilitar a los trabajadores de la salud, enfermeras, médicos, trabajadores de fábricas, conductores, pilotos, maestros, así como a diversas industrias a través de la detección, la evaluación y la intervención..
"El sistema está destinado a determinar el estrés físico, emocional y mental y responder y adaptarse cuando sea necesario, por ejemplo, un automóvil equipado con un sistema de detección de somnolencia puede informar al conductor para que esté atento y puede sugerirle que tome un pequeño descanso". para evitar accidentes [††].'
El proyecto se titula Inferir el efecto facial del usuario en entornos similares al trabajo, y proviene de tres investigadores del Affective Intelligence & Robotics Lab de Cambridge.
Condiciónes de la prueba
Como trabajo prioritario en este campo ha dependido en gran medida de colecciones ad hoc de imágenes extraídas de Internet, los investigadores de Cambridge realizaron experimentos locales de recopilación de datos con 12 voluntarios del campus, 5 hombres y 7 mujeres. Los voluntarios procedían de nueve países y tenían entre 22 y 41 años.
El proyecto pretendía recrear tres entornos de trabajo potencialmente estresantes: una oficina; una línea de producción de fábrica; y una llamada de teleconferencia, como el tipo de chat grupal de Zoom que se ha convertido en un rasgo frecuente del trabajo a domicilio desde el advenimiento de la pandemia.
Los sujetos fueron monitoreados por varios medios, incluidas tres cámaras, un micrófono de cuello Jabra, un muñequera empatica (un dispositivo portátil inalámbrico multisensor que ofrece biorretroalimentación en tiempo real) y un sensor de diadema Muse 2 (que también ofrece biorretroalimentación). Además, se pidió a los voluntarios que completaran encuestas y autoevaluaran su estado de ánimo periódicamente.
Sin embargo, esto no significa que las futuras plataformas de Ambient Assistive Living vayan a 'enchufarlo' en esa medida (aunque solo sea por razones de costo); todos los equipos y métodos de monitoreo que no son cámaras utilizados en la recopilación de datos, incluidas las autoevaluaciones escritas, están destinados a verificar los sistemas de reconocimiento de afecto basados en el rostro que están habilitados por las imágenes de la cámara.
Aumentando la presión: el escenario de la oficina
En los dos primeros de los tres escenarios ('Oficina' y 'Fábrica'), los voluntarios comenzaron a un ritmo suave, con la presión aumentando gradualmente en cuatro fases, con diferentes tipos de tareas para cada una.
En el nivel más alto de estrés inducido, los voluntarios también tuvieron que soportar el 'efecto de bata blanca' de alguien mirando por encima del hombro, más 85 db de ruido adicional, que es solo cinco decibelios por debajo el límite legal para un entorno de oficina en los EE. UU. y el límite máximo exacto especificado por el Instituto Nacional de Seguridad y Salud Ocupacional (NIOSH).
En la fase de recopilación de datos similar a la de una oficina, los sujetos tenían la tarea de recordar letras anteriores que habían aparecido en su pantalla, con niveles de dificultad crecientes (como tener que recordar secuencias de dos letras que ocurrieron hace dos pantallas).
El escenario de la fábrica
Para simular un entorno de trabajo manual, se pidió a los sujetos que jugaran el juego Operación, que desafía la destreza del usuario al requerir que el jugador extraiga objetos pequeños de un tablero a través de aberturas estrechas con bordes de metal sin tocar los lados, cuyo evento activa un zumbador de "fallo".
Cuando llegó la fase más difícil, se desafió al voluntario a extraer los 12 elementos sin errores en un minuto. Por contexto, el récord mundial para esta tarea, establecido en el Reino Unido en 2019, se sitúa en 12.68 segundos.
El escenario de la teleconferencia
Finalmente, en la prueba de trabajo en casa/teleconferencia, un experimentador pidió a los voluntarios a través de una llamada de MS Teams que recordaran sus propios recuerdos positivos y negativos. Para la fase más estresante de este escenario, el voluntario debía recordar un recuerdo muy negativo o triste de su pasado reciente.
Las diversas tareas y escenarios se ejecutaron en orden aleatorio y se compilaron en un conjunto de datos personalizado titulado Conjunto de datos consciente del contexto del entorno de trabajo (WECARE-DB).
Método y Entrenamiento
Los resultados de las autoevaluaciones de los usuarios sobre su estado de ánimo se usaron como datos reales y se asignaron a las dimensiones de valencia y excitación. El video capturado de los experimentos se ejecutó a través de una detección de puntos faciales. del sistema,, y las imágenes alineadas alimentadas a un Red ResNet-18 entrenado en el Red de afecto conjunto de datos
450,000 imágenes de AffectNet, todas extraídas/etiquetadas de Internet mediante consultas relacionadas con las emociones, se anotaron manualmente, dice el documento, con dimensiones de valencia y excitación.
Luego, los investigadores refinaron la red basándose únicamente en su propio conjunto de datos WECARE, mientras codificación de representación espectral se utilizó para resumir las predicciones basadas en fotogramas.
Resultados
El rendimiento del modelo se evaluó en tres métricas comúnmente asociadas con la predicción de afecto automatizada: correlación del coeficiente de concordancia; correlación del coeficiente de Pearson; y error cuadrático medio (RMSE).
Los autores señalan que el modelo ajustado en su propio conjunto de datos WECARE superó a ResNet-18, y deducen de esto que la forma en que gobernamos nuestras expresiones faciales es muy diferente en un entorno de trabajo que en los contextos más abstractos de los que se han derivado estudios anteriores. material fuente de internet.
Ellos afirman:
"Mirando la tabla, observamos que el modelo ajustado en WECARE-DB superó al modelo ResNet-18 previamente entrenado en [AffectNet], lo que indica que los comportamientos faciales que se muestran en entornos similares al trabajo son diferentes en comparación con los del entorno. -Configuración salvaje de Internet utilizada en AffectNet DB. Por lo tanto, es necesario adquirir conjuntos de datos y entrenar modelos para reconocer el efecto facial en entornos similares al trabajo.'
En cuanto al futuro del reconocimiento de afectos en el trabajo, habilitado por redes de cámaras dirigidas a los empleados, y haciendo constantemente predicciones de sus estados emocionales, los autores concluyen*:
'El objetivo final es implementar y utilizar los modelos entrenados en tiempo real y en entornos de trabajo reales para proporcionar información a los sistemas de apoyo a la toma de decisiones para promover la salud y el bienestar de las personas durante su edad laboral en el contexto de la Proyecto de edad laboral de la UE.'
* Mi énfasis.
† Aquí los autores hacen tres citas:
Reconocimiento de emociones automático, dimensional y continuo – https://ibug.doc.ic.ac.uk/media/uploads/documents/GunesPantic_IJSE_2010_camera.pdf
Explorando el dominio de vida asistida ambiental: una revisión sistemática – https://link.springer.com/article/10.1007/s12652-016-0374-3
Una revisión de las tecnologías de Internet de las cosas para entornos de vida asistidos por el ambiente – https://mdpi-res.com/d_attachment/futureinternet/futureinternet-11-00259/article_deploy/futureinternet-11-00259-v2.pdf
†† Aquí los autores hacen dos citas:
Detección de somnolencia del conductor en tiempo real para sistemas integrados mediante la compresión de modelos de redes neuronales profundas – https://openaccess.thecvf.com/content_cvpr_2017_workshops/w4/papers/Reddy_Real-Time_Driver_Drowsiness_CVPR_2017_paper.pdf
Sistema de detección de somnolencia del conductor en tiempo real mediante características faciales – https://www.semanticscholar.org/paper/Real-Time-Driver-Drowsiness-Detection-System-Using-Deng-Wu/1f4b0094c9e70bf7aa287234e0fdb4c764a5c532
