Töötajate stressi äratundmine tööl tehtava näoanalüüsi abil

. \ T muutuv kultuur umbes Zoom-koosoleku etikett ja tekkimist Suumi väsimusCambridge'i teadlased avaldasid uuringu, mis kasutab masinõpet meie stressitasemete määramiseks tehisintellekti toega veebikaamera abil meie näoilmeid tööl.

Vasakul andmete kogumise keskkond koos mitme seireseadmega, mis on kas vabatahtlikul koolitatud või kinnitatud; paremal on näidisnäoilmed, mille on loonud katsealused erineva ülesande raskusastmega. Allikas: https://arxiv.org/pdf/2111.11862.pdf

Uuring on mõeldud mõjude analüüsiks (st. emotsioonide äratundmine) „Ambient Assistive Living” süsteemides ja arvatavasti on loodud võimaldama sellistes süsteemides videopõhiseid tehisintellekti näoilme jälgimise raamistikke; kuigi artikkel seda aspekti ei laienda, pole uurimistööl mõtet üheski teises kontekstis.

Projekti spetsiifiline eesmärk on õppida näoilme mustreid töökeskkondades – sealhulgas kaugtöökorraldus – mitte „vaba aja” või „passiivsete” olukordade, nagu reisimine, asemel.

Näopõhine emotsioonide tuvastamine töökohal

Ehkki „Ambient Assistive Living” võib tunduda eakate hooldamise kavana, pole see kaugeltki nii. Rääkides kavandatud "lõppkasutajatest", väidavad autorid*:

"Ambient-abielukeskkondade jaoks loodud süsteemid [†] eesmärk on teha nii automaatset mõjuanalüüsi kui ka reageerimist. Ambient-abistav elamine tugineb info- ja kommunikatsioonitehnoloogia (IKT) kasutamisele, et aidata inimese igapäevast elu- ja töökeskkonda hoida kauem tervena ja aktiivsena ning võimaldada neil vananedes iseseisvalt elada. Seega Ambient-abielu eesmärk on hõlbustada tervishoiutöötajaid, õdesid, arste, vabrikutöötajaid, autojuhte, piloote, õpetajaid ja ka erinevaid tööstusharusid tuvastamise, hindamise ja sekkumise kaudu.

"Süsteem on ette nähtud füüsilise, emotsionaalse ja vaimse pinge kindlaksmääramiseks ning reageerimiseks ja kohanemiseks vastavalt vajadusele, näiteks unisuse tuvastamise süsteemiga varustatud auto võib teavitada juhti tähelepanelikkusest ja soovitada neil teha väike paus õnnetuste vältimiseks [††].'

. paber on pealkirjaga Kasutaja näo mõju järeldamine töölaadsetes sätetesja pärineb kolmelt Cambridge'i Affective Intelligence & Robotics Labi teadurilt.

Testi tingimused

Alates eelnev töö Selles valdkonnas on see suuresti sõltunud Internetist kraabitud ad hoc pildikogudest, viisid Cambridge'i teadlased läbi kohaliku andmekogumise katsed 12 ülikoolilinnaku vabatahtlikuga, kellest 5 meest ja 7 naist. Vabatahtlikud olid pärit üheksast riigist ja olid vanuses 22–41.

Projekti eesmärk oli luua kolm potentsiaalselt stressi tekitavat töökeskkonda: kontor; tehase tootmisliin; ja telekonverentskõne – näiteks selline Zoomi grupivestlus, millest on saanud a sagedane omadus kodutöödest alates pandeemia tulekust.

Katsealuseid jälgiti erinevate vahenditega, sealhulgas kolme kaameraga, Jabra kaelas kantava mikrofoni ja an Empatica käepael (juhtmevaba mitme anduriga kantav, mis pakub reaalajas biotagasisidet) ja Muse 2 peapaela andur (mis pakub ka biotagasisidet). Lisaks paluti vabatahtlikel perioodiliselt küsitlusi täita ja oma meeleolu ise hinnata.

See aga ei tähenda, et tulevased Ambient Assistive Living platvormid teid sellisel määral "pigistaksid" (kui ainult kulupõhjustel); kõik andmete kogumisel kasutatavad kaameravälised seireseadmed ja meetodid, sealhulgas kirjalikud enesehinnangud, on mõeldud kaamerasalvestiste abil võimaldatavate näopõhiste mõjutuvastussüsteemide kontrollimiseks.

Surve suurendamine: kontoristsenaarium

Kolmest stsenaariumist kahes esimeses ("kontor" ja "vabrik") alustati vabatahtlike tööga kerges tempos, kusjuures surve kasvas järk-järgult nelja faasi jooksul, kusjuures igaühe jaoks tehti erinevat tüüpi ülesandeid.

Indutseeritud stressi kõrgeima taseme korral pidid vabatahtlikud taluma ka üle õla vaatamise "valge kitli efekti" pluss 85 db lisamüra, mis on lihtsalt viis detsibelli alla USA kontorikeskkonna seaduslik piirmäär ja riikliku tööohutuse ja töötervishoiu instituudi (NIOSH) määratud täpne maksimaalne piirmäär.

Kontorilaadses andmete kogumise faasis tehti katsealustele ülesandeks meeles pidada varasemaid tähti, mis nende ekraanil vilksatas, raskusastmega (näiteks pidid meeles pidama kahetähelisi jadasid, mis toimusid kaks ekraani tagasi).

Tehase stsenaarium

Käsitöökeskkonna simuleerimiseks paluti katsealustel mängu mängida töö, mis seab proovile kasutaja osavuse, nõudes, et mängija tõmbaks laualt väikesed esemed läbi kitsaste metallääristega avade külgesid puudutamata. See sündmus käivitab "tõrke" helisignaali.

Raskeima faasi saabumise ajaks tehti vabatahtlikule väljakutse ühe minuti jooksul veatult välja võtta kõik 12 eset. Konteksti jaoks selle ülesande maailmarekord, mis püstitati Ühendkuningriigis 2019. on 12.68 sekundit.

Telekonverentsi stsenaarium

Lõpuks palus kodutöö/telekonverentsi testis vabatahtlikel MS Teamsi kõne kaudu meenutada oma positiivseid ja negatiivseid mälestusi. Selle stsenaariumi kõige stressirohkema etapi jaoks pidi vabatahtlik meenutama väga negatiivset või kurba mälestust oma lähiminevikust.

Erinevad ülesanded ja stsenaariumid täideti juhuslikus järjekorras ja koostati kohandatud andmekogumiks, mille nimi oli töökeskkonna konteksti arvestav andmekogum (WECARE-DB).

Meetod ja koolitus

Kasutajate enesehinnangu tulemusi oma meeleolu kohta kasutati põhitõena ning kaardistati valentsi ja erutuse mõõtmetega. Katsetest jäädvustatud video viidi läbi näo maamärgi tuvastamise abil võrkja joondatud pildid suunati a ResNet-18 võrk peal treenitud AffectNet andmestik.

450,000 XNUMX AffectNeti pilti, mis kõik on joonistatud/silditud Internetist emotsioonidega seotud päringute abil, lisati käsitsi, öeldakse paberi järgi, valentsi ja erutuse mõõtmetega.

Järgmisena täpsustasid teadlased võrku ainult oma WECARE andmestiku põhjal spektraalse esituse kodeerimine kasutati kaadripõhiste ennustuste kokkuvõtte tegemiseks.

Tulemused

Mudeli jõudlust hinnati kolme mõõdiku alusel, mida tavaliselt seostatakse automaatse mõju ennustamisega: vastavuskordaja korrelatsioon; Pearsoni koefitsiendi korrelatsioon; ja Root Mean Square Error (RMSE).

Autorid märgivad, et nende endi WECARE andmestiku põhjal viimistletud mudel ületas ResNet-18 ja järeldavad sellest, et viis, kuidas me oma näoilmeid valitseme, on töökeskkonnas väga erinev kui abstraktsemas kontekstis, millest varasemad uuringud on tuletatud. algmaterjal internetist.

Nad ütlevad:

"Vaadates tabelit näeme, et WECARE-DB-s peenhäälestatud mudel ületas [AffectNetis] eelkoolitatud mudelit ResNet-18, mis näitab, et töölaadsetes keskkondades kuvatav näokäitumine on erinev võrreldes sisemise mudeliga. - AffectNet DB-s kasutatavad metsikud Interneti-sätted. Seega on vaja hankida andmekogusid ja koolitada mudeleid näo mõju äratundmiseks töölaadsetes seadetes.

Mis puudutab töösiseste mõjude tuvastamise tulevikku, mida võimaldavad töötajatele koolitatud kaamerate võrgustikud ja pidevalt nende emotsionaalseid seisundeid ennustavad, järeldavad autorid*:

„Lõppeesmärk on rakendada ja kasutada koolitatud mudeleid reaalajas ja reaalsetes töötingimustes, et anda sisendit otsustustoetussüsteemidele, et edendada inimeste tervist ja heaolu nende tööealises kontekstis. EL tööea projekt.'

* Minu rõhuasetus.

† Siin toovad autorid kolm tsitaati:

Automaatne, mõõtmete ja pidev emotsioonituvastus – https://ibug.doc.ic.ac.uk/media/uploads/documents/GunesPantic_IJSE_2010_camera.pdf
Ambient-avustatud elamise domeeni uurimine: süstemaatiline ülevaade – https://link.springer.com/article/10.1007/s12652-016-0374-3
Asjade Interneti tehnoloogiate ülevaade ümbritseva keskkonna toetatud elukeskkonna jaoks – https://mdpi-res.com/d_attachment/futureinternet/futureinternet-11-00259/article_deploy/futureinternet-11-00259-v2.pdf

†† Siin toovad autorid kaks tsitaati:

Juhi unisuse tuvastamine reaalajas manussüsteemide jaoks, kasutades sügavate närvivõrkude mudeli tihendamist – https://openaccess.thecvf.com/content_cvpr_2017_workshops/w4/papers/Reddy_Real-Time_Driver_Drowsiness_CVPR_2017_paper.pdf
Juhi unisuse tuvastamise süsteem reaalajas, kasutades näoomadusi – https://www.semanticscholar.org/paper/Real-Time-Driver-Drowsiness-Detection-System-Using-Deng-Wu/1f4b0094c9e70bf7aa287234e0fdb4c764a5c532