कर्मचारी तनाव को चेहरे के विश्लेषण के माध्यम से पहचानना

ज़ूम मीटिंग एटिकेट्स के आसपास बदलते संस्कृति और ज़ूम थकान के उदय के संदर्भ में, कैम्ब्रिज के शोधकर्ताओं ने एक अध्ययन जारी किया है जो हमारे तनाव के स्तर को काम पर हमारे चेहरे के भावों के माध्यम से निर्धारित करने के लिए मशीन लर्निंग का उपयोग करता है।

बाएं, डेटा-संग्रह वातावरण, कई निगरानी उपकरण या तो एक स्वयंसेवक पर प्रशिक्षित या जुड़े हुए; दाएं, परीक्षण विषयों द्वारा उत्पन्न चेहरे के भावों के उदाहरण विभिन्न कार्य कठिनाई स्तरों पर। स्रोत: https://arxiv.org/pdf/2111.11862.pdf

शोध ‘एंबिएंट असिस्टिव लिविंग’ प्रणालियों में भावना विश्लेषण (अर्थात, भावना पहचान) के लिए है, और संभवतः वीडियो-आधारित एआई चेहरे के भावों की निगरानी फ्रेमवर्क को ऐसी प्रणालियों में सक्षम करने के लिए डिज़ाइन किया गया है।

कार्यस्थल में चेहरे आधारित भावना पहचान

‘एंबिएंट असिस्टिव लिविंग’ शब्द एक ऐसी योजना की तरह लगता है जो बुजुर्ग देखभाल के लिए है, लेकिन यह उससे बहुत दूर है। ‘एंड यूजर्स’ के बारे में बात करते हुए, लेखक कहते हैं*:

‘एंबिएंट असिस्टिव लिविंग वातावरण के लिए बनाए गए सिस्टम स्वचालित भावना विश्लेषण और प्रतिक्रिया करने में सक्षम होने का लक्ष्य रखते हैं। एंबिएंट असिस्टिव लिविंग सूचना और संचार प्रौद्योगिकी (आईसीटी) का उपयोग करके व्यक्ति के दैनिक जीवन और काम के वातावरण में सहायता प्रदान करने पर निर्भर करता है ताकि वे स्वस्थ और सक्रिय रहें और लंबे समय तक स्वतंत्र रूप से रह सकें। इसलिए, एंबिएंट असिस्टिव लिविंग स्वास्थ्य कार्यकर्ताओं, नर्सों, डॉक्टरों, फैक्ट्री श्रमिकों, ड्राइवरों, पायलटों, शिक्षकों और विभिन्न उद्योगों को सेंसिंग, मूल्यांकन और हस्तक्षेप के माध्यम से सुविधा प्रदान करने का लक्ष्य रखता है।

‘प्रणाली शारीरिक, भावनात्मक और मानसिक तनाव को निर्धारित करने और प्रतिक्रिया देने का लक्ष्य रखती है, और जब आवश्यक हो तो अनुकूलन करती है, उदाहरण के लिए, एक ड्राइवर को सतर्क रहने और थोड़ा आराम करने के लिए कहा जा सकता है ताकि दुर्घटनाओं से बचा जा सके।

परीक्षण स्थितियां

पिछले अध्ययनों ने मुख्य रूप से इंटरनेट से स्क्रैप की गई छवियों का उपयोग किया है, कैम्ब्रिज के शोधकर्ताओं ने 12 कैम्पस स्वयंसेवकों के साथ स्थानीय डेटा-संग्रह प्रयोग किए, जिनमें 5 पुरुष और 7 महिलाएं शामिल थीं। स्वयंसेवक 22-41 आयु वर्ग के थे और नौ देशों से थे।

परियोजना का उद्देश्य तीन संभावित तनावपूर्ण कार्य वातावरण को पुनर्निर्माण करना था: एक कार्यालय; एक फैक्ट्री उत्पादन लाइन; और एक टेलीकॉन्फ्रेंस कॉल – जैसे कि ज़ूम समूह चैट जो महामारी के बाद से घर से काम करने की एक सामान्य विशेषता बन गई है।

दफ्तर के दबाव को बढ़ाना: दफ्तर की स्थिति

पहली दो स्थितियों (‘कार्यालय’ और ‘फैक्ट्री’) में, स्वयंसेवकों को आसान गति से शुरू किया गया, और चार चरणों में दबाव धीरे-धीरे बढ़ाया गया, प्रत्येक चरण में अलग-अलग कार्य थे।

उद्दीप्त तनाव के उच्चतम स्तर पर, स्वयंसेवकों को भी ‘व्हाइट कोट प्रभाव’ का सामना करना पड़ा, जिसमें किसी को उनके कंधे पर खड़ा देखा जा रहा था, साथ ही 85db का अतिरिक्त शोर, जो कि अमेरिका में कार्यालय वातावरण के लिए कानूनी सीमा से केवल पांच डेसिबल नीचे है, और राष्ट्रीय व्यावसायिक सुरक्षा और स्वास्थ्य संस्थान (एनआईओएसएच) द्वारा निर्दिष्ट अधिकतम सीमा है।

फैक्ट्री स्थिति

एक मैनुअल श्रम वातावरण को अनुकरण करने के लिए, स्वयंसेवकों को ‘ऑपरेशन’ नामक खेल खेलने के लिए कहा गया था, जो उपयोगकर्ता की चपलता को चुनौती देता है क्योंकि खिलाड़ी को एक बोर्ड से छोटे वस्तुओं को निकालने के लिए धातु के किनारे वाले संकीर्ण छिद्रों के माध्यम से निकालने के लिए कहा जाता है, जो ‘विफलता’ बजर को ट्रिगर करता है।

टेलीकॉन्फ्रेंस स्थिति

अंत में, घर से काम/टेलीकॉन्फ्रेंस परीक्षण में, स्वयंसेवकों से एक प्रयोगकर्ता द्वारा एमएस टीम्स कॉल पर अपनी सकारात्मक और नकारात्मक यादों को याद करने के लिए कहा गया था। इस स्थिति के सबसे तनावपूर्ण चरण में, स्वयंसेवक को हाल के अतीत से एक बहुत ही नकारात्मक या दुखद याद को याद करने के लिए कहा गया था।

विधि और प्रशिक्षण

स्वयंसेवकों के मूड के स्व-मूल्यांकन के परिणामों का उपयोग मूल सत्य के रूप में किया गया था, और वैलेंस और उत्तेजना आयामों के साथ मैप किया गया था। प्रयोगों के वीडियो को एक चेहरे के लैंडमार्क पता लगाने वाले नेटवर्क के माध्यम से चलाया गया था, और संरेखित छवियों को एक रेसनेट-18 नेटवर्क को खिलाया गया था जिसे अफेक्टनेट डेटासेट पर प्रशिक्षित किया गया था।

परिणाम

मॉडल के प्रदर्शन का मूल्यांकन तीन मेट्रिक्स पर किया गया था जो स्वचालित भावना भविष्यवाणी से जुड़े हुए थे: संगतता सहसंबंध गुणांक; पियरसन सहसंबंध गुणांक; और रूट मीन स्क्वायर त्रुटि (आरएमएसई)।

लेखकों का उल्लेख है कि उनके अपने डेटासेट पर मॉडल का प्रदर्शन बेहतर था और उन्होंने निष्कर्ष निकाला कि कार्य वातावरण में चेहरे के भावों को नियंत्रित करने का तरीका इंटरनेट से प्राप्त सामग्री से बहुत अलग है।

‘तालिका देखकर हम देखते हैं कि हमारे डेटासेट पर मॉडल का प्रदर्शन बेहतर था और उन्होंने निष्कर्ष निकाला कि कार्य वातावरण में चेहरे के भावों को नियंत्रित करने का तरीका इंटरनेट से प्राप्त सामग्री से बहुत अलग है।’

† यहाँ लेखक तीन संदर्भ देते हैं:

स्वचालित, आयामी और निरंतर भावना पहचान – https://ibug.doc.ic.ac.uk/media/uploads/documents/GunesPantic_IJSE_2010_camera.pdf
एंबिएंट असिस्टिव लिविंग डोमेन का अन्वेषण: एक व्यवस्थित समीक्षा – https://link.springer.com/article/10.1007/s12652-016-0374-3
एंबिएंट असिस्टिव लिविंग वातावरण के लिए इंटरनेट ऑफ थिंग्स प्रौद्योगिकियों की समीक्षा – https://mdpi-res.com/d_attachment/futureinternet/futureinternet-11-00259/article_deploy/futureinternet-11-00259-v2.pdf

†† यहाँ लेखक दो संदर्भ देते हैं:

एम्बेडेड सिस्टम के लिए गहरे तंत्रिका नेटवर्क के मॉडल संपीड़न का उपयोग करके वास्तविक समय ड्राइवर दुर्बलता पता लगाने – https://openaccess.thecvf.com/content_cvpr_2017_workshops/w4/papers/Reddy_Real-Time_Driver_Drowsiness_CVPR_2017_paper.pdf
चेहरे की विशेषताओं का उपयोग करके वास्तविक समय ड्राइवर दुर्बलता पता लगाने प्रणाली – https://www.semanticscholar.org/paper/Real-Time-Driver-Drowsiness-Detection-System-Using-Deng-Wu/1f4b0094c9e70bf7aa287234e0fdb4c764a5c532