თანამშრომლების სტრესის ამოცნობა სახის ანალიზის საშუალებით სამუშაოზე

კონტექსტში კულტურის შეცვლა ირგვლივ Zoom-შეხვედრის ეტიკეტი და გაჩენა მასშტაბის დაღლილობაკემბრიჯის მკვლევარებმა გამოაქვეყნეს კვლევა, რომელიც იყენებს მანქანურ სწავლებას ჩვენი სტრესის დონის დასადგენად სამსახურში ჩვენი სახის გამონათქვამების ვებკამერის AI-ით ჩართული ვებკამერის საშუალებით.

მარცხნივ, მონაცემთა შეგროვების გარემო, მრავალჯერადი მონიტორინგის აღჭურვილობით მოხალისეზე მომზადებული ან მიმაგრებული; მარჯვნივ, აჩვენეთ სახის გამონათქვამები, რომლებიც წარმოიქმნება ტესტის საგნების მიერ დავალების სირთულის სხვადასხვა დონეზე. წყარო: https://arxiv.org/pdf/2111.11862.pdf

კვლევა გამიზნულია აფექტის ანალიზისთვის (ე.ი. ემოციების ამოცნობა) 'Ambient Assistive Living' სისტემებში და, სავარაუდოდ, შექმნილია ვიდეოზე დაფუძნებული AI სახის გამომეტყველების მონიტორინგის ჩარჩოების გასააქტიურებლად ასეთ სისტემებში; მიუხედავად იმისა, რომ ნაშრომი არ აფართოებს ამ ასპექტს, კვლევის ძალისხმევას აზრი არ აქვს სხვა კონტექსტში.

პროექტის სპეციფიკური მიზანია ვისწავლოთ სახის გამომეტყველების ნიმუშები სამუშაო გარემოში – დისტანციური მუშაობის ჩათვლით – ვიდრე „დასვენების“ ან „პასიური“ სიტუაციების, როგორიცაა მოგზაურობა.

სახის ემოციების ამოცნობა სამუშაო ადგილზე

მიუხედავად იმისა, რომ „ატმოსფერული დამხმარე ცხოვრება“ შეიძლება ხანდაზმულთა მოვლის სქემად ჟღერდეს, ეს ასე შორს არის. განზრახ „საბოლოო მომხმარებლებზე“ საუბრისას, ავტორები აცხადებენ*:

'სისტემები შექმნილი ატმოსფერული დამხმარე საცხოვრებელი გარემოსთვის [†] მიზნად ისახავს შეასრულოს როგორც ავტომატური ზემოქმედების ანალიზი, ასევე რეაგირება. ატმოსფერული დამხმარე ცხოვრება ეყრდნობა ინფორმაციული და საკომუნიკაციო ტექნოლოგიების (ICT) გამოყენებას, რათა დაეხმაროს ადამიანს ყოველდღიურ საცხოვრებელ და სამუშაო გარემოში, რათა შეინარჩუნოს ისინი უფრო ჯანმრთელი და აქტიური და დამოუკიდებლად იცხოვრონ ასაკის მატებასთან ერთად. ამრიგად, გარემოს დამხმარე ცხოვრება მიზნად ისახავს ხელი შეუწყოს ჯანდაცვის მუშაკებს, ექთნებს, ექიმებს, ქარხნის მუშაკებს, მძღოლებს, პილოტებს, მასწავლებლებს, ისევე როგორც სხვადასხვა ინდუსტრიებს სენსორული, შეფასების და ინტერვენციის საშუალებით..

„სისტემა გამიზნულია ფიზიკური, ემოციური და გონებრივი დატვირთვის დასადგენად და რეაგირებას და ადაპტაციას საჭიროებისამებრ, მაგალითად, ძილის გამოვლენის სისტემით აღჭურვილ მანქანას შეუძლია მძღოლს აცნობოს, რომ იყოს ყურადღებიანი და შესთავაზოს მცირე შესვენება. ავარიების თავიდან ასაცილებლად [††].'

ის ქაღალდი სახელდება მომხმარებლის სახის ზემოქმედების დასკვნა სამუშაოს მსგავს პარამეტრებშიდა მომდინარეობს კემბრიჯის Affective Intelligence & Robotics Lab-ის სამი მკვლევრისგან.

საკონტროლო პირობები

მას შემდეგ, რაც წინა სამუშაო ამ სფეროში დიდწილად იყო დამოკიდებული ინტერნეტიდან ამოღებული სურათების ad hoc კოლექციებზე, კემბრიჯის მკვლევარებმა ჩაატარეს ადგილობრივი მონაცემთა შეგროვების ექსპერიმენტები 12 კამპუსში მოხალისეებთან, 5 მამაკაცი და 7 ქალი. მოხალისეები ცხრა ქვეყნიდან იყვნენ და იყვნენ 22-41 წლის.

პროექტი მიზნად ისახავდა სამი პოტენციურად სტრესული სამუშაო გარემოს ხელახლა შექმნას: ოფისი; ქარხნის წარმოების ხაზი; და ტელეკონფერენციის ზარი – როგორიცაა Zoom ჯგუფური ჩატი, რომელიც გახდა ა ხშირი თვისება საშინაო დავალება პანდემიის დადგომის შემდეგ.

სუბიექტებს აკვირდებოდნენ სხვადასხვა საშუალებებით, მათ შორის სამი კამერით, ჯაბრას ყელიანი მიკროფონით, Empatica სამაჯური (უკაბელო მრავალსენსორული ტარება, რომელიც გთავაზობთ რეალურ დროში ბიოუკუკავშირს) და Muse 2 თავსაბურავი სენსორი (რომელიც ასევე გთავაზობთ ბიოუკუკავშირს). გარდა ამისა, მოხალისეებს სთხოვეს დაესრულებინა გამოკითხვები და პერიოდულად შეეფასებინათ საკუთარი განწყობა.

თუმცა, ეს არ ნიშნავს იმას, რომ ატმოსფერული დამხმარე საცხოვრებლის მომავალი მოწყობილობები ამ ზომით „გაგაერთიანებთ“ (თუ მხოლოდ ხარჯების მიზეზების გამო); ყველა არაკამერის მონიტორინგის მოწყობილობა და მეთოდი, რომელიც გამოიყენება მონაცემთა შეგროვებაში, მათ შორის წერილობითი თვითშეფასებები, გამიზნულია სახეზე დაფუძნებული ზემოქმედების ამოცნობის სისტემების შესამოწმებლად, რომლებიც ჩართულია კამერის კადრებით.

ზეწოლის გაზრდა: ოფისის სცენარი

სამი სცენარიდან პირველ ორში ("ოფისი" და "ქარხანა") მოხალისეები დაიწყეს მარტივი ტემპით, ზეწოლა თანდათან იზრდებოდა ოთხ ფაზაზე, თითოეულისთვის სხვადასხვა ტიპის დავალება.

ინდუცირებული სტრესის უმაღლეს დონეზე, მოხალისეებს ასევე მოუწიათ გაუძლონ ვიღაცის „თეთრი ქურთუკის ეფექტს“ მხარზე გადახედვისას, პლუს 85 დბ დამატებითი ხმაური, რაც უბრალოდ ხუთი დეციბელი ქვემოთ კანონიერი ლიმიტი საოფისე გარემოსთვის აშშ-ში და ზუსტი მაქსიმალური ლიმიტი, რომელიც განსაზღვრულია შრომის უსაფრთხოებისა და ჯანმრთელობის ეროვნული ინსტიტუტის (NIOSH) მიერ.

ოფისის მსგავსი მონაცემების შეგროვების ფაზაში, სუბიექტებს დაევალათ დაემახსოვრებინათ წინა ასოები, რომლებიც მათ ეკრანზე გაბრწყინდა, სირთულის მზარდი დონეებით (როგორიცაა ორი ასოს თანმიმდევრობის დამახსოვრება, რომელიც მოხდა ორი ეკრანის წინ).

ქარხნის სცენარი

ხელით შრომის გარემოს სიმულაციისთვის, სუბიექტებს სთხოვეს ეთამაშათ თამაში ოპერაცია, რომელიც გამოწვევას უქმნის მომხმარებლის ოსტატობას მოთამაშის მოთხოვნით, ამოიღოს პატარა საგნები დაფიდან ვიწრო, მეტალის ზოლიანი დიაფრაგმებით, გვერდებზე შეხების გარეშე, რაც იწვევს "მარცხის" ზუმერს.

იმ დროისთვის, როცა უმძიმესი ეტაპი დადგა, მოხალისეს დაუპირისპირდნენ 12-ვე ელემენტის ამოღება შეცდომის გარეშე ერთ წუთში. კონტექსტში, ამ ამოცანის მსოფლიო რეკორდი, რომელიც დიდ ბრიტანეთში 2019 წელს დაფიქსირდა, დგას 12.68 წამში.

ტელეკონფერენციის სცენარი

დაბოლოს, საშინაო დავალებების/ტელეკონფერენციის ტესტში, მოხალისეებს სთხოვეს ექსპერიმენტატორმა MS Teams-ის ზარზე, გახსენებულიყვნენ საკუთარი დადებითი და უარყოფითი მოგონებები. ამ სცენარის ყველაზე სტრესული ეტაპისთვის, მოხალისეს მოეთხოვებოდა გაიხსენოს ძალიან ნეგატიური ან სევდიანი მოგონება ახლო წარსულიდან.

სხვადასხვა ამოცანები და სცენარები შესრულდა შემთხვევითი თანმიმდევრობით და შედგენილი იქნა მორგებულ მონაცემთა ბაზაში სახელწოდებით Working-Environment-Context-Aware Dataset (WECARE-DB).

მეთოდი და ტრენინგი

მომხმარებელთა მიერ მათი განწყობის თვითშეფასების შედეგები გამოიყენებოდა, როგორც საფუძვლიანი ჭეშმარიტება და ასახული იყო ვალენტობისა და აგზნების განზომილებების მიხედვით. ექსპერიმენტების გადაღებული ვიდეო ჩატარდა სახის ნიშნის ამოცნობის საშუალებით ქსელის, და გასწორებული სურათები მიეწოდება ა ResNet-18 ქსელი გაწვრთნილი AffectNet მონაცემთა ნაკრები.

450,000 სურათი AffectNet-დან, ყველა შედგენილი/იარლიყით მონიშნული ინტერნეტიდან ემოციებთან დაკავშირებული მოთხოვნების გამოყენებით, ხელით იყო ანოტაცია, ნათქვამია გაზეთში, ვალენტობისა და აღგზნების ზომებით.

შემდეგ, მკვლევარებმა დახვეწეს ქსელი მხოლოდ საკუთარ WECARE მონაცემთა ბაზაზე დაყრდნობით სპექტრალური წარმოდგენის კოდირება გამოიყენებოდა ჩარჩოზე დაფუძნებული პროგნოზების შესაჯამებლად.

შედეგები

მოდელის ეფექტურობა შეფასდა სამი მეტრიკის მიხედვით, რომლებიც ჩვეულებრივ ასოცირდება ავტომატური ზემოქმედების წინასწარმეტყველებასთან: შესაბამისობის კოეფიციენტის კორელაცია; პირსონის კოეფიციენტის კორელაცია; და Root Mean Square Error (RMSE).

ავტორები აღნიშნავენ, რომ WECARE მონაცემთა ბაზაზე დაზუსტებული მოდელი აჯობა ResNet-18-ს და აქედან ასკვნიან, რომ ჩვენი სახის გამონათქვამების მართვა ძალიან განსხვავდება სამუშაო გარემოში, ვიდრე უფრო აბსტრაქტულ კონტექსტში, საიდანაც მიღებული იყო წინა კვლევები. წყარო მასალა ინტერნეტიდან.

ისინი აცხადებენ:

ცხრილის დათვალიერებისას ჩვენ ვხედავთ, რომ WECARE-DB-ზე დაზუსტებულმა მოდელმა აჯობა ResNet-18 მოდელს, რომელიც წინასწარ იყო გაწვრთნილი [AffectNet]-ზე, რაც მიუთითებს იმაზე, რომ სახის ქცევები, რომლებიც ნაჩვენებია სამუშაო მსგავს გარემოში, განსხვავებულია, ვიდრე შიდა. - ველური ინტერნეტის პარამეტრები, რომლებიც გამოიყენება AffectNet DB-ში. ამდენად, აუცილებელია მონაცემთა ნაკრების შეძენა და ტრენინგის მოდელები სამუშაოს მსგავს პირობებში სახის ზემოქმედების ამოცნობისთვის.'

რაც შეეხება სამომავლო სამუშაოს ზემოქმედების ამოცნობას, რომელიც ჩართულია თანამშრომლებზე გაწვრთნილი კამერების ქსელებით და მათი ემოციური მდგომარეობის გამუდმებით პროგნოზირებით, ავტორები ასკვნიან*:

„საბოლოო მიზანია მომზადებული მოდელების დანერგვა და გამოყენება რეალურ დროში და რეალურ სამუშაო გარემოში, რათა უზრუნველყოს ინფორმაცია გადაწყვეტილების მხარდაჭერის სისტემებში, რათა ხელი შეუწყოს ადამიანების ჯანმრთელობას და კეთილდღეობას სამუშაო ასაკში, კონტექსტში. ევროკავშირის სამუშაო ასაკის პროექტი.'

* ჩემი ხაზგასმა.

† აქ ავტორები აკეთებენ სამ ციტატას:

ემოციების ავტომატური, განზომილებიანი და უწყვეტი ამოცნობა – https://ibug.doc.ic.ac.uk/media/uploads/documents/GunesPantic_IJSE_2010_camera.pdf
გარემოს დამხმარე საცხოვრებელი დომენის შესწავლა: სისტემატური მიმოხილვა – https://link.springer.com/article/10.1007/s12652-016-0374-3
ნივთების ინტერნეტის ტექნოლოგიების მიმოხილვა გარემოს დამხმარე საცხოვრებელ გარემოში – https://mdpi-res.com/d_attachment/futureinternet/futureinternet-11-00259/article_deploy/futureinternet-11-00259-v2.pdf

†† აქ ავტორები აკეთებენ ორ ციტატას:

რეალურ დროში მძღოლის ძილიანობის გამოვლენა ჩაშენებული სისტემისთვის ღრმა ნერვული ქსელების მოდელის შეკუმშვის გამოყენებით – https://openaccess.thecvf.com/content_cvpr_2017_workshops/w4/papers/Reddy_Real-Time_Driver_Drowsiness_CVPR_2017_paper.pdf
რეალურ დროში მძღოლის ძილიანობის გამოვლენის სისტემა სახის მახასიათებლების გამოყენებით – https://www.semanticscholar.org/paper/Real-Time-Driver-Drowsiness-Detection-System-Using-Deng-Wu/1f4b0094c9e70bf7aa287234e0fdb4c764a5c532