| Form of studies |
Bachelor |
| Title of the study programm |
Computer Systems |
| Title in original language |
Emociju atpazīšanas metožu salīdzinoša analīze mobilajās mācību vidēs |
| Title in English |
Comparative Analysis of Emotion Recognition Methods in Mobile Learning Environments |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Sintija Petroviča |
| Reviewer |
Evija Cibuļska |
| Abstract |
Darbā tika apskatīta emociju nozīme un ietekme uz mācību procesu, apkopotas emociju atpazīšanas metodes, izvērtēta un salīdzināta to atbilstība izmantošanai gan e-mācību vidēs, gan m-apmācības vidēs, un aprakstīti to implementācijas piemēri. Padziļināti veikts emociju atpazīšanas, izmantojot sejas izteiksmju analīzi, novērtējums, apmācot konvolūciju neironu tīklu modeļus.
Tika izmantotas divas konvolūciju neironu tīklu arhitektūras – MobileNetV2 un EfficientNetB3. Salīdzinājuma mērķis bija noteikt, vai, izvēloties arhitektūru, kas ir paredzēta konkrēti implementācijai mobilajā vidē, netiek gūti ievērojami zaudējumi modeļu izvērtējuma precizitātē, apmācībai izmantojot datu kopu, kas atspoguļo mācību procesam atbilstošas emocijas. Darbam tika izvēlēta DAiSEE datu kopa, kas klasificē garlaicības, iesaistīšanās, apjukuma un aizkaitinājuma emocijas skalā no ļoti zems (1) līdz ļoti augstam (4), vai tās neesamību (0). Tika veikta datu kopas analīze, priekšapstrāde. Kopā tika apmācīti četri modeļi – ar katru arhitektūru viens klasifikācijas, viens regresijas.
Rezultātā tika iegūta vienāda precizitāte abām arhitektūrām, salīdzinot attiecīgo modeļu veidus, kur klasifikācijas modeļi sasniedz 46%, bet regresijas sasniedz 79% klasifikācijas precizitāti. Modelis ar visaugstāko precizitāti un mazāko izmēru (regresijas MobileNetV2) tika implementēts Android lietotnē, kura nosaka emociju līmeni ar ierīces kameru uzņemtā attēlā. |
| Keywords |
emocijas, mobilas mācību vides, emociju atpazīšanas metodes, pārraudzītā mašīnmācīšanās, konvolūciju neironu tīkli |
| Keywords in English |
emotions, mobile learning environments, emotion recognition methods, supervised machine learning, convolutional neural networks |
| Language |
lv |
| Year |
2023 |
| Date and time of uploading |
30.05.2023 19:30:54 |
