📄Работа №197450
Тема: РАЗРАБОТКА СИСТЕМЫ РАСПОЗНАВАНИЯ ПСИХОЛОГИЧЕСКОГО ПОДТИПА ЧЕЛОВЕКА ПО КЛАССИФИКАЦИИ К.Г. ЮНГА НА ОСНОВЕ АНАЛИЗА ВИДЕОФРАГМЕНТА С ЗАПИСЬЮ ДВИЖЕНИЙ ЧЕЛОВЕКА С ПОМОЩЬЮ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информатика и вычислительная техника
Объем:
58 листов
Год:
2018
Просмотров:
48
4580
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 5
1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 9
1.1. Анализ аналогичных проектов 9
1.2. Анализ существующих решений для реализации проекта 13
1.2.1. Методы выделения движущихся объектов 13
1.2.2. Скелетизация и ее применение 14
1.2.3. Применение нейронных сетей 15
Выводы по главе 1 17
2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 18
2.1. Предобработка исходных данных 18
2.2. Принципы работы нейронных сетей 21
2.2.1. Сверточные нейронные сети 21
2.2.2. LSTM-RNN 23
Выводы по главе 2 25
3. ПРОЕКТИРОВАНИЕ 26
3.1. Топология нейронной сети 26
3.2. Функциональные и нефункциональные требования к системе 27
3.3. Варианты использования системы 28
3.4. Общее описание архитектуры системы 29
3.5. Описание компонентов, входящих в систему 31
3.6. Реализация архитектуры системы 32
Выводы по главе 3 33
4. РЕАЛИЗАЦИЯ 34
4.1. Модуль предобработки 34
4.2. Реализация нейронной сети 36
4.3. Главный модуль системы 37
Выводы по главе 4 37
5. ТЕСТИРОВАНИЕ 38
5.1. Результаты тестирования 38
5.2. Анализ ошибочно классифицированных объектов 39
Выводы по главе 5 40
ЗАКЛЮЧЕНИЕ 41
СПИСОК ЛИТЕРАТУРЫ 43
ПРИЛОЖЕНИЯ 46
Приложение 1 46
Приложение 2 48
Приложение 3 49
Приложение 4 50
Приложение 5 51
Приложение 6 52
1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 9
1.1. Анализ аналогичных проектов 9
1.2. Анализ существующих решений для реализации проекта 13
1.2.1. Методы выделения движущихся объектов 13
1.2.2. Скелетизация и ее применение 14
1.2.3. Применение нейронных сетей 15
Выводы по главе 1 17
2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 18
2.1. Предобработка исходных данных 18
2.2. Принципы работы нейронных сетей 21
2.2.1. Сверточные нейронные сети 21
2.2.2. LSTM-RNN 23
Выводы по главе 2 25
3. ПРОЕКТИРОВАНИЕ 26
3.1. Топология нейронной сети 26
3.2. Функциональные и нефункциональные требования к системе 27
3.3. Варианты использования системы 28
3.4. Общее описание архитектуры системы 29
3.5. Описание компонентов, входящих в систему 31
3.6. Реализация архитектуры системы 32
Выводы по главе 3 33
4. РЕАЛИЗАЦИЯ 34
4.1. Модуль предобработки 34
4.2. Реализация нейронной сети 36
4.3. Главный модуль системы 37
Выводы по главе 4 37
5. ТЕСТИРОВАНИЕ 38
5.1. Результаты тестирования 38
5.2. Анализ ошибочно классифицированных объектов 39
Выводы по главе 5 40
ЗАКЛЮЧЕНИЕ 41
СПИСОК ЛИТЕРАТУРЫ 43
ПРИЛОЖЕНИЯ 46
Приложение 1 46
Приложение 2 48
Приложение 3 49
Приложение 4 50
Приложение 5 51
Приложение 6 52
📖 Аннотация
В данной работе представлена разработка системы автоматического распознавания психологического подтипа человека согласно типологии К.Г. Юнга на основе анализа видеозаписи его движений с применением технологий глубокого обучения. Актуальность исследования обусловлена необходимостью создания объективных и неинвазивных инструментов для психодиагностики, способных дополнить или частично автоматизировать традиционные методы, такие как тестирование и экспертная оценка. В результате проведенного исследования была успешно реализована и протестирована программная система, ключевыми компонентами которой являются алгоритм предобработки видео (включающий вычитание фона, морфологические преобразования и скелетизацию для выделения контура фигуры) и гибридная нейросетевая архитектура CNN-LSTM, предназначенная для анализа пространственно-временных особенностей движений. Научная значимость работы заключается в адаптации современных методов компьютерного зрения и глубокого обучения для решения задачи психологической классификации, а практическая ценность — в потенциальном использовании системы в сферах психологического консультирования, HR-аналитики и разработки персонализированных человеко-машинных интерфейсов. Теоретической основой послужили исследования в области скелетизации (Abeysinghe S.S. et al.), алгоритмов выделения фона (Barnich O., Droogenbroeck V.M.) и применения сверточных и рекуррентных нейронных сетей для анализа последовательностей данных.
📖 Введение
Основные определения
Искусственная нейронная сеть (ИНС) - математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей нервных клеток живого организма.
Скелетизация - нахождение скелета изображения.
Скелет изображения - утоньшение (эрозия) изображения до толщины в один пиксель.
Машинное обучение - класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решению множества сходных задач.
Глубокое обучение - часть методов машинного обучения, которые моделируют высокоуровневые абстракции в наборах данных, используя архитектуры, состоящие из множества нелинейных преобразований.
Обучающая выборка - выборка, по которой производится настройка нейронной сети.
Контрольная (тестовая) выборка - выборка, по которой оценивается качество построенной сети.
Актуальность темы исследования
Согласно теории К.Г. Юнга [36], всех людей можно разделить на восемь групп в зависимости от их психологической установки и основной психологической функции, которые в совокупности определяют психологический тип индивида. Такая типология может служить как методом упорядочивания многообразного психологического опыта, так и инструментом психолога-практика для подбора специфического подхода к каждому пациенту.
На данный момент распознавание психотипа сводится или к прохождению специального тестирования, или к оценке личности испытуемого профессиональным психологом. Первый способ признан довольно неточным [29], второй же подразумевает проведение персональной диагностики, которая может включать интервью, стороннее наблюдение, изучение личности по доступным источникам и т.д. Эти методы имеют ряд таких недостатков, как сложность отделения неизменного в психике от приобретенного поведения, субъективность специалиста-типировщика, а также намеренное или бессознательное желание пациента подстроиться под определенный тип [32]. Данная задача требует более качественного и объективного решения: это позволило бы расширить применение типологии Юнга до таких областей, как планирование карьеры [27], отбор кадров и управление персоналом [28] (прогнозирование поведения человека в коллективе, расстановка по должностям), специально ориентированная реклама, составление специфических методик обучения [22].
Задачу распознавания психотипа можно отнести к задаче классификации, которая на сегодняшний день является важной областью применения нейронных сетей. Ввиду свойств нейросетевых технологий, в частности, способности к извлечению свойств высокого уровня абстракции из входных данных, спектр решаемых ими задач охватывает сферы от определения рукописных символов [12] до распознавания человека по походке [17], где они показывают значительные результаты.
Таким образом, разработка нейронной сети позволит объединить опыт множества психологов с помощью обучения на ярких, бесспорных представителях типа и осуществить точное и беспристрастное типирование. С помощью результатов типирования можно, например, удержать человека от работы в неподходящей для него опасной профессии, дав соответствующую рекомендацию.
Цель и задачи исследования
Целью данной работы является разработка системы распознавания психологического подтипа человека (экстравертная сенсорика, интровертная сенсорика или интуиция) по видеофрагменту с записью его движений согласно эмпирической типологии К.Г. Юнга с помощью нейросетевых технологий. Для выполнения этой задачи необходимо решить следующие подзадачи:
1) провести анализ программных аналогов и научной литературы в предметной области;
2) реализовать алгоритм предобработки исходных файлов, т.е. преобразования исходного видеофрагмента к последовательности изображений для подачи на нейронную сеть;
3) подготовить обучающую и контрольную выборки;
4) реализовать, обучить и протестировать нейронную сеть;
5) разработать и протестировать приложение для определения психологического подтипа человека по классификации К.Г. Юнга.
Структура и объем работы
Работа состоит из введения, шести глав, заключения, библиографии и приложений. Объем основной части работы составляет 46 страниц, объем списка литературы - 36 источников.
Содержание работы
Первая глава «Анализ предметной области» описывает предметную область, в рамках которой выполняется данная работа, и включает в себя обзор аналогов разрабатываемой системы и существующих решений поставленной задачи.
Вторая глава «Теоретическая часть» содержит подробное описание алгоритмов, примененных для решения поставленной задачи.
Третья глава «Требования к системе» описывает функциональные и нефункциональные требования к системе, приводит диаграмму вариантов использования системы и ее спецификацию.
Четвертая глава «Проектирование» содержит общее описание архитектуры системы, описание этой системы компонентов и реализацию архитектуры.
В пятой главе «Реализация системы» приводится техническая реализация системы на основе поставленного списка требований, а также описывается подобранная топология нейронной сети.
В шестой главе «Тестирование» приведены протоколы тестирования.
В заключении представлены основные результаты выполненной работы, а также полученные навыки и возможности по улучшению системы.
Приложения содержат дополнительные материалы работы: листинги реализованных модулей системы, а также спецификации вариантов использования системы.
Искусственная нейронная сеть (ИНС) - математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей нервных клеток живого организма.
Скелетизация - нахождение скелета изображения.
Скелет изображения - утоньшение (эрозия) изображения до толщины в один пиксель.
Машинное обучение - класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решению множества сходных задач.
Глубокое обучение - часть методов машинного обучения, которые моделируют высокоуровневые абстракции в наборах данных, используя архитектуры, состоящие из множества нелинейных преобразований.
Обучающая выборка - выборка, по которой производится настройка нейронной сети.
Контрольная (тестовая) выборка - выборка, по которой оценивается качество построенной сети.
Актуальность темы исследования
Согласно теории К.Г. Юнга [36], всех людей можно разделить на восемь групп в зависимости от их психологической установки и основной психологической функции, которые в совокупности определяют психологический тип индивида. Такая типология может служить как методом упорядочивания многообразного психологического опыта, так и инструментом психолога-практика для подбора специфического подхода к каждому пациенту.
На данный момент распознавание психотипа сводится или к прохождению специального тестирования, или к оценке личности испытуемого профессиональным психологом. Первый способ признан довольно неточным [29], второй же подразумевает проведение персональной диагностики, которая может включать интервью, стороннее наблюдение, изучение личности по доступным источникам и т.д. Эти методы имеют ряд таких недостатков, как сложность отделения неизменного в психике от приобретенного поведения, субъективность специалиста-типировщика, а также намеренное или бессознательное желание пациента подстроиться под определенный тип [32]. Данная задача требует более качественного и объективного решения: это позволило бы расширить применение типологии Юнга до таких областей, как планирование карьеры [27], отбор кадров и управление персоналом [28] (прогнозирование поведения человека в коллективе, расстановка по должностям), специально ориентированная реклама, составление специфических методик обучения [22].
Задачу распознавания психотипа можно отнести к задаче классификации, которая на сегодняшний день является важной областью применения нейронных сетей. Ввиду свойств нейросетевых технологий, в частности, способности к извлечению свойств высокого уровня абстракции из входных данных, спектр решаемых ими задач охватывает сферы от определения рукописных символов [12] до распознавания человека по походке [17], где они показывают значительные результаты.
Таким образом, разработка нейронной сети позволит объединить опыт множества психологов с помощью обучения на ярких, бесспорных представителях типа и осуществить точное и беспристрастное типирование. С помощью результатов типирования можно, например, удержать человека от работы в неподходящей для него опасной профессии, дав соответствующую рекомендацию.
Цель и задачи исследования
Целью данной работы является разработка системы распознавания психологического подтипа человека (экстравертная сенсорика, интровертная сенсорика или интуиция) по видеофрагменту с записью его движений согласно эмпирической типологии К.Г. Юнга с помощью нейросетевых технологий. Для выполнения этой задачи необходимо решить следующие подзадачи:
1) провести анализ программных аналогов и научной литературы в предметной области;
2) реализовать алгоритм предобработки исходных файлов, т.е. преобразования исходного видеофрагмента к последовательности изображений для подачи на нейронную сеть;
3) подготовить обучающую и контрольную выборки;
4) реализовать, обучить и протестировать нейронную сеть;
5) разработать и протестировать приложение для определения психологического подтипа человека по классификации К.Г. Юнга.
Структура и объем работы
Работа состоит из введения, шести глав, заключения, библиографии и приложений. Объем основной части работы составляет 46 страниц, объем списка литературы - 36 источников.
Содержание работы
Первая глава «Анализ предметной области» описывает предметную область, в рамках которой выполняется данная работа, и включает в себя обзор аналогов разрабатываемой системы и существующих решений поставленной задачи.
Вторая глава «Теоретическая часть» содержит подробное описание алгоритмов, примененных для решения поставленной задачи.
Третья глава «Требования к системе» описывает функциональные и нефункциональные требования к системе, приводит диаграмму вариантов использования системы и ее спецификацию.
Четвертая глава «Проектирование» содержит общее описание архитектуры системы, описание этой системы компонентов и реализацию архитектуры.
В пятой главе «Реализация системы» приводится техническая реализация системы на основе поставленного списка требований, а также описывается подобранная топология нейронной сети.
В шестой главе «Тестирование» приведены протоколы тестирования.
В заключении представлены основные результаты выполненной работы, а также полученные навыки и возможности по улучшению системы.
Приложения содержат дополнительные материалы работы: листинги реализованных модулей системы, а также спецификации вариантов использования системы.
✅ Заключение
Была разработана система распознавания психотипа по видеофрагменту с записью движений человека. Были проанализированы существующие методы распознавания психотипа, а также проекты, технически близкие к данному. Было принято решение проводить распознавание на скеле- тизованных данных, предварительно обработанных алгоритмами вычитания фона и морфологических преобразований, а также использовать CNN- LSTM архитектуру нейронной сети.
На основе требований к системе были выделены основные классы и компоненты системы, установлены связи между ними. Была подробно рассмотрена реализация отдельных прецедентов.
В ходе разработки системы были получены следующие результаты:
1) проведен анализ программных аналогов и научной литературы в предметной области;
2) разработан и реализован алгоритм предобработки данных;
3) сформированы обучающая и тестовая выборки;
4) реализована, обучена и просетирована модель нейронной сети для распознавания психотипа;
5) реализована и протестирована система распознавания психотипа.
Также были получены навыки программирования на языке Python, разработки нейронных сетей с помощью фреймворка Keras, работы с библиотекой алгоритмов компьютерного зрения OpenCV.
В рамках работы была опубликована статья на международной конференции: Golodov V., Zavei-Boroda A., Ivanov S., Nikolskaya K. Development of a Deep Learning Neural Network for Human Movements Analysis. // 2017 Second Russia and Pacific Conference on Computer Technology and Applications (RPC), Vladivostok, 2017 - Vol. 12. - P. 72-74.
В будущем планируется провести работу по повышению точности распознавания. Для этого необходимо существенно расширить обучающую выборку и, возможно, скорректировать топологию нейронной сети.
На данных момент система распознает только три психологических типа. Возможно увеличить практическую пользу системы путем добавления возможности распознавания и других типов.
Также дальнейшем возможен полный перенос системы на язык программирования высокого уровня, что позволит увеличить быстродействие и адаптировать приложение для других платформ.
На основе требований к системе были выделены основные классы и компоненты системы, установлены связи между ними. Была подробно рассмотрена реализация отдельных прецедентов.
В ходе разработки системы были получены следующие результаты:
1) проведен анализ программных аналогов и научной литературы в предметной области;
2) разработан и реализован алгоритм предобработки данных;
3) сформированы обучающая и тестовая выборки;
4) реализована, обучена и просетирована модель нейронной сети для распознавания психотипа;
5) реализована и протестирована система распознавания психотипа.
Также были получены навыки программирования на языке Python, разработки нейронных сетей с помощью фреймворка Keras, работы с библиотекой алгоритмов компьютерного зрения OpenCV.
В рамках работы была опубликована статья на международной конференции: Golodov V., Zavei-Boroda A., Ivanov S., Nikolskaya K. Development of a Deep Learning Neural Network for Human Movements Analysis. // 2017 Second Russia and Pacific Conference on Computer Technology and Applications (RPC), Vladivostok, 2017 - Vol. 12. - P. 72-74.
В будущем планируется провести работу по повышению точности распознавания. Для этого необходимо существенно расширить обучающую выборку и, возможно, скорректировать топологию нейронной сети.
На данных момент система распознает только три психологических типа. Возможно увеличить практическую пользу системы путем добавления возможности распознавания и других типов.
Также дальнейшем возможен полный перенос системы на язык программирования высокого уровня, что позволит увеличить быстродействие и адаптировать приложение для других платформ.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.