ОЦІНКА ПСИХОЛОГІЧНОГО СТАНУ ЛЮДИНИ З ВИКОРИСТАННЯМ MLP НЕЙРОННИХ МЕРЕЖ
DOI: 10.31673/2412-4338.2023.019000
Анотація
У даній статті наведено огляд побудови MLP нейронної мережі для оцінки психологічного стану людини. Проблема своєчасної оцінки і безпосередньої психологічної допомоги стоїть доволі гостро в наш час, оскільки більшість людей стикають з проблемами, як особистими, так і загальнодержавними або світовими, такими як політична нестабільність чи пандемія. Більшість існуючих систем оцінки стану людини направлені на допомогу з вирішенням проблем, які стосуються фізичного здоров’я. Менша частина призначена для роботи з ментальним станом, проте є більш вузькоспеціалізованими і направлені на роботу з уже відомою проблемою. Було сформовано датасет на основі відповідей людей щодо їх самопочуття. Обрано MLP тип мережі, оскільки такий тип цілком підходить для поставленої задачі класифікації. Розглянуто три типи моделей: базову MLP, MLP з ReLU активацією та Unet-like модель. Показано процес вибору алгоритму оптимізації та функції втрат. В статті показано оцінку ефективності тренування для кожної з моделей. Показано ефективність на тестувальному наборі. Крім того наведено опис дій щодо спроб покращення точності мережі (зміна кількості питань, нормалізація початкових даних). Наведено опис можливих алгоритмів для нормалізації даних.
Загалом, дана стаття розкриває можливий підхід до побудови нейронної мережі, яка може бути корисною не тільки для оцінки власного психологічного стану, а і для спеціалістів, які працюють у сфері психології, оскільки зможуть використовувати подібну мережу для оцінки стану людини або порівняти власну оцінку з оцінкою системи тим самим піднявши точність оцінювання.
Ключові слова: нейронна мережа, MLP, оцінка психологічного стану, тренування моделі, оптимізація нейронної мережі, нормалізація даних.
Список використаної літератури:
1. R. Zhang, L. Wang, S. Cheng et al., MLP-based classification of COVID-19 and skin diseases. Expert Systems With Applications, 2023
2. J. Lv, X. Guo, C. Meng, J. Fei, H. Ren, Y. Zhang, Z. Qin, Y. Hu, T. Yuan, L. Liang. The cross-sectional study of depressive symptoms and associated factors among adolescents by backpropagation neural network. Public Health. 2022. p.52-58.
3. Jieyao Shi. Research on Neural Network-based Cognitive Behavioral Therapy for Chronic Fatigue Syndrome. Procedia Computer Science. 2022, p.68-72
4. Güler, E. Ç., Sankur, B., Kahya, Y. P., Raudys, S. Visual classification of medical data using MLP mapping. Pattern Recognition Letters, 1998, p.275-287.
5. Osipyan H., Edwards B. I., Cheok A. D. Neural Network Structures. Deep Neural Network Applications. Boca Raton, 2022. P. 29–55.
6. Свелеба С., Брігілевич В. Багатошарові нейронні мережі – як детерміновані системи. Обчислювальні проблеми електротехніки. 2021. Т. 1, № 11. С. 26–31.
7. Dunne R. A. Multi-layer perceptron models for classification : thesis. 2003.
8. Analysis of Multi layer Perceptron Network. International journal of computers & technology. 2013. Vol. 7, no. 2. P. 600–606
9. Dropout: A Simple Way to Prevent Neural Networks from Overfitting Journal of Machine Learning Research. 2014. №15. С. 1929–1958.
10. Seyed Hashem Samadi, Barat Ghobadian, Mohsen Nosrati, Mahdi Rezaei. Investigation of factors affecting performance of a downdraft fixed bed gasifier using optimized MLP neural networks approach, Fuel. 2023. Part 1
11. Pei J., Han J., Tong H. Data Mining: Concepts and Techniques. Elsevier Science & Technology, 2022.
12. Zhebka V., Gertsiuk M., Sokolov V., Malinov V., Sablina M. Optimization of Machine Learning Method to Improve the Management Efficiency of Heterogeneous Telecommunication Network / CEUR Workshop Proceedings, 2022, 3288, p. 149–155
13. Zhurakovskyi B., Toliupa S., Druzhynin V., Bondarchuk A., Stepanov M. Calculation of Quality Indicators of the Future Multiservice Network / Lecture Notes in Electrical Engineering, 2022, 831, страницы 197–209.
