Gwisgadwy A Dysgu Peiriannau Ar Gyfer Gwella Cymhelliant Rhedwyr O Safbwynt Affeithiol Rhan 2

3.5. Adeiladu'r Modelau Cydnabod

Y nod nawr yw adeiladu'r modelau dosbarthu a ddisgrifir a chymharu eu perfformiad i ddewis y dull gorau o adnabod emosiynau. Mae pum math o algorithmau dysgu peirianyddol wedi'u hystyried: cymdogion K-agosaf (KNN), coedwig ar hap (RF), perceptron aml-haen (MLP), dosbarthwr fector cymorth llinellol (LSVC) a hybu graddiant (GB). Mae rhai o'r algorithmau hyn wedi'u defnyddio'n flaenorol gyda chanlyniadau da wrth gydnabod emosiynau [60,62,67]. Serch hynny, rydym hefyd wedi ystyried y posibilrwydd nad defnyddio algorithm unigryw yw'r opsiwn gorau ar gyfer adeiladu modelau dosbarthu gwahanol. Felly, mae'r algorithm dysgu peiriant gorau ar gyfer pob model penodol hefyd yn cael ei astudio.

Cliciwch ar blinder cronig

【Am ragor o wybodaeth:george.deng@wecistanche.com / WhatsApp:8613632399501】

Cyn cymharu'r gwahanol algorithmau, hyfforddwyd y modelau ymgeisydd trwy gymhwyso gwahanol amnewidiadau nodweddion a chyfluniadau gwahanol o hyperparamedrau i ddod o hyd i'r opsiwn gorau o safbwynt dosbarthu. Mae'r gwerthusiad o ffurfweddiadau wedi'i gynnal gan ddefnyddio'r algorithm chwilio ar hap a ddarparwyd gan Scikit Learn [68] a'r hyfforddiant trwy berfformio traws-ddilysiad 5-plyg Wedi'i Ailadrodd. Mae defnyddio'r dull dilysu hwn yn arbennig o bwysig pan fydd y modelau'n cael eu hadeiladu o setiau data bach, fel yn yr achos hwn, oherwydd ei fod yn osgoi gwneud y prawf gyda samplau cynrychioliadol gwael. Mae'r croes-ddilysu ailadroddus yn lleihau'r gwall gorffitio sy'n deillio o weithio gyda'r setiau data bach hyn ac yn gwella perfformiad y modelau.

Mae Tabl 3 yn dangos y canlyniadau a gafwyd ar gyfer y gwahanol opsiynau dosbarthu (4-Dosbarth a Hapus/Trist/Ymosodol/Ymlacio, yn y drefn honno). Ar gyfer pob un ohonynt, mae'r pum algorithm dysgu peiriant wedi'u cymhwyso i adeiladu'r model cydnabyddiaeth cyfatebol (ail golofn y tabl). Mae'r modelau hyn wedi'u ffurfweddu gyda'r mewnbwn gorau posibl o nodweddion (trydedd golofn y tabl) a hyperparameters. Yna, mae pedwar o'r metrigau dosbarthu a ddefnyddir fel arfer wrth werthuso modelau wedi'u cyfrifo ar gyfer y gwahanol atebion: Cywirdeb, F1, Manwl a Galw i gof (o'r bedwaredd i'r seithfed golofn). Mae gennym ddiddordeb arbennig mewn dadansoddi canlyniadau sgôr F, sy'n cael eu cyfrifo o'r metrigau trachywiredd ac adalw. Mae'r sgôr F yn darparu mesur dibynadwy pan fo'r set ddata a ddefnyddir ar gyfer creu modelau yn anghytbwys, fel yn yr achos hwn. Mae’r set ddata a ddefnyddir yn y gwaith hwn yn cynnwys 25% o samplau positif (yr emosiwn i’w adnabod) a 75% o samplau negyddol (gweddill yr emosiynau), ac felly, gallai’r sgôr cywirdeb roi amcangyfrif rhy optimistaidd o allu’r dosbarthwr ar y dosbarth mwyafrif. Yn olaf, ar ôl dadansoddi'r metrigau dosbarthu, mae'r model dysgu peiriant gorau wedi'i amlygu mewn lliw gwyrdd.

Yn achos y model dosbarthu amlddosbarth ({{{0}}Dosbarth, Opsiwn 1), mae canlyniadau sgôr F1-y pum model a adeiladwyd yn wael iawn. Mae’r model coedwig ar hap ychydig yn wahanol i’r lleill, gyda sgôr F1-o 0.288, ond yn gyffredinol, mae’r canlyniadau’n debyg iawn (mae’n ymddangos bod cydberthynas rhwng y rhain a nifer y dosbarthiadau i’w hadnabod gan y modelau) . Felly, mae gallu adnabod y modelau hyn yn is na'r hyn sy'n ddymunol ar gyfer pennu emosiynau'r defnyddiwr.

Yn achos opsiwn 2, mae'n ymddangos bod defnyddio algorithm dysgu peiriant gwahanol ar gyfer adnabod yr emosiynau sy'n perthyn i bob cwadrant Russell yn opsiwn da; yn fwy penodol, mae'r modelau k-cymdogion agosaf wedi'u dewis ar gyfer cydnabod y cwadrantau Trist ac Ymlaciedig a'r modelau coedwig ar hap ar gyfer y cwadrantau Hapus ac Ymosodol. Mae gan sgôr F1-y modelau a ddewiswyd werth rhwng 0.61 a 0.65. Mae canlyniadau'r ail opsiwn hwn yn gwella'r rhai a gafwyd yn y dull Dosbarth 4-. Er y gall y canlyniadau hyn ymddangos yn isel o ran yr hyn sy'n ddymunol yn y problemau dysgu peiriant, maent yn debyg i'r canlyniadau a gafwyd mewn cynigion adnabod emosiwn eraill yn seiliedig ar ddata ffisiolegol [60,62].

4. DJ-Running: Cais Seiliedig ar Emosiynau ar gyfer Argymell Cerddoriaeth

Nod y prosiect DJ-Running yw cynyddu cymhelliant rhedwyr trwy gerddoriaeth Spotify. Defnyddir y modelau gwisgadwy a dysgu peirianyddol a gyflwynwyd yn yr adrannau blaenorol i bennu emosiynau rhedwyr yn ystod eu sesiynau hyfforddi. Yna caiff yr emosiynau hyn eu dadansoddi i ddewis y caneuon i'w chwarae ar bob eiliad.

Mae Ffigur 4 yn dangos trosolwg lefel uchel o'r cydrannau technolegol sy'n rhan o'r datrysiad terfynol. Fel y dangosir ar ochr chwith y ffigwr, mae offer y rhedwr yn cynnwys cymhwysiad gwisgadwy a symudol sy'n chwarae'r caneuon a argymhellir yn ystod y sesiwn hyfforddi. Mae'r gwisgadwy yn monitro paramedrau ffisiolegol y rhedwr ac yn eu hanfon o bryd i'w gilydd i'r cais trwy gysylltiad Bluetooth. Mae'r cymhwysiad yn prosesu'r data synhwyrydd hyn yn fewnol i ddiddwytho emosiynau'r rhedwr, yn pennu'r caneuon i'w chwarae yn ôl yr emosiynau hynny ac yn cysylltu â gwasanaeth ffrydio Spotify i'w chwarae.

Mae'r cymhwysiad yn cynnwys pedwar modiwl meddalwedd: y gydran gyfathrebu, y gydran prosesu data, y system gwneud penderfyniadau ar sail emosiwn a'r argymhellwr cerddoriaeth sy'n seiliedig ar emosiwn. Mae'r ddwy gydran gyntaf yn gyfrifol am reoli'r cyfathrebu diwifr â'r gwisgadwy, derbyn y data synhwyrydd a hidlo'r data hynny cyn eu storio mewn ystorfa leol. Mae'r hidlo'n seiliedig ar y broses a ddisgrifir yn Ffigur 3 a'i nod yw tynnu'r nodweddion cyfatebol (nodweddion ystadegol a nodweddion cysylltiedig â digwyddiadau) o'r data a dderbyniwyd. Mae'r ddau fodiwl arall yn gyfrifol am adnabod emosiynau'r rhedwr ac am chwarae cerddoriaeth ysgogol yn seiliedig ar yr emosiynau hynny, yn y drefn honno. Disgrifir manylion technegol y ddwy system hyn yn y paragraffau canlynol.

Mae'r system gwneud penderfyniadau sy'n seiliedig ar emosiwn yn integreiddio'r pedwar model dosbarthu deuaidd a ddisgrifir yn Adran 3. Mae'r modelau hyn yn pennu'r emosiwn y mae'n debyg bod y rhedwr yn ei deimlo ar gyfnod amser penodol (pob 30 eiliad) o'r data gwisgadwy. Er enghraifft, mae'r allbwn ((gwir, ffug, ffug, ffug), (0.71, 0.{{10}}3, 0.13 , 0.33))) yn cynrychioli bod y rhedwr yn teimlo'n hapus gyda thebygolrwydd o 0.71. Mae'r tebygolrwydd trist, ymosodol a hamddenol (0.03, 0.13 a 0.33, yn y drefn honno) yn is na'r trothwy dosbarthu, ac felly, mae teimlad y rhedwr yn cael ei ddosbarthu fel nad yw'n drist, nid yn ymosodol ac nid yw'n hamddenol. Mae'r dilyniant o emosiynau a gydnabyddir yn ystod y sesiwn hyfforddi yn caniatáu i'r system ddiffinio hwyliau'r rhedwr a'r newidiadau emosiynol y mae'n eu dioddef yn ystod y cyfnod hwnnw. Yna defnyddir y wybodaeth affeithiol honno i bennu'r emosiwn i'w ysgogi yn y rhedwr trwy'r gerddoriaeth. Er enghraifft, pan fydd y rhedwr dan straen, dylai'r system benderfynu y dylai'r caneuon i'w chwarae fod yn ymlaciol. Yna, unwaith y bydd wedi ymlacio, bydd y system yn awgrymu y dylid ysgogi'r caneuon i gael effaith gadarnhaol ar hwyliau'r rhedwr. Mae'r penderfyniadau hyn sy'n seiliedig ar emosiwn yn cael eu gwneud gan injan sy'n seiliedig ar reolau. Mae'n integreiddio set o reolau a ddiffiniwyd mewn cydweithrediad â rhedwyr fel rhan o'r prosiect DJ-Running. Ceir disgrifiad cyflawn o'r dull a ddefnyddiwyd i bennu'r rheolau hyn yn [46].

Mae'r argymhellydd cerddoriaeth sy'n seiliedig ar emosiwn yn pennu'r caneuon penodol i'w chwarae gan y cymhwysiad symudol o'r emosiwn a awgrymir gan y penderfynwr. Mae'r sawl sy'n argymell yn gofyn am gronfa ddata o ganeuon sydd wedi'u labelu o'r blaen o safbwynt emosiynol. Yn y gwaith hwn, mae'r gronfa ddata hon wedi'i chreu (a'i diweddaru o bryd i'w gilydd) o'r gwasanaethau sydd ar gael yn seilwaith RIADA [47]. Mae RIADA yn cynnig ystorfa o labeli affeithiol sy'n pennu'r emosiwn y mae'n debyg y bydd pob cân Spotify yn ei gynhyrchu yn y gwrandäwr (mae mwy na 50 miliwn o ganeuon wedi'u labelu).

Mae ochr dde Ffigur 4 yn rhoi trosolwg o'r cydrannau RIADA a oedd yn gysylltiedig â chreu labeli. Mae'r labeli hyn hefyd yn seiliedig ar fodel affeithiol Russell ac fe'u penderfynwyd o fetadata caneuon a nodweddion sain. Mae system adalw data cerddoriaeth yn rhyngweithio â llwyfan gwasanaeth-oriented Spotify i gael mynediad at ei gatalog o ganeuon a nodweddion metadata a sain y caneuon hyn. Yna, mae system adnabod emosiwn cerddoriaeth yn pennu'r emosiwn a gynhyrchir gan bob cân yn awtomatig o'i nodweddion sain. Mae'r emosiynau hyn yn cael eu trosi i labeli sy'n cael eu storio yng nghronfa ddata seilwaith RIADA. Mae'r gydnabyddiaeth emosiwn cerddoriaeth yn seiliedig ar dechnegau dysgu peiriant ac mae wedi'i raglennu i gefnogi prosesau anodi ar raddfa fawr, fel y nodwyd yn [47]. Yn olaf, mae'r seilwaith yn cyhoeddi API sy'n caniatáu i gymwysiadau gael mynediad i'w gronfa ddata o ganeuon wedi'u labelu.

Craidd yr argymhellwr cerddoriaeth sy'n seiliedig ar emosiwn yw algorithm cymdogion agosaf sy'n gweithio ar y gronfa ddata leol o labeli i ddod o hyd i'r caneuon ymgeisydd i'w chwarae. Mae'r argymellwr yn creu gofod chwilio o nodweddion sain y caneuon a'r labeli emosiynol sydd yn y gronfa ddata. Mae pob pwynt o'r gofod yn cyfateb â chân goncrit. Pan dderbynnir cais am argymhelliad newydd, mae'r argymhellwr yn trosi'r emosiwn mewnbwn (yr emosiwn i'w gynhyrchu gan y rhedwr) i bwynt chwilio yn y gofod. Cyfrifir y cyfieithiad hwn trwy gymhwyso modelau atchweliad yn seiliedig ar nodweddion sain y caneuon a'r effeithiau y gall rhai o'r nodweddion hyn eu cynhyrchu ar y gwrandawyr o safbwynt emosiynol. Yna, mae'r algorithm cymdogaeth yn cael ei gymhwyso i ddod o hyd i set o ganeuon ymgeisydd (caneuon yn agos at y pwynt chwilio). Yna caiff yr ymgeiswyr hyn eu hidlo i gael gwared ar ganeuon tebyg neu i ddileu caneuon nad ydynt yn cyd-fynd â hoffterau'r rhedwr. Diffinnir y dewisiadau hyn gan ddefnyddiwr y rhaglen yn ystod y broses osod ac maent yn cynnwys y genres cerddoriaeth, arddulliau a degawdau o ddiddordeb.

5. Casgliadau a Gwaith yn y Dyfodol

Yn y papur hwn, mae prototeip o gynnyrch i adnabod emosiynau defnyddwyr symudol mewn amser real wedi'i gyflwyno. Mae'n cynnwys canlyniad cyflawn peirianneg sy'n cyfuno pobl, gwisgadwy, technegau dysgu peiriannau, cyfrifiadura symudol ac atebion sy'n seiliedig ar wasanaethau. Mae'r datrysiad wedi'i gynllunio i gael ei integreiddio'n hawdd i gymwysiadau symudol lle mae cydran affeithiol y defnyddwyr yn chwarae rhan berthnasol. Mae gan y gydnabyddiaeth emosiwn yn seiliedig ar holiaduron hunanasesu rai anfanteision: nid yw defnyddwyr bob amser yn gallu mynegi sut maent yn teimlo, gall fod yn ddiflas i ddefnyddwyr, neu nid yw'n berthnasol ar gyfer rhai mathau o broblemau (er enghraifft, pan fydd defnyddwyr yn barhaus cynnig). Am y rhesymau hyn, mae cydnabyddiaeth amser real yn dod i'r amlwg fel dewis arall diddorol iawn. Yn ogystal, mae'r posibilrwydd o gael mynediad at y data synhwyrydd amrwd yn caniatáu rhaglennu modelau gwybodaeth eraill yn seiliedig ar ddata ffisiolegol neu ddatrysiadau cloddio data sy'n helpu i ddeall ymddygiad affeithiol defnyddwyr.

O safbwynt technegol, mae'r datrysiad yn cynnwys set o fodelau gwisgadwy a set o fodelau adnabod. Mae'r gwisgadwy yn brototeip a ddyluniwyd yn arbennig ar gyfer rhedwyr, gyda chaledwedd syml a chost cynhyrchu isel o'i gymharu â dyfeisiau masnachol. Mae'r modelau adnabod emosiwn yn seiliedig ar algorithmau dysgu peiriant. Mae nodweddion gwahanol wedi'u tynnu o ddata synhwyrydd EDA a'u gwerthuso i bennu eu perthnasedd yn y broses o adnabod emosiwn. Yna, gwerthuswyd dau ddull dosbarthu gwahanol: model dosbarthu amlddosbarth yn erbyn pedwar model dosbarthu deuaidd. Nid yw canlyniadau'r dull cyntaf wedi bod cystal â'r disgwyl ar ôl ystyried gwahanol amnewidiadau o nodweddion a gwahanol gyfluniadau hyperparamedrau. Trodd yr ail ddull yn opsiwn gwell pan gyfunwyd yr algorithmau coedwig ar hap a chymdogion K-agosaf ar gyfer canfod emosiynau.

Mae'r datrysiad arfaethedig wedi'i integreiddio i'r cymhwysiad symudol DJ-Running i brofi ei gymhwysedd i broblem wirioneddol. Yn yr achos hwn, defnyddiwyd emosiynau i reoli hwyliau'r rhedwyr trwy'r gerddoriaeth yn dibynnu ar y gweithgaredd corfforol yr oeddent yn ei berfformio a'r amgylchedd yr oeddent yn hyfforddi ynddo.

Fel gwaith yn y dyfodol, ar y naill law, mae gennym ddiddordeb arbennig mewn defnyddio canlyniadau'r ymchwil hwn i ddod o hyd i ateb sy'n agosach at gynnyrch yn y tymor canolig. Yn gyntaf oll, mae angen mireinio'r caledwedd gwisgadwy i leihau ei faint ac integreiddio synwyryddion newydd sy'n ddefnyddiol i wella'r adnabyddiaeth o emosiynau. Yn ogystal, bydd yn rhaid prosesu data'r synwyryddion hyn i gael nodweddion newydd sy'n caniatáu adeiladu modelau adnabod mwy cywir. Ar y llaw arall, hoffem ailddefnyddio'r canlyniadau ar gyfer meysydd cais eraill, er enghraifft, iechyd, lles neu adloniant. Yn y parthau hyn, mae'n debygol y bydd emosiynau a data o ddyfeisiau clyfar eraill (er enghraifft, wedi'u gosod yn y cartref neu eu gwisgo gan y defnyddiwr) yn cael eu cyfuno i echdynnu gwybodaeth i helpu i greu profiadau newydd sy'n canolbwyntio ar y defnyddiwr.

Cyfraniadau Awdur:Meddalwedd, JGdQ; Ymchwiliad, SB, JRB a P.Á. Mae pob awdur wedi darllen a chytuno i'r fersiwn cyhoeddedig o'r llawysgrif.

Ariannu:Mae’r ymchwil hwn wedi’i gefnogi gan brosiectau PDC2021-121072-C22, TED2021-130374B-C22 a RTI2018-096986-B-C31, a roddwyd gan Weinidog Sbaen y Competitividad, a’r DisCo- Prosiectau T21-20R ac Affective-Lab-T60-20R, a roddwyd gan Lywodraeth Aragoneg.

Datganiad y Bwrdd Adolygu Sefydliadol:Ddim yn berthnasol.

Datganiad Cydsyniad Gwybodus:Ddim yn berthnasol.

Datganiad Argaeledd Data:Ddim yn berthnasol.

Gwrthdaro Buddiannau:Nid yw'r awduron yn datgan unrhyw wrthdaro buddiannau.

Cyfeiriadau

1. Vijayan, V. ; Connolly, YH; Condell, J.; McKelvey, N.; Gardiner, P. Adolygiad o ddyfeisiadau gwisgadwy ac ystyriaethau casglu data ar gyfer iechyd cysylltiedig. Synwyryddion 2021, 21, 5589. [CrossRef] [PubMed]

2. Wang, H. Ymchwil ar Gymhwyso Dyfeisiau Synhwyro Gwisgadwy Di-wifr mewn Cerddoriaeth Ryngweithiol. J. Synwyr 2021, 2021, 7608867. [CrossRef]

3. Olson, J. ; Redkar, S. Arolwg o rwydweithiau synhwyrydd gwisgadwy mewn iechyd ac adloniant. MOJ Appl. Bionics Biomech 2018, 2, 280–287. [CrossRef]

4. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Synwyryddion gwisgadwy ar gyfer monitro proffil ffisiolegol a biocemegol yr athletwr. Digid NPJ. Med. 2019, 2, 72. [CrossRef]

5. Liu, L. ; Zhang, X. Adolygiad â Ffocws ar y Synwyryddion Gwisgadwy Hyblyg ar gyfer Chwaraeon: O Sinemateg i Ffisiolegau. Micropeiriannau 2022, 13, 1356. [CrossRef]

6. Nithya, N.; Nallavan, G. Rôl Nwyddau Gwisgadwy mewn Chwaraeon yn seiliedig ar Adnabyddiaeth Gweithgaredd a pharamedrau biometrig: Arolwg. Yn Nhrafodion Cynhadledd Ryngwladol 2021 ar Ddeallusrwydd Artiffisial a Systemau Clyfar (ICAIS), Coimbatore, India, 25–27 Mawrth 2021; pp. 1700–1705.

7. Mencarini, E.; Rapp, A. ; Tirabeni, L.; Zancanaro, M. Dylunio systemau gwisgadwy ar gyfer chwaraeon: Adolygiad o dueddiadau a chyfleoedd mewn rhyngweithio dynol-cyfrifiadur. IEEE Traws. Hum.-Mach. Syst. 2019, 49, 314–325. [CrossRef]

8. Duarte, MB; da Costa Moraes, AA; Ferreira, EV; da Silva Almeida, GC; Cabral, AdS; de Athayde Costa e Silva, A.; Garcez, DR; da Silva Souza, G.; Callegari, B. Dull Synhwyrydd Anadweithiol Gwisgadwy ar gyfer Asesiadau Addasiad Osgo yn ystod Aflonyddiadau Rhagweladwy mewn Chwaraeon. Synwyryddion 2022, 22, 8272. [CrossRef]

9. McCarthy, PJ Emosiwn cadarnhaol mewn perfformiad chwaraeon: Statws presennol a chyfeiriadau'r dyfodol. Int. Ymarfer Chwaraeon y Parch. Seicoleg. 2011, 4, 50–69. [CrossRef]

10. Lane, AC; Devonport, TJ; Friesen, AP; Beedie, CJ; Fullerton, CL; Stanley, DM Sut ddylwn i reoleiddio fy emosiynau os ydw i am redeg yn gyflymach? Eur. J. Chwaraeon Sci. 2016, 16, 465–472. [CrossRef]

11. Lasarus, RS Sut mae emosiynau'n dylanwadu ar berfformiad mewn chwaraeon cystadleuol. Seicoleg Chwaraeon. 2000, 14, 229–252. [CrossRef]

12. Wagstaff, CR; Tamminen, KA Emosiynau. Straen, Lles a Pherfformiad mewn Chwaraeon; Grŵp Routledge, Taylor a Francis: Llundain, DU, 2021; tt 97–112.

13. Prapavessis, H. Y POMS a pherfformiad chwaraeon: Adolygiad. J. Appl. Seicoleg Chwaraeon. 2000, 12, 34–48. [CrossRef]

14. Saganowski, A.S.; Dutkowiak, A.; Dziadek, A. ; Dzie ˙zyc, M.; Komoszy ´nska, J.; Michalska, W.; Polak, A. ; Ujma, M. ; Kazienko, P. Adnabod emosiwn gan ddefnyddio gwisgadwy: Adolygiad systematig o lenyddiaeth - gwaith ar y gweill. Yn Nhrafodion Cynhadledd Ryngwladol IEEE 2020 ar Weithdai Cyfrifiadura a Chyfathrebu Treiddiol (Gweithdai PerCom), Austin, TX, UDA, 23-27 Mawrth 2020; tt 1–6.

15. Szwoch, W. Adnabod emosiwn gan ddefnyddio signalau ffisiolegol. Yn Nhrafodion yr Amlgyfrwng, Rhyngweithio, Dylunio ac Arloesi, Warsaw, Gwlad Pwyl, 29–30 Mehefin 2015; tt 1–8.

16. Gunes, H. ; Schuller, B. Dadansoddiad effaith categorïaidd a dimensiwn mewn mewnbwn parhaus: Tueddiadau cyfredol a chyfeiriadau'r dyfodol. Delwedd Vis. Cyfrifiadur. 2013, 31, 120–136. [CrossRef]

17. Azhar, M. ; Nelson, T.; Casey, A. Defnydd o dechnoleg gwisgadwy i fesur ymatebion emosiynol ymhlith chwaraewyr tennis. Mewn Trafodion Cynhadledd Ryngwladol EAI ar Dechnoleg, Arloesedd, Entrepreneuriaeth ac Addysg; Springer: Berlin/Heidelberg, yr Almaen, 2017; tt 91–105.

18. Havlucu, H. ; Akgun, B. ; Eskenazi, T.; Coskun, A. ; Ozcan, O. Tuag at Ganfod Parth Chwaraewyr Tenis Elitaidd Trwy Dechnoleg Gwisgadwy. Blaen. Chwaraeon. Act. Byw 2022, 4, 939641. [CrossRef]

19. Bi, T. ; Bianchi-Berthouze, N.; Singh, A. ; Costanza, E. Deall y profiad a rennir gan redwyr a gwylwyr mewn digwyddiadau rhedeg pellter hir. Yn Nhrafodion Cynhadledd CHI 2019 ar Ffactorau Dynol mewn Systemau Cyfrifiadurol, Glasgow, DU, 4–9 Mai 2019; tt 1–13.

20. Dupré, D.; Bland, B. ; Bolster, A. ; Morrison, G.; McKeown, G. Model deinamig o emosiynau athletwyr yn seiliedig ar ddyfeisiadau gwisgadwy. Yn Nhrafodion y Gynhadledd Ryngwladol ar Ffactorau Dynol Cymhwysol ac Ergonomeg; Springer: Berlin/Heidelberg, yr Almaen, 2017, tt. 42–50.

21. Dupré, D.; Andelic, N.; Moore, DS; Morrison, G.; McKeown, GJ Dadansoddiad o newidiadau ffisiolegol sy'n gysylltiedig ag emosiynau yn ystod gweithgaredd zipline. Chwaraeon. Eng. 2020, 23, 1–11. [CrossRef]

22. Rao, P.; Seshadri, DR; Hsu, J. Cymwysiadau Gwisgadwy Presennol a Phosibl mewn Cardioleg Chwaraeon. Curr. Trin. Opsiynau Cardiofasg. Med. 2021, 23, 1–15. [CrossRef]

23. Chen, J. ; Abbott, M. ; Shieh, JS Canfod poen a straen gan ddefnyddio synwyryddion a dyfeisiau gwisgadwy - Adolygiad. Synwyryddion 2021, 21, 1030. [CrossRef]

24. Seshadri, DR; Li, RT; Voos, JE; Rowbottom, JR; Alfes, CM; Zorman, CA; Drummond, CK Synwyryddion gwisgadwy ar gyfer monitro llwyth gwaith mewnol ac allanol yr athletwr. Digid NPJ. Med. 2019, 2, 7608867. [CrossRef]

25. Juslin, PN; Sloboda, J. Llawlyfr cerddoriaeth ac emosiwn: Theori, ymchwil, cymwysiadau; Gwasg Prifysgol Rhydychen: Rhydychen, DU, 2011.

26. Schaefer, AU Emosiynau sy'n deillio o gerddoriaeth - Astudiaethau cyfredol. Blaen. Neurosci. 2017, 11, 600. [CrossRef]

27. Uhlig, S. ; Jaschke, A.; Scherder, E. Effeithiau cerddoriaeth ar reoleiddio emosiwn: Adolygiad systematig o lenyddiaeth. Yn Nhrafodion y 3edd Gynhadledd Ryngwladol ar Gerddoriaeth ac Emosiwn, Jyväskylä, Y Ffindir, 11–15 Mehefin 2013.

28. Huang, J. ; Li, X. Effeithiau a chymwysiadau therapi cerdd ar iechyd seicolegol: Adolygiad. Yn Nhrafodion Cynhadledd Ryngwladol 2021 ar Gelf Gyhoeddus a Datblygiad Dynol (ICPAHD 2021), Kunming, Tsieina, 24-26 Rhagfyr 2021; 984–989.

29. Baird, A. ; Samson, S. Cof am gerddoriaeth yng nghlefyd Alzheimer: bythgofiadwy? Neuropsychol. Parch 2009, 19, 85–101. [CrossRef]

30. Stephenson, R.; Beddoes, Z. ; Otterson, A.S.; Rugen, J. Cymwysiadau Ymarferol ar gyfer Defnyddio Cerddoriaeth i Gynyddu Cymhelliant a Gweithgarwch Corfforol mewn Addysg Gorfforol. Strategaethau 2022, 35, 17–22. [CrossRef]

31. Scherer, KR Pa emosiynau y gall cerddoriaeth eu hysgogi? Beth yw'r mecanweithiau sylfaenol? A sut gallwn ni eu mesur? J. Cerdd Newydd Res. 2004, 33, 239–251. [CrossRef]

32. Juslin, PN Eglurhad o Emosiynau Cerddorol: Datgloi Cyfrinachau'r Effaith Gerddorol; Gwasg Prifysgol Rhydychen: Cary, NC, UDA, 2019.

33. Kim, J.; André, E. Adnabod emosiwn yn seiliedig ar newidiadau ffisiolegol mewn gwrando ar gerddoriaeth. IEEE Traws. Patrwm rhefrol. Mach. deallus. 2008, 30, 2067–2083. [CrossRef] [PubMed]

34. Ayata, D.; Yaslan, Y. ; Kawasaki, ME System argymell cerddoriaeth yn seiliedig ar Emosiwn gan ddefnyddio synwyryddion ffisiolegol gwisgadwy. IEEE Traws. Defnydd. Electron. 2018, 64, 196–203. [CrossRef]

35. Eerola, T. ; Vuoskoski, JK Cymhariaeth o'r modelau arwahanol a dimensiwn o emosiwn mewn cerddoriaeth. Seicoleg. Cerddoriaeth 2011, 39, 18–49. [CrossRef]

36. Karageorghis, CI; Ekkekakis, P.; Aderyn, JM; Bigliassi, M. Cerddoriaeth yn y parth ymarfer corff a chwaraeon: Dulliau cysyniadol a mecanweithiau sylfaenol. Yn The Routledge Companion to Embodied Music Interaction; Routledge: Llundain, DU, 2017; 284–293.

37. Terry, PC; Karageorghis, CI; Curran, ML; Martin, OV; Parsons-Smith, RL Effeithiau cerddoriaeth mewn ymarfer corff a chwaraeon: Adolygiad meta-ddadansoddol. Seicoleg. Tarw. 2020, 146, 91. [CrossRef]

38. Chaturvedi, V. ; Kaur, AB; Varshney, V. ; Garg, A. ; Chhabra, GS; Kumar, M. Cerddoriaeth naws ac adnabod emosiwn dynol yn seiliedig ar signalau ffisiolegol: Adolygiad systematig. Amlgyfrwng. Syst. 2022, 28, 21–44. [CrossRef]

39. Brandt, N.; Razon, S. Effaith cerddoriaeth hunan-ddethol ar ymatebion affeithiol a pherfformiad rhedeg: Cyfarwyddiadau a goblygiadau. Int. J. Ymarfer. Sci. 2019, 12, 310–323.

40. Hutchinson, JC; Jones, L.; Vitti, SN; Moore, A.; Dalton, PC; O'Neil, BJ Dylanwad cerddoriaeth hunan-ddethol ar ddwysedd ymarfer corff a reolir gan effaith a phleser cofiadwy yn ystod rhedeg melin draed. Chwaraeon. Ymarfer. Perfformio. Seicoleg. 2018, 7, 80. [CrossRef]

41. Hutchinson, JC Rhedeg gyda cherddoriaeth. AMAA J. 2017, 30, 13–16.

42. Wijnalda, G. ; Pauws, S.; Vignoli, F.; Stuckenschmidt, H. System gerddoriaeth bersonol ar gyfer cymhelliant mewn perfformiad chwaraeon. Cyfrifiadur treiddiol IEEE. 2005, 4, 26–32. [CrossRef]

43. Elliott, GT; Tomlinson, B. PersonalSoundtrack: Rhestrau chwarae sy'n ymwybodol o'r cyd-destun sy'n addasu i gyflymder y defnyddiwr. Yn Nhrafodion y CHI'06 crynodebau estynedig ar ffactorau dynol mewn systemau cyfrifiadurol, Montréal, Québec, Canada, 22–27 Ebrill 2006; 736–741.

44. De Oliveira, R.; Oliver, N. Curiad Triphlyg: Gwella perfformiad ymarfer corff gyda pherswâd. Yn Nhrafodion y 10fed Gynhadledd Ryngwladol ar Ryngweithiad Dynol-Cyfrifiadurol â Dyfeisiau a Gwasanaethau Symudol, Amsterdam, Yr Iseldiroedd, 2–5 Medi 2008; 255–264.

45. Bauer, C. ; Kratschmar, A. Dylunio cymhwysiad rhedeg a reolir gan gerddoriaeth: Persbectif gwyddor chwaraeon a seicolegol. Mewn Trafodion 33ain Cynhadledd Flynyddol ACM Crynodebau Estynedig ar Ffactorau Dynol mewn Systemau Cyfrifiadura, Seoul, Gweriniaeth Corea, 18–23 Ebrill 2015; pp. 1379–1384.

46. ​​Álvarez, P. ; Zarazaga-Soria, FJ; Baldassarri, S. Argymhellion cerddoriaeth symudol ar gyfer rhedwyr yn seiliedig ar leoliad ac emosiynau: Y system DJ-Running. Mob treiddiol. Cyfrifiadur. 2020, 67, 101242. [CrossRef]

47. Álvarez, P. ; de Quirós, JG; Baldassarri, S. RIADA: Seilwaith sy'n Seiliedig ar Ddysgu Peiriannau ar gyfer Cydnabod Emosiynau Caneuon Spotify. Int. J. Rhyngweithio. Amlgyfrwng. Artif. deallus. 2022, 1–14. [CrossRef]

48. Álvarez, P. ; Guiu, A. ; Beltrán, JR; de Quirós, JG; Baldassarri, S. DJ-Rhedeg: System Seiliedig ar Emosiynau ar gyfer Argymell Caneuon Spotify i Rhedwyr. Yn Nhrafodion yr icSPORTS, Fienna, Awstria, 20–21 Medi 2019; tt 55–63.

49. Álvarez, P. ; Beltrán, JR; Baldassarri, S. Dj-redeg: Gwisgoedd ac emosiynau ar gyfer gwella perfformiad rhedeg. Yn Nhrafodion y Gynhadledd Ryngwladol ar Beirianneg a Dylunio Systemau Dynol: Tueddiadau a Chymwysiadau'r Dyfodol; Springer: Berlin/Heidelberg, yr Almaen, 2018; 847–853.

50. Girardi, D.; Lanubile, F. ; Novielli, N. Canfod emosiwn gan ddefnyddio synwyryddion cost isel anfewnwthiol. Yn Nhrafodion Seithfed Gynhadledd Ryngwladol 2017 ar Gyfrifiadura Affeithiol a Rhyngweithio Deallus (ACII), San Antonio, TX, UDA, 23–26 Hydref 2017; pp. 125–130. [CrossRef]

51. Soleymani, M.; Lichtenauer, J.; Pun, T. ; Pantic, M. Cronfa Ddata Effeithiol Aml-foddol ar gyfer Cydnabod Effeithiau a Thagio Ymhlyg. Effeithio. Cyfrifiadur. IEEE Traws. 2012, 3, 42–55. [CrossRef]

52. Shukla, J. ; Barreda-Ángeles, M.A.; Oliver, J.; Nandi, G. ; Puig, D. Echdynnu a Dethol Nodwedd ar gyfer Cydnabod Emosiwn o Weithgaredd Electrodermal. IEEE Traws. Effeithio. Cyfrifiadur. 2019, 12, 857–869. [CrossRef]

53. Empatica E4 Disgrifiad. 2021. Ar gael ar-lein: https://www.empatica.com/en-eu/research/e4/ (cyrchwyd ar 30 Tachwedd 2019).

54. Synhwyrydd Logger GSR NUL-217. 2017. Ar gael ar-lein: http://neulog.com/gsr/ (cyrchwyd ar 14 Ionawr 2023).

55. Y Pecyn Biosignalsplux. 2023. Ar gael ar-lein: https://www.pluxbiosignals.com (cyrchwyd ar 14 Ionawr 2023).

56. Pecynnau Datblygiad Ysgumer. 2022. Ar gael ar-lein: https://shimmersensing.com/wearable-sensor-products/development-kits/ (cyrchwyd ar 18 Rhagfyr 2022).

57. Hui, TK; Sherratt, RS Cwmpas adnabod emosiwn ar gyfer biosynhwyryddion gwisgadwy cyffredin. Biosynhwyryddion 2018, 8, 30. [CrossRef]

58. Van Dooren, M.; Janssen, JH Chwysu emosiynol ar draws y corff: Cymharu 16 o wahanol leoliadau mesur dargludiad croen. Physiol. Bihav. 2012, 106, 298–304. [CrossRef]

59. Russell, J. Model crwn o effaith. J. Personol. Soc. Seicoleg. 1980, 39, 1161–1178. [CrossRef]

60. Romeo, L.; Cavallo, A. ; Pepa, L. ; Bianchi-Berthouze, N.; Pontil, M. Dysgu Achosion Lluosog ar gyfer Adnabod Emosiynau gan Ddefnyddio Arwyddion Ffisiolegol. IEEE Traws. Effeithio. Cyfrifiadur. 2022, 13, 389–407. [CrossRef]

61. Gjoreski, M. ; Gjoreski, H.; Luštrek, M.; Gams, M. Canfod Straen Yn Barhaus Gan Ddefnyddio Dyfais Arddwrn: Mewn Labordy a Bywyd Go Iawn. Mewn Trafodion Cyd-gynhadledd Ryngwladol ACM 2016 ar Gyfrifiadura Treiddiol a Hollbresennol: Atodol; Cymdeithas Peiriannau Cyfrifiadura, Efrog Newydd, NY, UDA, 12–16 Medi 2016; tt 1185–1193. [CrossRef]

62. Correa, JAM; Abadi, MK; Sebe, N.; Patras, I. AMIGOS: Set Ddata ar gyfer Ymchwil i Effeithiau, Personoliaeth a Hwyliau ar Unigolion a Grwpiau. IEEE Traws. Effeithio. Cyfrifiadur. 2021, 12, 479–493. [CrossRef]

63. Santamaria-Granados, L.; Munoz-Organero, M.; Ramirez-González, G.; Abdulhay, E.; Arunkumar, N. Defnyddio Rhwydwaith Niwralol Convolutional Deep ar gyfer Canfod Emosiynau ar Set Ddata Arwyddion Ffisiolegol (AMIGOS). Mynediad IEEE 2019, 7, 57–67. [CrossRef]

64. Koelstra, A.S.; Muhl, C. ; Soleymani, M.A.; Lee, J.; Yazdani, A.; Ebrahimi, T.; Pun, T. ; Nijholt, A. ; Patras, I. DEAP: Cronfa Ddata ar gyfer Dadansoddi Emosiynau gan Ddefnyddio Arwyddion Ffisiolegol. IEEE Traws. Effeithio. Cyfrifiadur. 2012, 3, 18–31. [CrossRef]

65. Navarro, D. ; Garro, V. ; Sundstedt, V. Gwerthusiad o Weithgaredd Electrodermal o Brofiad Chwaraewr mewn Gemau Rhithwirionedd: Dadansoddiad Cydran Cyfnodol. Yn Nhrafodion yr 17eg Gynhadledd Ryngwladol ar y Cyd ar Weledigaeth Gyfrifiadurol, Delweddu a Theori a Chymwysiadau Graffeg Gyfrifiadurol (VISIGRAPP 2022), Ar-lein, 6–8 Chwefror 2022; tt 108–116. [CrossRef]

66. sci-kit-learn: Machine Learning in Python. Ar gael ar-lein: https://scikit-learn.org/stable/ (cyrchwyd ar 14 Tachwedd 2022).

67. Jang, EH; Parc, BJ; Parc, MS; Kim, SH; Sohn, JH Dadansoddiad o arwyddion ffisiolegol ar gyfer cydnabod diflastod, poen ac emosiynau syndod. J. Phys. Anthropol. 2015, 34, 25. [CrossRef] [PubMed]

68. Bergstra, J. ; Bengio, Y. Chwilio ar Hap am Optimeiddio Hyper-paramedr. J. Mach. Dysgwch. Res. 2012, 13, 281–305.

Ymwadiad/Nodyn y Cyhoeddwr:Datganiadau, barn a data sydd ym mhob cyhoeddiad yn unig yw datganiadau, barn a data’r awdur(on) a’r cyfrannwr(wyr) unigol ac nid MDPI a/neu’r golygydd(ion). Mae MDPI a/neu’r golygydd(wyr) yn gwadu cyfrifoldeb am unrhyw anaf i bobl neu eiddo o ganlyniad i unrhyw syniadau, dulliau, cyfarwyddiadau neu gynhyrchion y cyfeirir atynt yn y cynnwys.

【Am ragor o wybodaeth:george.deng@wecistanche.com / WhatsApp:8613632399501】