В статье рассматривается программная реализация классификационной математической модели для идентификации состояний внимания человека. Основное внимание уделяется методу маркировки динамики изменения внимания как временного ряда, который позволять проводить анализ внимания в реальном времени при помощи стороннего программного обеспечения. Цель исследования заключается в разработке классификационной модели искусственного интеллекта для автоматического определения различных состояний внимания на основе математического моделирования временных рядов. Методология основана на применении классических методов машинного обучения и статистического анализа временных рядов. В работе представлен алгоритм классификации, методы предварительной обработки данных и подходы к маркировке временных интервалов. В статье авторами подробно рассматривается разработанное программное обеспечение, его функциональные возможности и принцип работы для считывания и систематизации базы данных. В конце статьи авторами обсуждаются полученные в ходе эксперимента результаты, анализируются уровень ошибки классификационной модели, сравнение полученных результатов с результатами прошлого опыта. Результаты исследования демонстрируют возможность создания точных и надежных систем мониторинга внимания, что открывает новые перспективы в области когнитивных исследований и практической психологии.
The article discusses the software implementation of a mathematical classification model for identifying human attention states. The main focus is on the method of labeling the dynamics of attention changes as a time series, which allows for real-time analysis of attention using third-party software. The purpose of the study is to develop an artificial intelligence classification model for automatically determining various states of attention based on mathematical modeling of time series. The methodology is based on the application of classical machine learning methods and statistical time series analysis. The paper presents a classification algorithm, data preprocessing methods, and approaches to labeling time intervals. In the article, the authors consider in detail the developed software, its functionality and the principle of operation for reading and systematizing the database. At the end of the article, the authors discuss the experimental results, analyze the error level of the classification model, and compare the results with the results of past experience. The results of the study demonstrate the possibility of creating accurate and reliable attention monitoring systems, which opens up new perspectives in the field of cognitive research and practical psychology.