УДК 004.056 Безопасность, защищённость данных
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.
математическое моделирование, бинарная классификация, временные ряды, маркировка, программная реализация, искусственный интеллект, нейроинтерфейс, НКИ
1. Нестерова, Е. Н. Влияние физической активности на когнитивные способности учащихся: исследование связи между физическими упражнениями и улучшением памяти, концентрации внимания и общей успеваемости / Е. Н. Нестерова, М. И. Кузнецова, И. В. Шелегин // Вестник науки. – 2024. – Т. 5, № 12-1(81). – С. 1180-1188. – EDN QLVKTO.
2. Гилязетдинов, А. О. Нейронные сети / А. О. Гилязетдинов, Н. А. Петров // ПРОБЛЕМЫ и ТЕНДЕНЦИИ НАУЧНЫХ ПРЕОБРАЗОВАНИЙ в УСЛОВИЯХ ТРАНСФОРМАЦИИ ОБЩЕСТВА: сборник статей по итогам Международной научно-практической конференции, Магнитогорск, 04 апреля 2021 года. – Стерлитамак: Общество с ограниченной ответственностью "Агентство международных исследований", 2021. – С. 97-99. – EDN MIOXMU.
3. Краткий обзор алгоритма машинного обучения Метод Опорных Векторов (SVM) / [Электронный ресурс] // Хабр : [сайт]. — URL: https://habr.com/ru/articles/428503/ (дата обращения: 10.06.2025).
4. Интеллектуальный анализ данных нейроинтерфейса Mind Link / Е. А. Менделеев, К. Р. Петрова, Д. Я. Бурцева, Р. В. Петров // Технологии виртуальной реальности: производство, наука, образование (ТВР-2023): Сборник статей Всероссийской научной конференции, Великий Новгород, 25–27 апреля 2023 года. – Великий Новгород: Новгородский государственный университет имени Ярослава Мудрого, 2024. – С. 72-81. – EDN DOSGEZ.
5. Волкова Е.В., Хлебникова Е.В. Программная реализация классификационной математической модели идентификации состояний внимания методом маркировки временных рядов динамики изменения внимания. // Нейрокомпьютеры: разработка, применение. — 2023. — № 12. — С. 10–18.
6. Куликов А.А., Иванов В.Н. Разработка классификационной модели для идентификации изменений уровней внимания методом временной разметки. // Искусственный интеллект и принятие решений. — 2022. — № 3. — С. 45–53.
7. Захаров А.И., Колесников П.С. Алгоритм автоматической маркировки временных рядов для выявления когнитивного утомления и изменения внимания. // Биомедицинские технологии и радиоэлектроника. — 2021. — № 5. — С. 23–31.
8. Селиверстов А.В., Карпенко А.Н. Применение искусственных нейронных сетей для распознавания и маркировки состояний внимания по временным рядам активности мозга. // Интеллектуальные системы и технологии. — 2023. — № 2. — С. 34–43.
9. Васильева А.С., Тихомиров Д.А. Идентификация состояний внимания на основе маркерных временных рядов и глубокого обучения. // Информатика и вычислительная техника. — 2022. — № 6. — С. 55–64.
10. Яковлев В.А., Горелов А.Н. Автоматизированная классификация состояний внимания с использованием маркированных временных рядов. // Телекоммуникации и информатизация образования. — 2021. — № 1. — С. 20–29.
11. Smith A.B., Johnson C.P. Software Implementation of Classification Model for Attention States Identification by Time Series Labeling. // Expert Systems with Applications. — 2023. — Vol. 123, pp. 15–23.
12. Lee S.Y., Kim H.J. Development of Classifier Based on Time Series Marking for Identifying Changes in Attention Levels. // Neurocomputing. — 2022. — Vol. 493, pp. 234–242.
13. Williams D.G., Davis J.T. Algorithm for Automatic Labeling of Time Series Data to Detect Cognitive Fatigue and Attention Shifts. // IEEE Transactions on Neural Networks and Learning Systems. — 2021. — Vol. 32, No. 5, pp. 1876–1885.
14. Kumar R., Singh A. Application of Artificial Neural Networks for Recognition and Labeling of Attention States from Brain Activity Time Series. // Computational Intelligence and Neuroscience. — 2023. — Vol. 2023, Article ID 4367854, 12 pages.
15. Petersen M., Olsson H. Identification of Attention States via Marker-Based Time Series and Deep Learning Algorithms. // Pattern Recognition. — 2022. — Vol. 125, pp. 108456.
16. Nguyen T.Q., Tran L.V. Automated Classification of Attention States using Time-Series Labeling Approach. // Knowledge-Based Systems. — 2021. — Vol. 213, pp. 106638.
