ivdon3@bk.ru
Данная статья посвящена разработке метода диагностики депрессии с использованием анализа поведения пользователя в видеоигре на платформе Unity. Метод предполагает использование машинного обучения для обучения моделей классификации на основе данных об игровых сессиях пользователей с подтвержденным диагнозом депрессии. В рамках исследования пользователи привлекаются к прохождению видеоигры, в которой их внутриигровое поведение анализируется с использованием определенных критериев депрессии, взятых из диагностического руководства DSM-5. Затем эти данные используются для обучения и оценки моделей машинного обучения, способных классифицировать пользователей на основе их поведения в игре. Использование видеоигр в качестве инструмента диагностики позволяет создать более доступный и привлекательный подход к выявлению психических расстройств, что может повысить уровень осведомленности и помочь в борьбе с депрессией в обществе.
Ключевые слова: видеоигра, unity, психиатрическая диагностика, депрессия, машинное обучение, классификация, анализ поведения, внутриигровое поведение, диагностика, виртуальное пространство
Данная статья посвящена разработке метода обнаружения дефектов на поверхности изделия на основе методов выявления аномалий с использованием экстрактора признаков, основанного на сверточной нейронной сети. Метод предполагает использование машинного обучения для обучения моделей классификации на основе полученных признаков со слоя предварительно обученной нейросети U-Net. В рамках исследования происходит обучение автоэнкодера на основе модели U-Net на данных, не содержащих изображений дефектов. Полученные из нейросети признаки классифицируются с помощью классических алгоритмов выявления аномалий в данных. Данный метод позволяет локализовать области аномалий в тестовой выборке данных, когда для обучения доступны только образцы без аномалий. Предлагаемый метод не только предоставляет возможность обнаружения аномалий, но и обладает высоким потенциалом для автоматизации процессов контроля качества в различных отраслях промышленности, включая производство, медицину и информационную безопасность. Благодаря преимуществам моделей машинного обучения без учителя, таких как устойчивость к неизвестным формам аномалий, данный метод может значительно улучшить эффективность контроля качества и диагностику, что в свою очередь сократит расходы и повысит производительность. Предполагается, что дальнейшие исследования в этой области приведут к еще более точным и надежным методам выявления аномалий, что будет способствовать развитию индустрии и науки.
Ключевые слова: U-Net, нейросеть, классификация, аномалия, дефект, классификация новых признаков, автоэнкодер, машинное обучение, изображение, качество изделия, производительность