AffectiveCNN ni mtiririko wa kazi wa MATLAB kutoka mwanzo hadi mwisho kwa ajili ya kutengeneza mitandao ya neva ya convolution ya mwelekeo mmoja iliyo na ukubwa mdogo, inayochakata ishara za mguso na mwendo za njia nyingi kutoka kwenye kifaa chenye kihisi kupitia Bluetooth na kuainisha miondoko ya mguso wa kihisia. Sistem; data toplama, dosyaların düzenlenmesi ve takma adlandırılması, ishara udhibiti wa ubora, insan tepki gecikmesinin etkileşimli olarak kesilmesi, pencereleme ve data artırma, MATLAB Experiment Manager ile CNN mimarisi taraması ve canlı Bluetooth verisi juu ya wa wakati halisi uainishaji olmak üzere yedi ardışık aşamadan oluşur. İlişkili çalışmada 25 katılımcıdan elde edilen 18 sınıflı mguso verisi kullanılmış; 468 usanifu/hiperparametre denemesi sonucunda 13.200 parametreli 14d1_39d2_41d4 topolojisinin boyut ve doğruluk kati ya uygun moja denge sağladığı ve ortalama leave-one-subject-out çapraz uthibitishaji doğruluğunun %85 kwamba ni bildirilmiştir. Bununla birlikte hii performans belirli data kümesi, sensörlü kifaa, katılımcı grubu ve deney protokolüne aittir; bütün insanlarda au farklı dokunsal sistemlerde aynı doğruluk garanti edilmemektedir.

Kipengele cha kipekee cha utafiti huu kwa mtazamo wa MATLAB si kufundisha tu muundo mmoja wa CNN. MATLAB, ham kihisi verilerinin hazırlanmasından usanifu aramasına, jaribio değerlendirmesine ve wa wakati halisi tahmin olasılıklarının görselleştirilmesine kadar bütün araştırma zincirinin katika kiini cha kullanılmıştır. Böylece aynı yazılım ortamında ishara işleme, ujifunzaji wa kina, deney yönetimi ve canlı kihisi gözlemi birleştirilmektedir.

Tatizo kuu la utafiti ni lipi?

İnsan dokunuşu yalnız fiziksel temas si; okşama, hafifçe vurma, sıkma, çekme au tutma kama hareketler farklı wa kihisia ve sosyal anlamlar taşıyabilir. Sosyal yardımcı robotların hii temasları anlamlandırabilmesi için ham kihisi sinyallerinden mguso türünü güvenilir biçimde ayırt etmesi gerekir.

AffectiveCNN’in geliştirilmesine yol açan önceki sistem, kihisi genliği, temas süresi ve frekans alanı özelliklerine dayanan elle belirlenmiş eşiklerden oluşan sezgisel moja algoritmaydı. Kaynakta hii yaklaşımın aktif temas ile hareketsizliği kaba biçimde ayırabildiği, hata hivyo benzer mwendo örüntülerine sahip zaidi ince mguso hareketlerini güvenilir biçimde ayırt edemediği inaelezwa.

Bunun üzerine geliştirilen yaklaşım, insan tarafından tanımlanan sabit kurallar yerine zaman serilerindeki ayırt edici örüntüleri doğrudan öğrenebilen kompakt moja boyutlu convolution sinir ağlarına, yani 1D CNN modellerine dayanmaktadır.

Kwa nini MATLAB ilitumika?

Yazar MATLAB seçimini iki temel nedenle açıklamaktadır. Birincisi, MATLAB’ın etkileşimli betik tabanlı utafiti ortamının kihisi arayüzü geliştirme, ishara inceleme ve deneysel data işleme kama yinelemeli araştırma süreçlerine uygun olmasıdır. İkincisi ikiwa eğitilen ağların gelecekte MATLAB Coder aracılığıyla C/C++ chanzo koduna dönüştürülebilmesi ve böylece gömülü donanıma aktarım için moja yol sunmasıdır.

Veri toplamanın ilk aşaması MATLAB nje ya Processing/Java ile gerçekleştirilirken, geri kalan altı aşama MATLAB betikleri au MATLAB Experiment Manager Live Script'leri olarak uygulanmıştır.

Mtiririko wa kazi wa AffectiveCNN wenye hatua saba hufanyaje kazi?

Çalışmanın Şekil 1’inde yazılım mimarisi yedi ardışık modül olarak gösterilmektedir. Ara aşamalar .csv au .mat dosyalarını diske kaydettiği için işlem zinciri gerektiğinde herhangi moja ara basamaktan yeniden başlatılabilir. Böylece üst aşamaların her deneyde yeniden çalıştırılması gerekmez.

Ni data gani hukusanywa kupitia Bluetooth?

Veri toplama modülü sensörlü cihazdan her satırda 14 tamsayı içeren çerçeveler almaktadır. İlk değer bütün algılama elektrotlarının kümülatif kapasitif sinyalidir. İkinci ile onuncu kanallar dokuz ayrı kapasitif sensöre aittir. On birinci, on ikinci ve on üçüncü kanallar sırasıyla X, Y ve Z ivmeölçer bileşenleridir. On dördüncü değer ikiwa moja önceki data çerçevesinden hii yana geçen süreyi milisaniye cinsinden taşır.

Sayfa 4’teki Gesture Recorder görüntüsü, hii kanalların wa wakati halisi çizgiler hâlinde izlendiği arayüzü göstermektedir. Yazılım 20 saniyelik kayan moja görselleştirme penceresi kullanır. Kayıt başlamadan kabla üç saniyelik geri sayım uygulanır.

Ni miondoko mingapi tofauti ya mguso iliyoshughulikiwa?

İlişkili data toplama çalışmasında 17 insan tarafından gerçekleştirilen mguso hareketine ek olarak insan teması bulunmayan “At rest” sınıfı kaydedilmiş ve toplam 18 sınıflı moja uainishaji taksonomisi oluşturulmuştur.

Kaynağın örnekleri kati ya okşama, kaşıma, hafifçe vurma, güçlü vurma, tutma ve çekme kama farklı temas biçimleri ipo. Hii hareketler sensörlü yumuşak cihazın farklı bölgelerine uygulanmıştır.

Kwa nini faili hupewa majina ya kubuni?

a_move_labelled_data.m betiği kayıt dosyalarını kişiye/oturuma göre düzenlenmiş yapıdan mwendo sınıfına göre düzenlenmiş yapıya taşır. Dosya adındaki kayıt oturumunu tanımlayan ilk sayısal bölüm rastgele oluşturulmuş yedi basamaklı moja sayı ile değiştirilir.

Böylece sınıf etiketi korunurken dosyanın chanzo oturumuyla doğrudan bağlantısı koparılır. Hii işlem çalışmada “organisation and pseudonymisation” aşaması olarak tanımlanmıştır.

Hatua ya udhibiti wa ubora hutafuta nini?

b_training_data_analysis.m, her mwendo sınıfındaki kayıt uzunlukları için ortalama, medyan, standart sapma, minimum ve maksimum değerleri hesaplar. Moja örneğin kayıt uzunluğu sınıf ortalamasından yapılandırılabilir moja oranın juu ya sapıyorsa aykırı aday olarak işaretlenir.

Varsayılan eşik:

\[ \text{thresholdRange}=0.4 \]

yani sınıf ortalamasına göre yaklaşık ±%40 sapmadır.

Sayfa 4’teki Şekil 3, hii kalite kontrolünün ürettiği aykırı ishara örneklerini göstermektedir. Sistem aykırı örnekleri otomatik olarak kör biçimde silmek yerine araştırmacının görsel inceleme yapmasına olanak tanır. İlişkili çalışmada kifaa bağlantısının mwendo sırasında kesildiği az sayıdaki kayıt hii aşamada tespit edilerek çıkarılmıştır.

Kwa nini ucheleweshaji wa mwanzo hukatwa kwa mkono?

Kayıt başlatma komutu ile katılımcının gerçekten dokunmaya başlaması kati ya kişiden kişiye ve denemeden denemeye değişen moja tepki süresi vardır. Hii gecikmenin sabit moja zaman ofsetiyle otomatik kesilmesi, çalışmaya göre mafunzo verisine sistematik yanlılık ekleyebilir.

Hii nedenle c_training_data_truncation.m kullanıcıya MATLAB tabanlı moja GUI sunar. Araştırmacı ishara juu ya bilinçli temasın başladığı noktayı tek tıklamayla işaretler ve Enter tuşuyla sonraki kayda geçer. Sayfa 5’teki Şekil 4 hii arayüzü göstermektedir.

Kesme iki aşamalıdır: kabla başlangıç kararları kaydedilir; ardından ikinci aşamada dosyalar toplu olarak kesilir. Orijinal veriler üzerine yazılmadan kabla zaman damgalı yedek klasöre alınır.

Kwa nini sifa 13 za kihisi hupunguzwa kuwa sifa 11?

Pencereleme öncesinde uainishaji için kullanılan 13 ham kihisi sütunu 11 özelliğe indirgenir. Üç ayrı X, Y ve Z ivmeölçer bileşeni tek moja vektör büyüklüğü ile değiştirilir:

\[ a=\sqrt{a_x^2+a_y^2+a_z^2} \]

Hii dönüşüm üç ekseni tek ataletsel büyüklüğe indirerek kifaa yönelimine ambayo ni bağımlılığı azaltmayı amaçlamaktadır. Böylece dokuz bireysel kapasitif kanal, toplam kapasitif kanal ve moja ivme büyüklüğü olmak üzere 11 sifa elde hufanywa.

Data hugawanywaje katika seti za mafunzo, uthibitishaji na majaribio?

İşlenmiş kayıtlar sınıf dağılımını koruyan tabakalı örnekleme ile:

• %70 mafunzo,
• %15 uthibitishaji,
• %15 jaribio

kwa umbo la üç bölüme ayrılmaktadır.

Mfululizo wa muda hubadilishwaje kuwa madirisha kwa ajili ya CNN?

Varsayılan yöntemde her kayıt 250 örnekten oluşan sabit pencerelere hubadilishwa. Örnekleme frekansı 100 Hz kwa kuwa ni her dirisha:

\[ \frac{250}{100}=2.5\ \text{saniye} \]

uzunluğundadır.

Pencere kaydırma adımı 50 örnektir; dolayısıyla komşu pencereler büyük ölçüde örtüşür. Hii yöntem tek moja uzun mwendo kaydından birden fazla mafunzo örneği oluştururken mevcut ishara bilgisinin kullanılmasını hutoa.

Alternatif yöntemde kısa kayıtların sonuna sıfır eklemek yerine kayıt döngüsel olarak tekrarlanır. Yazar bunu hasa periyodik kısa hareketlerin spektral özelliklerini sessiz moja sıfır kuyruğuyla değiştirmemek için sunmaktadır.

Lugha ya kiishara ya CNN hufanyaje kazi?

AffectiveCNN’in dikkat çekici özelliklerinden biri ağ mimarisinin uzun MATLAB kod blokları yerine kompakt moja sembolik alan-özgü dil, yani domain-specific language (DSL) ile tanımlanabilmesidir.

Örneğin:

14d1_39d2_41d4

ifadesi üç evrişim katmanlı moja 1D CNN tanımlar:

Her evrişim katmanını katman normalizasyonu ve ReLU aktivasyonu izlemektedir. Ağın sonunda global average pooling katmanı ile tam bağlı softmax uainishaji başlığı ipo.

Filtre sayısı usanifu dizisinden bağımsız moja genel filtre ölçekleme çarpanıyla değiştirilebilir. Böylece aynı temel usanifu farklı model büyüklüklerinde sistematik olarak denenebilir.

MATLAB Experiment Manager imejaribu miundo mingapi?

İlişkili deneyde toplam 468 mafunzo denemesi yapılmıştır. Tarama uzayı:

• 13 farklı usanifu dizesi,
• 4 filtre ölçekleme çarpanı,
• 3 epoch seçeneği,
• 3 batch size seçeneği

içermektedir.

Hii kombinasyon sayısı:

\[ 13\times4\times3\times3=468 \]

olarak elde hufanywa.

Experiment Manager bütün mafunzo modellerini, öğrenme eğrilerini ve epoch bazındaki uthibitishaji metriklerini aynı utafiti alanında saklamıştır. Araştırmacı böylece sonuçları sıralayabilir, filtreleyebilir ve seçilen modeli ayrı moja wa wakati halisi jaribio aşamasına aktarabilir.

Uainishaji wa wakati halisi hufanyaje kazi?

f_realtime_classifier.m eğitilmiş .mat modelini yükler ve sensörlü cihazdan gelen Bluetooth seri data akışını moja halka tamponda toplar. Tampon 250 örneğe ulaştığında mevcut dirisha juu ya uainishaji yapılır.

Varsayılan çıkarım adımı 50 örnektir. 100 Hz data akışında hii yaklaşık:

\[ \frac{100}{50}=2\ \text{güncelleme/s} \]

yani yaklaşık 2 Hz tahmin yenileme hızına karşılık gelir.

Sayfa 6’daki Şekil 5, MATLAB wa wakati halisi sınıflandırıcı arayüzünü göstermektedir. Üst bölümde son kihisi penceresi, alt bölümde ikiwa mwendo sınıflarına ait tahmin olasılıklarının çubuk grafiği görüntülenmektedir. Arayüz aynı zamanda en olası sınıfı ve güven skorunu gösterir.

İlişkili wa wakati halisi gözlem oturumunda beş katılımcı her mwendo sınıfını gerçekleştirmiş ve sistemde mwendo başlangıcından yaklaşık 2,0–2,4 saniye baada yake tutarlı, harekete özgü aktivasyonların görüldüğü bildirilmiştir. Hii süre, deneysel olarak kullanılan 2,5 saniyelik pencereleme ve canlı gözlem düzeni bağlamında değerlendirilmelidir.

Je, mfumo huu unaweza kutumika kwa roboti laini pekee?

Kaynağa göre yazılım mimarisi belirli sensörlü yumuşak kifaa için geliştirilmiş olsa da işlem zincirinin sonraki aşamaları doğrudan hii donanıma kilitli si. Uyumlu sütun yapısına sahip çok kanallı zaman serisi verisi kullanıldığı sürece diğer dokunsal au ataletsel kihisi sistemlerine uyarlanabilir.

Yazar giyilebilir sistemler, protezler ve diğer insan-robot etkileşimi platformlarını olası uyarlama alanları olarak belirtmektedir. Ancak hii alanlarda ayrı deneysel performans doğrulaması hii utafiti kapsamında sunulmamıştır.

Hili lina maana gani kwa mtazamo wa Türkiye?

Araştırma Letonya’da Riga Technical University bünyesinde geliştirilmiştir ve Türkiye’ye ait katılımcı au yerel kihisi verisi içermemektedir. Hii nedenle %85 çapraz uthibitishaji sonucu Türkiye’deki kullanıcı gruplarına au başka robot sistemlerine doğrudan taşınamaz.

Bununla birlikte kullanılan mühendislik yaklaşımı, Türkiye’de insan-robot etkileşimi, rehabilitasyon teknolojileri, giyilebilir sensörler, sosyal robotlar au dokunsal arayüzler juu ya çalışan araştırma ekipleri için uyarlanabilir moja metodoloji sunmaktadır. Yerel uygulama için yeni katılımcılar, farklı temas alışkanlıkları, farklı kihisi geometrileri ve hedef donanım juu ya yeniden data toplama ve uthibitishaji gerekir.

Utafiti unasema nini, na hausisemi nini?

Matokeo yanayoungwa mkono na utafiti

• MATLAB tabanlı modüler moja iş akışı ham kihisi kaydından wa wakati halisi CNN gözlemine kadar bütün süreci kapsayabilmektedir.
• MATLAB Experiment Manager ile yüzlerce usanifu ve hiperparametre kombinasyonu otomatik biçimde karşılaştırılabilmiştir.
• İlişkili data kümesi 25 katılımcı ve 18 mwendo sınıfından oluşmaktadır.
• 14d1_39d2_41d4 topolojisi 13.200 parametre ile kaynakta boyut/doğruluk dengesi açısından seçilen modeldir.
• Hii model için ortalama LOSO-CV doğruluğu %85 olarak raporlanmıştır.
• Canlı Bluetooth verisi üzerinden MATLAB ndani ya wa wakati halisi uainishaji olasılıkları gözlemlenebilmiştir.

Matokeo yasiyoungwa mkono na utafiti

• %85 doğruluk bütün kullanıcılar, kültürler, yaş grupları, sensörler au robot platformları için garanti edilen doğruluk si.
• Sistem insanın gerçek wa kihisia durumunu doğrudan ölçmemektedir; kihisi sinyalinden önceden tanımlanmış mguso hareketi sınıflarını tahmin etmektedir.
• Gerçek zamanlı PC gösterimi, nihai gömülü mikrodenetleyici dağıtımının gerçekleştirildiği anlamına gelmez.
• ESP32 sınıfı mikrodenetleyiciye uygunluk kaynakta teorik hesaplama uyumluluğu olarak tartışılmıştır; hii yazılım çalışması nihai gömülü donanım entegrasyonunu göstermemektedir.
• Başka dokunsal uygulamalara uyarlanabilir olması, hii alanlarda aynı performansın deneysel olarak doğrulandığı anlamına gelmez.

Mbinu na Matokeo ya Utafiti

Usanifu wa programu

Wigo wa data na jaribio

Utafutaji wa usanifu

CNN fupi iliyochaguliwa

İlişkili deneyde 14d1_39d2_41d4 mimarisi parametre sayısı ve doğruluk dengesi bakımından seçilmiştir.

LOSO-CV, leave-one-subject-out cross-validation anlamına gelir. Hii değerlendirmede her döngüde moja katılımcının verileri model eğitiminden dışarıda bırakılır ve model zaidi kabla mafunzo sırasında görmediği hii katılımcı juu ya değerlendirilir. Hii yöntem kişiden bağımsız genelleme davranışını incelemek açısından rastgele örnek bölmeye göre zaidi güçlü moja sınama sunabilir; hata hivyo matokeo yine hii çalışmadaki katılımcı ve data toplama koşullarıyla sınırlıdır.

Sifa za programu za kuzalishwa tena

• Modüller birbirinden ayrılmıştır.
• Ara veriler CSV ve MAT biçiminde diske kaydedilir.
• İşlem herhangi moja ara aşamadan yeniden başlatılabilir.
• Mimari topolojileri sembolik dizeyle tanımlanabilir.
• Experiment Manager bütün aday modelleri ve metriklerini tek utafiti alanında saklar.
• Gerçek zamanlı arayüz eğitilmiş MAT modelini doğrudan kullanır.
• Kaynak kodu Git sürüm kontrolü chini ya yayımlanmıştır.

Nguvu za utafiti

• Veri toplama ile canlı uainishaji arasındaki bütün mühendislik zincirini tek utafiti olarak belgelendirmektedir.
• Kalite kontrol aşaması aykırı sinyalleri otomatik silmek yerine araştırmacıya görünür hâle getirir.
• Tepki gecikmesinin kayıt bazında elle belirlenmesi, sabit zaman kesmesinin yaratabileceği sistematik hatayı azaltmayı hedefler.
• 468 denemelik usanifu taraması elle model seçimine göre zaidi sistematik karşılaştırma hutoa.
• Kompakt sembolik CNN dili usanifu varyasyonlarının hızlı kurulmasını hutoa.
• Gerçek kihisi cihazı ile canlı PC uainishaji arayüzü mafunzo sonrası model davranışının hemen gözlemlenmesine izin verir.

Vikwazo vikuu

• Yazılım tek moja özgün sensörlü yumuşak kifaa bağlamında geliştirilmiştir.
• 25 katılımcılık data kümesi farklı nüfuslara doğrudan genellenemez.
• Etkileşimli kesme aşaması insan kararına bağımlıdır ve bütünüyle otomatik si.
• Gerçek zamanlı gösterim PC juu ya gerçekleştirilmiştir; nihai gömülü kifaa dağıtımı hii çalışmanın kapsamı si.
• Alternatif kihisi sistemlerine uyarlanabilirlik yazılım mimarisi düzeyinde açıklanmıştır hata hivyo hii çalışmada hii sistemlerin her birinde ayrı performans deneyleri yapılmamıştır.
• Raporlanan uainishaji başarımı chanzo data kümesi ve ilgili deney protokolüne özgüdür.

Maelezo ya Chanzo na Mbinu

Tam özgün utafiti adı: AffectiveCNN: MATLAB Software Pipeline for Affective Tactile Gesture Recognition Using Compact 1D Convolutional Neural Networks

Yazar: Aleksandrs Vališevskis.

Sorumlu yazar: Aleksandrs Vališevskis.

Eş birinci/eş katkı: Çalışma tek yazarlı kwa kuwa ni eş katkı beyanı bulunmamaktadır.

Kurum: Institute of Architecture and Design, Riga Technical University, Riga, Latvia.

Kaynak türü: Bilimsel yazılım geliştirme ve makine öğrenmesi iş akışı tanımlama çalışması.

Yayın durumu: Yüklenen utafiti hakem değerlendirmesinden geçmemiş moja preprinttir; sonuçları hii yayın aşaması dikkate alınarak değerlendirilmelidir.

Platform: SSRN.

SSRN kayıt numarası: 6679307.

DOI: 10.2139/ssrn.6679307.

SSRN kayıt tarihi: 30 Nisan 2026.

Resmî kayıt: https://ssrn.com/abstract=6679307

Hakemli dergi sürümü: Bibliyografik doğrulamada bağımsız olarak doğrulanmış nihai dergi DOI’si bulunamamıştır. Geliştirici deposunda SoftwareX kaydı için DOI alanı hâlen “TBD” biçimindedir; hii nedenle hii Verianla makalesinde chanzo preprint olarak değerlendirilmiştir.

Yazılım adı ve sürümü: AffectiveCNN v2.0.

Programlama ortamı: MATLAB R2025a; ilk data toplama modülü Processing/Java.

MATLAB bağımlılığı: Deep Learning Toolbox ve Stage 6’da MATLAB Experiment Manager. Kaynağa göre ek MATLAB toolbox'ı gerekmemektedir.

İşletim sistemi: Windows, macOS au Linux.

Yazılım lisansı: MIT License.

Kalıcı yazılım arşivi: 10.5281/zenodo.17650545.

Veri kümesi: Çalışma, ilişkili etiketli mguso data kümesini Zenodo juu ya 10.5281/zenodo.17650600 kaydıyla belirtmektedir.

Finansman: Çalışma RTU-PA-2024/1-0074 araştırma ve geliştirme hibesi ile, AB Recovery and Resilience Facility kapsamında No.5.2.1.1.i.0/2/24/I/CFLA/003 proje çerçevesinde desteklenmiştir.

Çıkar çatışması: Yüklenen çalışmada ayrı moja çıkar çatışması beyanı tespit edilmemiştir; hii durum çıkar çatışması bulunmadığı kwa umbo la yorumlanmamıştır.

CRediT/yazar katkıları: Yüklenen çalışmada ayrı moja CRediT beyanı bulunmamaktadır.

Bilimsel içerik sınırı: Hii Verianla makalesindeki yazılım mimarisi, data işleme adımları, CNN yapısı, parametreler, wa wakati halisi gözlem ve sayısal sonuçlar yüklenen çalışmadan alınmıştır. Bibliyografik dış uthibitishaji yalnız yayın kimliği ve güncel yayın durumunu kontrol etmek amacıyla kullanılmış; ana bilimsel içeriğe dış deney sonucu eklenmemiştir.

Temel yorum sınırı: Çalışma moja dokunsal mwendo tanıma yazılım pipeline’ının geliştirilmesini ve ilişkili data juu ya kullanımını göstermektedir. Sistem doğrudan insan duygusunu ölçmemekte, kihisi sinyallerini önceden tanımlanmış mguso sınıflarına ayırmaktadır. Raporlanan model performansı başka insan grupları, kihisi düzenleri au robot sistemleri için otomatik olarak geçerli si.