AffectiveCNN jismoniy sensorli qurilmadan Bluetooth orqali olingan ko‘p kanalli teginish va harakat signallarini qayta ishlab, emotsional teginish harakatlarini tasniflaydigan ixcham bir o‘lchamli konvolyutsion neyron tarmoqlarni ishlab chiqish uchun mo‘ljallangan boshidan oxirigacha MATLAB ish jarayonidir. Sistem; ma’lumot toplama, dosyaların düzenlenmesi ve takma adlandırılması, signal sifat nazorati, insan tepki gecikmesinin etkileşimli olarak kesilmesi, pencereleme ve ma’lumot artırma, MATLAB Experiment Manager ile CNN mimarisi taraması ve canlı Bluetooth verisi ustida real vaqt rejimidagi tasniflash olmak üzere yedi ardışık aşamadan oluşur. İlişkili çalışmada 25 katılımcıdan elde edilen 18 sınıflı teginish verisi kullanılmış; 468 arxitektura/hiperparametre denemesi sonucunda 13.200 parametreli 14d1_39d2_41d4 topolojisinin boyut ve doğruluk o‘rtasida uygun bir denge sağladığı ve ortalama leave-one-subject-out çapraz validatsiya doğruluğunun %85 ekanligi bildirilmiştir. Bununla birlikte bu performans belirli ma’lumot kümesi, sensörlü qurilma, katılımcı grubu ve deney protokolüne aittir; bütün insanlarda yoki farklı dokunsal sistemlerde aynı doğruluk garanti edilmemektedir.

Tadqiqotning MATLAB nuqtayi nazaridan o‘ziga xos jihati faqat bitta CNN modelini o‘qitishdan iborat emas. MATLAB, ham sensor verilerinin hazırlanmasından arxitektura aramasına, test değerlendirmesine ve real vaqt rejimidagi tahmin olasılıklarının görselleştirilmesine kadar bütün araştırma zincirinin markazida kullanılmıştır. Böylece aynı yazılım ortamında signal işleme, chuqur o‘rganish, deney yönetimi ve canlı sensor gözlemi birleştirilmektedir.

Tadqiqotning asosiy muammosi nima?

İnsan dokunuşu yalnız fiziksel temas emas; okşama, hafifçe vurma, sıkma, çekme yoki tutma kabi hareketler farklı emotsional ve sosyal anlamlar taşıyabilir. Sosyal yardımcı robotların bu temasları anlamlandırabilmesi için ham sensor sinyallerinden teginish türünü güvenilir biçimde ayırt etmesi gerekir.

AffectiveCNN’in geliştirilmesine yol açan önceki sistem, sensor genliği, temas süresi ve frekans alanı özelliklerine dayanan elle belirlenmiş eşiklerden oluşan sezgisel bir algoritmaydı. Kaynakta bu yaklaşımın aktif temas ile hareketsizliği kaba biçimde ayırabildiği, biroq benzer harakat örüntülerine sahip yanada ince teginish hareketlerini güvenilir biçimde ayırt edemediği qayd etiladi.

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

Nima uchun MATLAB ishlatilgan?

Yazar MATLAB seçimini iki temel nedenle açıklamaktadır. Birincisi, MATLAB’ın etkileşimli betik tabanlı tadqiqot ortamının sensor arayüzü geliştirme, signal inceleme ve deneysel ma’lumot işleme kabi yinelemeli araştırma süreçlerine uygun olmasıdır. İkincisi esa eğitilen ağların gelecekte MATLAB Coder aracılığıyla C/C++ manba koduna dönüştürülebilmesi ve böylece gömülü donanıma aktarım için bir yol sunmasıdır.

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

Yetti bosqichli AffectiveCNN ish jarayoni qanday ishlaydi?

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

Bluetooth orqali qanday ma’lumotlar to‘planadi?

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 esa bir önceki ma’lumot çerçevesinden bu yana geçen süreyi milisaniye cinsinden taşır.

Sayfa 4’teki Gesture Recorder görüntüsü, bu kanalların real vaqt rejimidagi çizgiler hâlinde izlendiği arayüzü göstermektedir. Yazılım 20 saniyelik kayan bir görselleştirme penceresi kullanır. Kayıt başlamadan avval üç saniyelik geri sayım uygulanır.

Nechta turli teginish harakati ko‘rib chiqilgan?

İlişkili ma’lumot toplama çalışmasında 17 insan tarafından gerçekleştirilen teginish hareketine ek olarak insan teması bulunmayan “At rest” sınıfı kaydedilmiş ve toplam 18 sınıflı bir tasniflash taksonomisi oluşturulmuştur.

Kaynağın örnekleri o‘rtasida okşama, kaşıma, hafifçe vurma, güçlü vurma, tutma ve çekme kabi farklı temas biçimleri mavjud. Bu hareketler sensörlü yumuşak cihazın farklı bölgelerine uygulanmıştır.

Fayllar nima uchun psevdonimlanadi?

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

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

Sifat nazorati bosqichi nimani izlaydi?

b_training_data_analysis.m, her harakat sınıfındaki kayıt uzunlukları için ortalama, medyan, standart sapma, minimum ve maksimum değerleri hesaplar. Bir örneğin kayıt uzunluğu sınıf ortalamasından yapılandırılabilir bir oranın ustida sapıyorsa aykırı aday olarak işaretlenir.

Varsayılan eşik:

\[ \text{thresholdRange}=0.4 \]

yani sınıf ortalamasına göre yaklaşık ±%40 sapmadır.

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

Nima uchun boshlang‘ich kechikish qo‘lda kesiladi?

Kayıt başlatma komutu ile katılımcının gerçekten dokunmaya başlaması o‘rtasida kişiden kişiye ve denemeden denemeye değişen bir tepki süresi vardır. Bu gecikmenin sabit bir zaman ofsetiyle otomatik kesilmesi, çalışmaya göre o‘qitish verisine sistematik yanlılık ekleyebilir.

Bu nedenle c_training_data_truncation.m kullanıcıya MATLAB tabanlı bir GUI sunar. Araştırmacı signal ustida bilinçli temasın başladığı noktayı tek tıklamayla işaretler ve Enter tuşuyla sonraki kayda geçer. Sayfa 5’teki Şekil 4 bu arayüzü göstermektedir.

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

13 ta sensor xususiyati nima uchun 11 ta xususiyatga tushiriladi?

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

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

Bu dönüşüm üç ekseni tek ataletsel büyüklüğe indirerek qurilma yönelimine bo‘lgan bağımlılığı azaltmayı amaçlamaktadır. Böylece dokuz bireysel kapasitif kanal, toplam kapasitif kanal ve bir ivme büyüklüğü olmak üzere 11 xususiyat elde amalga oshiriladi.

Ma’lumotlar o‘qitish, validatsiya va test to‘plamlariga qanday ajratiladi?

İşlenmiş kayıtlar sınıf dağılımını koruyan tabakalı örnekleme ile:

• %70 o‘qitish,
• %15 validatsiya,
• %15 test

shaklida üç bölüme ayrılmaktadır.

Vaqt qatorlari CNN uchun qanday oynalarga aylantiriladi?

Varsayılan yöntemde her kayıt 250 örnekten oluşan sabit pencerelere aylantiriladi. Örnekleme frekansı 100 Hz bo‘lgani sababli her oyna:

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

uzunluğundadır.

Pencere kaydırma adımı 50 örnektir; dolayısıyla komşu pencereler büyük ölçüde örtüşür. Bu yöntem tek bir uzun harakat kaydından birden fazla o‘qitish örneği oluştururken mevcut signal bilgisinin kullanılmasını ta’minlaydi.

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

Simvolik CNN tili qanday ishlaydi?

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

Örneğin:

14d1_39d2_41d4

ifadesi üç evrişim katmanlı bir 1D CNN tanımlar:

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

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

MATLAB Experiment Manager nechta modelni sinagan?

İlişkili deneyde toplam 468 o‘qitish denemesi yapılmıştır. Tarama uzayı:

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

içermektedir.

Bu kombinasyon sayısı:

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

olarak elde amalga oshiriladi.

Experiment Manager bütün o‘qitish modellerini, öğrenme eğrilerini ve epoch bazındaki validatsiya metriklerini aynı tadqiqot alanında saklamıştır. Araştırmacı böylece sonuçları sıralayabilir, filtreleyebilir ve seçilen modeli ayrı bir real vaqt rejimidagi test aşamasına aktarabilir.

Real vaqt rejimidagi tasniflash qanday ishlaydi?

f_realtime_classifier.m eğitilmiş .mat modelini yükler ve sensörlü cihazdan gelen Bluetooth seri ma’lumot akışını bir halka tamponda toplar. Tampon 250 örneğe ulaştığında mevcut oyna ustida tasniflash yapılır.

Varsayılan çıkarım adımı 50 örnektir. 100 Hz ma’lumot akışında bu yaklaşık:

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

yani yaklaşık 2 Hz tahmin yenileme hızına karşılık gelir.

Sayfa 6’daki Şekil 5, MATLAB real vaqt rejimidagi sınıflandırıcı arayüzünü göstermektedir. Üst bölümde son sensor penceresi, alt bölümde esa harakat sınıflarına ait tahmin olasılıklarının çubuk grafiği görüntülenmektedir. Arayüz aynı zamanda en olası sınıfı ve güven skorunu gösterir.

İlişkili real vaqt rejimidagi gözlem oturumunda beş katılımcı her harakat sınıfını gerçekleştirmiş ve sistemde harakat başlangıcından yaklaşık 2,0–2,4 saniye so‘ng tutarlı, harekete özgü aktivasyonların görüldüğü bildirilmiştir. Bu süre, deneysel olarak kullanılan 2,5 saniyelik pencereleme ve canlı gözlem düzeni bağlamında değerlendirilmelidir.

Bu tizimdan faqat yumshoq robot uchun foydalanish mumkinmi?

Kaynağa göre yazılım mimarisi belirli sensörlü yumuşak qurilma için geliştirilmiş olsa da işlem zincirinin sonraki aşamaları doğrudan bu donanıma kilitli emas. Uyumlu sütun yapısına sahip çok kanallı zaman serisi verisi kullanıldığı sürece diğer dokunsal yoki ataletsel sensor sistemlerine uyarlanabilir.

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

Bu Turkiya nuqtayi nazaridan nimani anglatadi?

Araştırma Letonya’da Riga Technical University bünyesinde geliştirilmiştir ve Türkiye’ye ait katılımcı yoki yerel sensor verisi içermemektedir. Bu nedenle %85 çapraz validatsiya sonucu Türkiye’deki kullanıcı gruplarına yoki başka robot sistemlerine doğrudan taşınamaz.

Bununla birlikte kullanılan mühendislik yaklaşımı, Türkiye’de insan-robot etkileşimi, rehabilitasyon teknolojileri, giyilebilir sensörler, sosyal robotlar yoki dokunsal arayüzler ustida çalışan araştırma ekipleri için uyarlanabilir bir metodoloji sunmaktadır. Yerel uygulama için yeni katılımcılar, farklı temas alışkanlıkları, farklı sensor geometrileri ve hedef donanım ustida yeniden ma’lumot toplama ve validatsiya gerekir.

Tadqiqot nimani aytadi, nimani aytmaydi?

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• MATLAB tabanlı modüler bir iş akışı ham sensor kaydından real vaqt rejimidagi CNN gözlemine kadar bütün süreci kapsayabilmektedir.
• MATLAB Experiment Manager ile yüzlerce arxitektura ve hiperparametre kombinasyonu otomatik biçimde karşılaştırılabilmiştir.
• İlişkili ma’lumot kümesi 25 katılımcı ve 18 harakat sınıfından oluşmaktadır.
• 14d1_39d2_41d4 topolojisi 13.200 parametre ile kaynakta boyut/doğruluk dengesi açısından seçilen modeldir.
• Bu model için ortalama LOSO-CV doğruluğu %85 olarak raporlanmıştır.
• Canlı Bluetooth verisi üzerinden MATLAB ichida real vaqt rejimidagi tasniflash olasılıkları gözlemlenebilmiştir.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

• %85 doğruluk bütün kullanıcılar, kültürler, yaş grupları, sensörler yoki robot platformları için garanti edilen doğruluk emas.
• Sistem insanın gerçek emotsional durumunu doğrudan ölçmemektedir; sensor sinyalinden önceden tanımlanmış teginish 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; bu yazılım çalışması nihai gömülü donanım entegrasyonunu göstermemektedir.
• Başka dokunsal uygulamalara uyarlanabilir olması, bu alanlarda aynı performansın deneysel olarak doğrulandığı anlamına gelmez.

Tadqiqot Usuli va Natijalari

Dasturiy ta’minot arxitekturasi

Ma’lumotlar va tajriba doirasi

Arxitekturani izlash

Tanlangan ixcham CNN

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

LOSO-CV, leave-one-subject-out cross-validation anlamına gelir. Bu değerlendirmede her döngüde bir katılımcının verileri model eğitiminden dışarıda bırakılır ve model yanada avval o‘qitish sırasında görmediği bu katılımcı ustida değerlendirilir. Bu yöntem kişiden bağımsız genelleme davranışını incelemek açısından rastgele örnek bölmeye göre yanada güçlü bir sınama sunabilir; biroq natija yine bu çalışmadaki katılımcı ve ma’lumot toplama koşullarıyla sınırlıdır.

Dasturiy ta’minotning qayta ishlab chiqariluvchanlik xususiyatlari

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

Tadqiqotning kuchli jihatlari

• Veri toplama ile canlı tasniflash arasındaki bütün mühendislik zincirini tek tadqiqot 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 arxitektura taraması elle model seçimine göre yanada sistematik karşılaştırma ta’minlaydi.
• Kompakt sembolik CNN dili arxitektura varyasyonlarının hızlı kurulmasını ta’minlaydi.
• Gerçek sensor cihazı ile canlı PC tasniflash arayüzü o‘qitish sonrası model davranışının hemen gözlemlenmesine izin verir.

Asosiy cheklovlar

• Yazılım tek bir özgün sensörlü yumuşak qurilma bağlamında geliştirilmiştir.
• 25 katılımcılık ma’lumot kümesi farklı nüfuslara doğrudan genellenemez.
• Etkileşimli kesme aşaması insan kararına bağımlıdır ve bütünüyle otomatik emas.
• Gerçek zamanlı gösterim PC ustida gerçekleştirilmiştir; nihai gömülü qurilma dağıtımı bu çalışmanın kapsamı emas.
• Alternatif sensor sistemlerine uyarlanabilirlik yazılım mimarisi düzeyinde açıklanmıştır biroq bu çalışmada bu sistemlerin her birinde ayrı performans deneyleri yapılmamıştır.
• Raporlanan tasniflash başarımı manba ma’lumot kümesi ve ilgili deney protokolüne özgüdür.

Manba va Usul Haqida Izoh

Tam özgün tadqiqot 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 bo‘lgani sababli 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 tadqiqot hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu 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; bu nedenle bu Verianla makalesinde manba preprint olarak değerlendirilmiştir.

Yazılım adı ve sürümü: AffectiveCNN v2.0.

Programlama ortamı: MATLAB R2025a; ilk ma’lumot 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 yoki Linux.

Yazılım lisansı: MIT License.

Kalıcı yazılım arşivi: 10.5281/zenodo.17650545.

Veri kümesi: Çalışma, ilişkili etiketli teginish ma’lumot kümesini Zenodo ustida 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 bir çıkar çatışması beyanı tespit edilmemiştir; bu durum çıkar çatışması bulunmadığı shaklida yorumlanmamıştır.

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

Bilimsel içerik sınırı: Bu Verianla makalesindeki yazılım mimarisi, ma’lumot işleme adımları, CNN yapısı, parametreler, real vaqt rejimidagi gözlem ve sayısal sonuçlar yüklenen çalışmadan alınmıştır. Bibliyografik dış validatsiya yalnız yayın kimliği ve güncel yayın durumunu kontrol etmek amacıyla kullanılmış; ana bilimsel içeriğe dış deney sonucu eklenmemiştir.

Temel yorum sınırı: Çalışma bir dokunsal harakat tanıma yazılım pipeline’ının geliştirilmesini ve ilişkili ma’lumot ustida kullanımını göstermektedir. Sistem doğrudan insan duygusunu ölçmemekte, sensor sinyallerini önceden tanımlanmış teginish sınıflarına ayırmaktadır. Raporlanan model performansı başka insan grupları, sensor düzenleri yoki robot sistemleri için otomatik olarak geçerli emas.