Predicción de estados de animo mediante patrones de digitación

Temas acerca de Inteligencia Artificial
Foto de Usuario
juansantosp

Ranking Troomes
Mensajes: 2
Registrado: 08 Ene 2020, 19:33

Predicción de estados de animo mediante patrones de digitación

Mensaje por juansantosp » 19 Dic 2020, 00:11

1. Descripción
En los últimos tiempos las empresas se están orientando a un enfoque más integrador de los equipos de trabajo. La aparición de metodologías ágiles y su actual tendencia a una estructura horizontal y formación de equipos multidiciplinarios implica un reto al momento de seleccionar a los líderes de equipos, ya que en ellos recae la responsabilidad de mantener unido al equipo y sacar adelante los proyectos. Es por ello que se invierte en salud ocupacional tanto como en políticas que contribuyan a potenciar antes que explotar el potencial de los empleados. Esto es debido a que ellos, el capital humano, son los encargados de sostener y/o revolucionar el modelo de negocio con sus aportes. Es por ello que estos trabajos están orientados a desarrollar un prototipo de sistema de predicción de estado de ánimo mediante digitación por teclado.

2. Herramientas
Para la detección del estado de ánimo mediante patrones de escritura por teclado, se usaron las siguientes herramientas:

2.1. Keylogger
Es un tipo de software o un dispositivo hardware específico que se encarga de registrar las pulsaciones que se realizan en el teclado, para posteriormente memorizarlas en un fichero o enviarlas a través de internet. Este tipo de software suele usarse para invadir privacidad o captar información a escondidas, sin embargo en el presente trabajo se realizará con el consentimiento de los usuarios. Se desarrolló una aplicación de teclado usando el lenguaje de programación python para capturar datos mientras el usuario está escribiendo. El teclado capturará el tiempo entre las pulsaciones de teclas en milisegundos, el número de retrocesos como una medida de los errores cometidos en la entrada por el usuario y el número de caracteres digitados

2.2. Aplicativo móvil
Este trabajo de investigación tomó como referencia del trabajo de investigación Emotion recognition using mobile phones, el cual consiste en el aprovechamiento de un conjunto de sensores integrados disponibles en teléfonos móviles para la creación de una aplicación que trata de detectar las emociones de un usuario. Es así que se construye un sistema inteligente de detección de emociones implementado como un teclado inteligente que infiere el estado emocional de un usuario utilizando técnicas de aprendizaje automático. Se utilizan variables provenientes de las lecturas del acelerómetro y varios aspectos del comportamiento de escritura, como la velocidad y demora entre letras para entrenar a un clasificador para predecir emociones.

2.3. Estados de animo
En estos proyectos se tomaron en cuenta 3 variables principalmente, las cuales son el Tiempo entre presión de teclas, Cantidad de Caracteres y la Cantidad de espacios. Estas fueron tomadas como referencia del artículo de investigación Emotion recognition using mobile phones en el cual se hace un análisis y definición de las variables explicativas del modelo, las cuales predecirían la clase "Estado de ánimo".

Variables:
  • Tiempo entre presión de teclas (TEP)
  • Cantidad de caracteres (CC)
  • Cantidad de espacios (CE)

Las variables explicativas mencionadas serán calculadas a partir de un conjunto de caracteres captados gracias a la digitación de usuario a través del teclado.

2.3.1. Algoritmo de regresión lineal múltiple
La regresión lineal múltiple es una variante de la regresión lineal simple, con la diferencia de que ahora la variable dependiente estudiada será más de una. Este algoritmo se utiliza para predecir el comportamiento de la variable dependiente o para determinar la influencia de los predictores sobre esta.
Para la predicción del Estado de Ánimo del usuario, primero tendrá que generar las ecuaciones necesarias para cada Estado de ánimo al analizar todo el dataset histórico de input conformado por las variables explicativas mencionadas anteriormente con sus respectivas etiquetas. De este ajuste obtendríamos las siguientes ecuaciones:

Emotion(Feliz) = axCC + bxTEP + cxCE + e1
Emotion(Neutral) = dxCC + exTEP + fxCE + e2
Emotion(Molesto) = gxCC + hxTEP + ixCE + e3
Emotion(Triste) = jxCC + kxTEP + lxCE + e4


En base a estas ecuaciones se podrá dar la predicción tomando la data input reciente del usuario. Es así que el output de esta fase es el valor de la clase Estado de Ánimo, en este caso Feliz, Triste, Neutral o Molesto.

3. Resultados
De la literatura revisada se testearon múltiples algoritmos para establecer cuál es el que mejor se ajusta y predice la clase a partir de nuestras variables explicativas. Se tomaron en cuenta el Modelo de árbol de decisión J48, Naïve Bayes, IBK perezoso, y el Modelo de Regresión Lineal de Respuesta Múltiple. Todos estos fueron testeados usando como base un conjunto de datos ya procesados, de tal manera que se llegó a la conclusión de que el algoritmo más confiable era el del Modelo de Regresión de Respuesta Múltiple, el cual tuvo como resultado la siguiente matriz de confusión para cada uno de los estados de ánimo estudiados.

Se presenta un enfoque de aprendizaje automático para el reconocimiento de emociones mediante el teclado. El teclado registra el comportamiento de escritura del usuario, que incluye la velocidad de los mensajes de texto y el tiempo entre. El teclado utiliza dinámicamente el algoritmo de aprendizaje automático de regresión lineal de respuestas múltiples para clasificar el estado de ánimo actual del usuario.

4. Conclusiones
El trabajo actual tiene limitaciones y puede mejorarse de múltiples formas. Primero, la precisión de la clasificación, aunque alta, puede mejorarse potencialmente incorporando atributos adicionales. Por ejemplo, se puede considerar la ubicación (casa, trabajo, etc.), el tiempo, la intensidad de los movimientos de los dedos, el uso de lenguaje fuerte, la expresión facial, la temperatura ambiente, los datos meteorológicos y el índice de malestar. Estos parámetros adicionales pueden ayudar potencialmente a mejorar la tasa de precisión y permitir que uno agregue más estados emocionales a la lista de emociones que la aplicación puede detectar. En segundo lugar, la distribución del teclado se puede hacer más atractiva.

5. Referencias
  • Sağbaş, E.A., Korukoglu, S. & Balli, S. Stress Detection via Keyboard Typing Behaviors by Using Smartphone Sensors and Machine Learning Techniques. J Med Syst 44, 68 (2020).
  • Zualkernan, I., Aloul, F., Shapsough, S., Hesham, A., & El-Khorzaty, Y. (2017). Emotion recognition using mobile phones. Computers & Electrical Engineering, 60:1–13.


Responder