Ocena multimedijske izpostavljenosti na podlagi psihofizioloških signalov s pomočjo strojnega učenjaVec, Val (Avtor) Košir, Andrej (Mentor) Strle , Gregor (Komentor) multimedijska izpostavljenostpsihofiziološki signalistrojno učenjerazvrščanjeCilj magistrskega dela je izbor strojnega učenja za oceno učinkov oglasov na ljudi in ovrednotenje njegove uspešnosti. Z strojnim učenjem smo naučili model, ki na podlagi izbranih psihofizioloških signalov napoveduje razred dimenzije reaktance lestvice MMES. Dimenzija zajema negativni del čustev, ki jih uporabniku sprožijo oglasi. Signala, ki ju uporabimo za to oceno uporabimo, sta premer zenice v odvisnosti od časa in elektrodermalna aktivnost kože v odvisnosti od časa. V prvem delu magistrske naloge podamo teoretično ozadje ocen multimedijske izpostavljenosti (vprašalniki, s katerimi so določene itd.) ter ozadje psihofizioloških signalov. Nadaljujemo z razlago konceptov in algoritmov strojnega učenja, ki jih pri nalogi uporabimo. Posebno pozornost namenimo globokemu učenju. V raziskovalnem delu magistrske naloge najprej pred-obdelamo signale, predstavimo značilke signala in vizualiziramo podatke. Vizualiziramo porazdelitve značilk psihofizioloških signalov in porazdelitve značilk psihofizioloških signalov v odvisnosti od vrednosti reaktance. V nadaljevanju obdelan signal, značilke signala in tudi neobdelan signal uporabimo za učenje več različnih modelov strojnega učenja. Neobdelan signal uporabimo zgolj pri globokem učenju z nevronsko mrežo, izluščene značilke signala pa tudi pri drugih metodah strojnega učena. Rezultate ovrednotimo z mero F1 in ploščino pod ROC krivuljo. Na podlagi teh mer uspešnosti modele strojnega učenja primerjamo med seboj. Ugotovimo, da z modelom naključnih gozdov in značilkami obeh signalov, pri čemer je signal diametra zenice normaliziran, lahko bolje od naključja razvrstimo dimenzijo lestvice MMES reaktanco.20232023-06-07 09:45:06Magistrsko delo/naloga146686VisID: 62346COBISS_ID: 154858499sl