XIV международная научно-практическая конференция молодых учёных и специалистов «ПРОБЛЕМЫ ТЕХНОСФЕРНОЙ БЕЗОПАСНОСТИ – 2025»·Применение современных информационных технологий, искусственного интеллекта в вопросах обеспечения техносферной безопасности УДК 004.93:614.8

РАСПОЗНАВАНИЕ ПСИХОЭМОЦИОНАЛЬНЫХ СОСТОЯНИЙ В СОЦИАЛЬНЫХ СЕТЯХ ДЛЯ ПРОГНОЗИРОВАНИЯ И МИНИМИЗАЦИИ ПОСЛЕДСТВИЙ ЧРЕЗВЫЧАЙНЫХ СОБЫТИЙ

RECOGNITION OF PSYCHOEMOTIONAL STATES IN SOCIAL NETWORKS TO PREDICT AND MINIMIZE THE CONSEQUENCES OF EMERGENCY EVENTS

Колесенков Александр Николаевич1,Пасичняк Владислав Евгеньевич1
  1. 1 ФГБОУ ВО «Рязанский государственный радиотехнический университет им. В.Ф. Уткина»
11 марта 2025 3 просмотров 7 мин чтения
Аннотация

Статья посвящена применению методов автоматизированного анализа фото- и видеоматериалов, размещаемых пользователями в социальных сетях, с целью своевременного выявления кризисных эмоциональных и психологических состояний. Рассмотрены современные подходы к распознаванию эмоциональных состояний по визуальным признакам, методы машинного обучения и глубокие нейронные сети, используемые для анализа изображений и видеозаписей.

#распознавание#эмоция#состояние#социальные сети#искусственный интеллект#чрезвычайная ситуация
Abstract

The article is devoted to the application of methods of automated analysis of photo and video materials posted by users on social networks in order to timely identify emotional and psychological states of crisis. Modern approaches to recognizing emotional states by visual signs, machine learning methods, and deep neural networks used to analyze images and videos are considered.

#recognition#emotion#states#social networks#artificial intelligence#emergency
Полный текст1333 слов

Введение. Чрезвычайные ситуации, такие как стихийные бедствия, теракты, пандемии, вызывают у населения сильные эмоциональные и психологические реакции. Раннее выявление этих состояний позволяет властям и спасательным службам оперативно реагировать, предоставляя необходимую поддержку и ресурсы. Социальные сети, где пользователи активно делятся фото- и видеоматериалами, представляют собой уникальный источник данных для анализа общественного настроения. В последние годы технологии компьютерного зрения и машинного обучения достигли значительных успехов в распознавании эмоций по изображениям и видео [1]. Эти методы могут быть эффективно применены для мониторинга и прогнозирования кризисных состояний, способствуя своевременному принятию мер.

Теоретические основы проблемы

Эмоциональные состояния человека в условиях чрезвычайных ситуаций характеризуются высокой степенью нестабильности и могут быстро меняться под воздействием внешних факторов. Основные эмоциональные реакции в таких ситуациях включают:

1. Панику – состояние крайней тревоги, сопровождаемое потерей контроля над своим поведением;

2. Стресс – реакцию организма на экстремальные условия, приводящую к мобилизации ресурсов;

3. Депрессию – подавленное состояние, возникающее вследствие длительной травматизации;

4. Агрессию – эмоциональное состояние, проявляющееся в стремлении нанести вред себе или окружающим.

Анализ этих состояний традиционными методами (опросы, анкетирование) затруднён из-за:

1. большого объёма данных, требующих обработки;

2. оперативности, необходимой для принятия решений в условиях ЧС;

3. субъективности восприятия, влияющего на достоверность информации.

В связи с этим особую значимость приобретают объективные методы мониторинга, основанные на технологиях анализа изображений и видеозаписей [2].

Методы распознавания эмоциональных состояний

1. Компьютерное зрение и распознавание эмоций. Для анализа эмоциональных состояний по фото- и видеоматериалам используются следующие технологии (табл. 1):

– Распознавание лиц, т.е. определение базовых эмоций (радость, печаль, гнев, страх, удивление, отвращение) по мимике с использованием моделей, таких как FER [3]. Пример: модель DeepFace показывает точность до 90% в распознавании эмоций.

– Анализ жестов и поз, т.е. выявление стресса, паники или депрессии по позам и движениям тела человека [4]. Пример: исследование [Johansson et al., 2020] продемонстрировало, что анализ поз позволяет с точностью до 84% выявлять признаки паники по анализу видеоролика.

– Обработка естественного языка, т.е. анализ текстовых подписей к фото- и видеоматерилам для выявления негативных эмоций [5]. Пример: модели BERT и GPT используются для классификации текстов по эмоциональной окраске с точностью до 95%.

Табл. 1. Сравнение методов распознавания эмоциональных состояний

Метод

Преимущества

Недостатки

Точность

FER (Face Recognition)

Высокая скорость, простота интеграции

Низкая точность при плохом освещении

80-90%

Body Language Analysis

Учет контекста (поза, жесты)

Требует больших вычислительных ресурсов

74-86%

NLP

Анализ текста и эмоций одновременно

Зависимость от качества текста

84-97%

Deep Learning (CNN)

Высокая точность, адаптируемость

Требует больших объемов данных

85-93%

2. Глубокое обучение. Нейронные сети, такие как Convolutional Neural Networks (CNN) и Recurrent Neural Networks (RNN), применяются для комплексного анализа изображений и видеороликов [2]. Пример: модель ResNet-50, обученная на датасете AffectNet, показывает точность до 86% в классификации эмоций по фотографиям (табл. 2).

Табл. 2. Эффективность нейросетевых моделей для выявления кризисных состояний

Модель

Источник данных

Распознаваемые состояния

Точность

CNN (ResNet-50)

Фото Вконтакте

Паника, депрессия

85,7%

CNN + LSTM

Видео ВК

Тревога, суицидальные намерения

87,5%

Vision Transformer (ViT)

Видео RuTube

Агрессия, стресс, паника

89,2%

Практическое применение

1. Раннее предупреждение о кризисных ситуациях. Автоматический анализ контента в социальных сетях позволяет выявлять признаки паники или стресса в пострадавших регионах. Пример: во время лесных пожаров в Австралии (2019-2020 гг.) анализ фото и видео в соцсетях помог выявить зоны с высоким уровнем тревоги, что позволило направить туда дополнительные ресурсы (табл. 3).

2. Целевая психологическая поддержка. Идентификация групп населения, нуждающихся в психологической помощи, на основе их эмоциональных реакций.
Пример: во время пандемии COVID-19 анализ контента в социальных сетях показал рост тревоги и депрессии среди молодежи, что привело к запуску онлайн-платформ психологической поддержки.

3. Оценка эффективности принимаемых мер. Мониторинг изменений в эмоциональном состоянии населения после введения мер поддержки. Пример: после землетрясения в Турции (2023 г.) анализ видео в социальных сетях продемонстрировал снижение уровня страха на 30% в течение недели после начала гуманитарной помощи.

Табл. 3. Примеры применения технологий в ЧС

ЧС

Технология

Результат

Лесные пожары (Австралия, 2019-2020 гг.)

FER + NLP

Выявление зон с высоким уровнем тревоги, целевая помощь

Пандемия COVID-19

Deep Learning (CNN)

Идентификация групп риска по эмоциональным реакциям

Землетрясение (Турция, 2023 г.)

Body Language Analysis

Оценка эффективности гуманитарной помощи

Ограничения исследования

Несмотря на обнадеживающие результаты, исследование сталкивается с рядом ограничений.

Во-первых, низкое качество изображений, шум и недостаточная детализация могут снижать точность распознавания эмоций, особенно при анализе видео, снятых в экстремальных условиях или при плохом освещении.

Во-вторых, многие алгоритмы обучаются на ограниченных наборах данных, что может влиять на их переносимость и адаптивность к новым ситуациям.

В-третьих, вариативность культурных норм и социального контекста требует разработки универсальных, но адаптивных моделей.

Этические аспекты и вопросы конфиденциальности

Применение технологий мониторинга эмоциональных состояний сопряжено с важными этическими и правовыми проблемами. Сбор, обработка и анализ персональных данных требуют строгого соблюдения норм конфиденциальности и защиты информации. Необходимо разработать механизмы анонимизации данных, чтобы минимизировать риск нарушения частной жизни пользователей социальных сетей.

Кроме того, важно обеспечить прозрачность алгоритмов и возможность их аудита, что позволит повысить доверие общественности к системе мониторинга. Этическая сторона исследований должна сопровождаться разработкой нормативно-правовых актов, регулирующих использование подобных технологий в гражданских и чрезвычайных ситуациях.

Перспективы развития

Несмотря на достигнутые успехи, существуют следующие направления для улучшения:

1. Разработку ансамблей моделей, которые комбинируют данные из различных источников (изображения, видео, текст), для повышения надежности прогнозирования.

2. Создание более обширных и разнородных наборов данных, охватывающих множество культурных и социальных контекстов.

3. Интеграцию механизмов адаптивного обучения, способных динамически корректировать модель в режиме реального времени на основе поступающих данных.

4. Исследование методов для снижения зависимости от качества исходных медиа, что особенно важно в условиях стихийных бедствий и разрушенной инфраструктуры.

5. Реализация систем реального времени – обработка данных в режиме онлайн для мгновенного реагирования.

6. Защита данных и этические аспекты – обеспечение конфиденциальности пользователей и прозрачности методов анализа.

Заключение

Распознавание кризисных эмоциональных и психологических состояний по фото- и видеоматериалам в социальных сетях представляет собой мощный инструмент для прогнозирования и минимизации последствий ЧС. Интеграция этих технологий в системы мониторинга позволит: спасти жизни за счет своевременного выявления зон риска; снизить социальный ущерб, оперативно направляя ресурсы в наиболее пострадавшие регионы; повысить эффективность психологической помощи, адресованной конкретным группам населения.

Литература

1. Леохин, Ю. Л. Разработка и применение методов распознавания зашумленных аудиофайлов посредством нейросетевых технологий / Ю. Л. Леохин, Т. Д. Фатхулин, М. В. Ментус // Вестник Рязанского государственного радиотехнического университета. – 2024. – № 88. – С. 65-73.

2. Каширин, И. Ю. Нейросети со знаниями для анализа больших данных / И. Ю. Каширин // Вестник Рязанского государственного радиотехнического университета. – 2021. – № 75. – С. 71-84.

3. Keltner, D., & Cowen, A. (2021). Computational Emotion Recognition: A Review. Psychological Bulletin, 147(5), pp. 409–439.

4. Новиков, А. И. Распознавание статических жестов ладони с применением комплексного контурного анализа / А. И. Новиков, Е. Ю. Холопов // Вестник Рязанского государственного радиотехнического университета. – 2021. – № 78. – С. 142-152.

5. Li, S., & Deng, W. (2022). Deep facial expression recognition: A Survey. IEEE Transactions on Affective Computing, 13(3), pp. 1195–1215.

Есть что обсудить?
Оставьте комментарий — автор и читатели увидят его в обсуждении.