ФУНДАМЕНТАЛЬНЫЕ И ПРИКЛАДНЫЕ РАЗРАБОТКИ (ИНФОРМАЦИЯ ДЛЯ ПОТЕНЦИАЛЬНЫХ ПОЛЬЗОВАТЕЛЕЙ)
2024

1. Разработка методов и алгоритмов по детектированию аномального поведения респондента

Разработаны новые методы и алгоритмы для детектирования аномального поведения респондента. Важным этапом было создание и тестирование различных ИИ-алгоритмов, которые были интегрированы в общий фреймворк для анализа поведения респондента. В частности, был разработан комплексный алгоритм, включающий следующие компоненты:

Извлечение аудиопризнаков
Анализ аудиоданных является важным элементом для детектирования аномального поведения. В рамках проекта использовались следующие методы:

Извлечение видеопризнаков
Анализ видеоданных позволяет выявлять невербальные признаки аномального поведения. В проекте использовались следующие методы:

Рисунок 1. 68 точек функции определения мимики лица

Извлечение текстовых признаков
Анализ текстовых данных, включая письменную и устную речь, является ключевым элементом в детектировании ложных высказываний. В рамках проекта были разработаны следующие методы:

2. Обучение моделей искусственного интеллекта на основе разработанных алгоритмов и тестирование полученных результатов

Модели ИИ были обучены на основе разработанных алгоритмов, используя обширные наборы данных, включающие аудио, видео и текстовые данные респондентов. Для обучения использовались методы глубокого обучения, включая сверточные нейронные сети (CNN) для анализа изображений и рекуррентные нейронные сети (RNN) для обработки последовательных данных.

Сбор и подготовка данных
Для обучения моделей ИИ использовались два основных набора данных:

  1. Набор данных RealLifeTrial: Содержит реальные данные, включающие аудио и видео записи, текстовые документы, а также интервью респондентов.
  2. Экспериментальный набор данных: Созданный в лабораторных условиях набор данных, содержащий высококачественные видеозаписи и аудиозаписи, специально подготовленные для анализа аномального поведения.

Для каждого набора данных был выполнен процесс предварительной обработки, включающий:

Обучение моделей
Для обучения моделей использовались следующие архитектуры нейронных сетей:

Процесс обучения включал следующие этапы:

  1. Инициализация моделей: Настройка параметров моделей и инициализация весов.
  2. Обучение моделей: Модели обучались на тренировочных данных с использованием метода обратного распространения ошибки и оптимизатора Adam. Для предотвращения переобучения использовались методы регуляризации, такие как Dropout.
  3. Валидация моделей: Модели проверялись на валидационных данных для оценки их производительности и настройки гиперпараметров.
  4. Тестирование моделей: Окончательное тестирование моделей проводилось на тестовых данных, не использованных в процессе обучения.

Результаты тестирования
Результаты тестирования показали высокую точность и эффективность разработанных моделей в детектировании аномального поведения респондентов. Основные показатели включают:

3. Создание веб-сервиса по обнаружению аномального поведение респондента

Описание выполненных работ. В рамках проекта была разработана облачная архитектура для детектирования обманчивого поведения респондентов. Работы включали в себя:

Примененные методы и технологии:

В результате проделанных работ был создан функциональный веб-сервис, предоставляющий пользователям возможность загружать видео для анализа и получать процентную оценку правдивости респондента. Система обеспечивает точную и быструю обработку данных, демонстрируя высокую надежность и удобство использования благодаря контейнеризированной архитектуре.

КОНТАКТНАЯ ИНФОРМАЦИЯ

      НАО «Университет Нархоз»
ул. Жандосова, 55 г. Алматы, Казахстан, 050035

      project.liedetector@gmail.com