А А Петров, Рыбальский О В - Применение спектрального анализа при обработке полиграмм - страница 1

Страницы:
1 

Литература

1.          Галицкий А.В. Защита информации в сети - анализ технологий и синтез решений. / Га-лицкий А.В., Рябко С.Д., Шаньган В.Ф. ; - М.: ДМК Пресс, 2004. - 616 с.: ил.

2.          Мясіщев О.А. Напрямки вирішення проблем захисту інформації в мережах. / Мясіщев О.А., Джулій А.В.; //Вісник Хмельницького національного університету - 2009. - № 4, - C. 107 -

111

3.          Овчаров Л. А. Прикладные задачи теории массового обслуживания. / Овчаров Л. А.; «Машиностроение». М.1969.: 324с.

4.          Эльсгольц Л. Э. Дифференциальные уравнения и вариационное исчисление. / Эльс-гольц Л.Э.; «Наука». М. 1969.: 424 с.

Надійшла до редколегії 23.11.2011

Мясищев О. А., Джулий А. В., Степин Е.В.

МАТЕМАТИЧЕСКИЙ                 АППАРАТ                ОПИСАНИЯ МОДЕЛЕЙ

ФУНКЦИОНИРОВАННИЯ СИСТЕМ ЗАЩИТЫ ИНФОРМАЦИОННЫХ РЕСУРСОВ

В статье исследованы преимущества применения пуасоновских потоков при разработке моде­лей функционирования системы защиты информационных ресурсов. Постулирование такого типа потоков намного упрощает исследования и приводит к конструктивным решениям.

Myasischev O. А., Dzhuliy A. V. , Stopin E.V.

MATHEMATICAL VEHICLE OF DESCRIPTION OF MODELS OF THE FUNKCIONIROVANNIYA SYSTEMS OF DEFENCE OF INFORMATIVE RESOURCES

The article examines the benefits of puasonovskyh flows in developing models of the system of protection of information resources. Postulating this type of flow is much easier and results in research design decisions.

 

 

УДК 621.317.799

Петров А.А.1, Рыбальский О.В.2

1 Восточноукраинский университет имени Владимира Даля, Луганск 2Национальная академия внутренних дел, Киев

ПРИМЕНЕНИЕ СПЕКТРАЛЬНОГО АНАЛИЗА ПРИ ОБРАБОТКЕ ПОЛИГРАММ

В предлагаемой статье рассмотрен новый подход к построению систем автоматического опре­деления эмоционального состояния человека, основанный на исследовании физических пара­метров его устной речи.

 

Введение

Речевые технологии - отрасль науки и техники, бурно развивающаяся в XXI веке. Основными направлениями исследований в этой области являются: распознавание речи, синтез голоса, средства речевого управления, идентификация по образцу речи.

Благодаря речевым технологиям, реализованным с помощью вычислительной те­хники, мы имеем возможность управлять компьютером с помощью голоса, диктовать текст, слушать, а не читать книги, а в перспективе общаться с компьютером на интелле­ктуальном уровне[1]. Однако, несмотря на перспективность данной отрасли знания, бо­льшая часть поставленных задач является либо не решенной, либо решенной удовлетво­рительно.

Проблема автоматического распознавания эмоционального состояния говорящего по голосу на данный момент не является решенной[2].

Актуальность проблемы

Полиграф (или детектор лжи) — устройство позволяющие тестировать человека на правдивость ответов на основании изменении кровяного давления, пульса, частоты дыхания и электропроводимости кожи. Современный полиграф представляет собой компьютер, к которому подключены датчики. С их помощью происходит измерение и фиксирование ряда физиологических показателей, относящихся к деятельности вегета­тивной нервной системы[3]. Достоверность тестирования на полиграфе достигает 90­98%.

Именно такие системы не так давно начали применяться в правоохранительных органах всех стран СНГ, в том числе и в Украине [4]. Применяются они так же и в агент­ствах, специализирующихся на детекции лжи.

Таким образом, в данный момент широко применяются системы, называемые ко­нтактными, поскольку требуется непосредственный контакт и согласие испытуемого. Общую схему системы можно обозначить так:

 

Тестирующий (человек)


('[1С] 1ИLUI И'!Иф<)ІІІ1ІIIIМИ

прибор - полиграф


3


I'k'IIIJIYL'MEJH

(человек)

 

 

 

Рис. 1. Общая схема контактной системы

К недостаткам применяемой на сегодняшний день методики можно отнести: Обязательное присутствие профессионала, проводящего тестирование; как следс­твие, невозможность автоматизации процесса; Информированность испытуемого;

Неприменимость в построении интерфейса человек-компьютер; Возможность противодействия (доступно только спецслужбам).

Исследование новых методов анализа речевой информации

Если предположить, что все изменения физиологических процессов в человечес­ком организме можно представить в виде суммы гармоник с частотой от нуля до беско­нечности, тогда, применяя методы спектрального анализа, можно получить численные значения вклада каждой частотной составляющей в временной генезис измеряемых па­раметров.

Проведенные исследования показывают, что при проявлении лживости тестируе­мого изменяются характеристики за счет изменения энергии (грубо - величины ампли­туды) в очень узком частотном диапазоне. С помощью применения различных фильтров выделяются сигналы определенных частот, анализируя которые можно с большей веро­ятностью делать заключения о правдивости, либо лживости тестируемого. Хочется от­дельно отметить, что использование описанной методики не имело места в мировой практике обследований на полиграфе. Полученные результаты говорят о возможности минимизации ошибки, даже в очень сложных случаях, однозначной трактовке результа­тов, отбраковке артефактов и т. д.

Таким образом, один из видов невербальной коммуникации - передача эмоций в речи, связан с ее акустическими характеристиками. Действительно, воспринимая слухом речь или пение, мы получаем информацию как о смысле речи, так и об ее эмоциональ­ном содержании из анализа акустических характеристик, а иногда только из одних акус­тических характеристик, например, при прослушивании звукозаписей или речи по теле­фону. Следовательно, эмоции кодируются определенными акустическими параметрами в речевом сигнале. Понимание этих особенностей акустического кодирования эмоций и является одной из главных задач нашего исследования [5].

Прежде всего, было установлено, что слушатели правильно идентифицируют эмоции в речи и пении независимо от понимания языка, текста и национально-культурной среды (в Азии, Америке, Африке и др.). Как показали эксперименты, когда слушателей просили опознать эмоции в голосах актеров, в качестве примера был восп­роизведен текст на незнакомом языке, прочитанный двадцатью тремя актерами с разли­чными эмоциями (радость, ирония, печаль, страх и т.д.). Был получен достаточно высо­кий процент правильных оценок независимо от культурного уровня слушателей и их национальности. Это совпадает с проведенными ранее экспериментами, когда предъяв­лялись фотографии с различными выражениями лица актеров, при этом зрители доста­точно точно идентифицировали различные эмоции по выражению лиц. Таким образом, способы выражения эмоций являются общечеловеческими, то есть можно предполо­жить, что существует некий единый код [5].

Каждая эмоция имеет свой образец движения, который отражается в движении всего тела, мимике лица и в том числе в движении артикуляционных органов и голосо­вого источника. Например, при депрессии и печали снижается темп речи, понижается фундаментальная частота, снижается активность дыхательных мускулов, поэтому сни­жается подглоточное давление, отсюда низкое число обертонов. Наоборот, при гневе уровень частоты фонации высокий, звук от голосового источника богат обертонами, темп быстрый, это отражает большую активность всех видов мускулов, участвующих в голосообразовании. Наконец, характерное для страха сильное увеличение пауз между словами, по-видимому, обусловлено в эволюционном аспекте необходимостью в состо­янии страха не только издавать какие-либо сигналы, но и воспринимать сигналы от воз­можного объекта, вызывающего страх (состояние настороженности и прислушивания).

Модель распознавания эмоционального состояния человека по его

речи

В голосе эмоции «кодируются» акустическими параметрами речевого сигнала, основные из которых: частота основного тона, интенсивность, темпоральные и спектра­льные характеристики.

Учитывая выше сказанное, можно построить упрощенную модель, описывающую эмоциональное состояние человека и представить ее в виде:

M =< X, Y, f > (1)

где X - вектор параметров речевого сигнала; Y - множество эмоциональных состоя­ний; f - функция переходов, задается уравнением вида Y= f(X).

Под множеством X понимаются следующие акустические параметры:

 

X  =  (""І , X2, ^1 Х47 X5, X6> X7, ^7 ^7 Х10 ,                                                                                                  X12 ) , (2)

где x1, - математическое ожидание частоты основного тона (ЧОТ, F0), x2, - дисперсия ЧОТ, x3, - максимум ЧОТ, x4, - минимум ЧОТ, x5, - математическое ожидание интен­сивности речи, x6, - максимум интенсивности, x7, - минимум интенсивности, x8, -дисперсия интенсивности, x9, x10, x11, x12- математическое ожидание формант F1, F2, F3, F4. Выходными параметрами модели являются эмоциональные состояния пользователя:

 

Y = ^ У2, У3, У4, У5, У6) (3)

 

где у^страх; у2-грусть; у3-гнев; у4-стыд; у5-радость; y6 - бесстрашие. В принципе, ко­личество эмоций может составлять не один десяток - здесь мы приводим лишь три пары противоположных эмоциональных состояний:

Таким образом, исходя из построенной модели, становится возможным определе­ние эмоционального состояния говорящего. Разложение речевого сигнала на элементар­ные составляющие (синусоида с определенной амплитудой, частотой и фазой) возможно с помощью алгоритма быстрого дискретного преобразования Фурье (БДПФ).

Разработка автоматизированного программного комплекса

На этой модели основано разрабатываемое нами программное обеспечение. В нем должны быть реализованы следующие алгоритмы:

1.  Выделение параметров речи, вариативных к активным речевым или образным раздражителям и определение их фоновых значений.

2.  Выявление отклонений в значениях этих параметров при воздействии активных речевых или образных раздражителях.

3.  Измерение и фиксация значений полученных параметров.

4.  Индикация результатов измерений.

В дальнейшем, при изучении полученных данных, делается вывод о том в каком эмоциональном состоянии находиться пользователь.

Выводы

Эмоции есть отражение мозгом человека и животных какой-либо актуальной пот­ребности и вероятности ее удовлетворения [6]. Каждому уровню потребностей, соответ­ствует определенная преобладающая эмоция [7]. Следовательно, опираясь на потребнос­ти, эмоция является своеобразной «психической силой», направляющей поведение чело­века [8]. Зная, какую эмоцию испытывает человек в тот или иной момент, можно преду­гадать его поведение.

На основании полученных результатов можно сделать выводы о связи особеннос­тей акустических средств выражения эмоций с особенностями физиологического состо­яния организма человека, испытывающего эти эмоции. На этом базируется разрабатыва­емая в настоящее время методика, предназначенная для получения эмоционального сос­тояния человека по его голосу. Данная методика позиционируется нами, в первую оче­редь, как способ решения диагностической задачи в фоноскопической судебной экспер­тизе - построении бесконтактного речевого полиграфа.

Литература

1.          http://speech-soft.ru/

2.          Сидорова Ю.А. Алгоритм эмоционального классификатора по речи для построения ин­терфейса человек-компьютер. // МГУ им. М. В. Ломоносова.

3.          Варламов В. А. Детектор лжи. М., 2004.

4.          Игнатова Т.А., Петров А. А., Рыбальский О.В. Речевой полиграф. // Вестник государст­венного университета информационно-коммуникационных технологий, № 3 за 2007, т 5.

5.          Ирина Алдошина. Связь акустических параметров с эмоциональной выразительностью речи и пения. // http://rus.625-net. Журнал «Звукорежиссер», 2003, № 2.

6.          Симонов, П. В. Эмоциональный мозг: Физиология: Нейроанатомия: Психология эмо­ций. М., 1981.

7.          К классификации эмоций / http://www.voppsy.ru/issues/1991/914/914096.htm.

8.          Фоминых И.Б. Эмоции как аппарат оценок поведения интеллектуальных систем // Де­сятая национальная конференция по искусственному интеллекту с международным участием: Тр. конф. М.: Физматлит, 2006.

Надійшла до редколегії 1.08.2011

Петров А.О., Рибальський О.В.

ЗАСТОСУВАННЯ СПЕКТРАЛЬНОГО АНАЛІЗУ ПРИ ОБРОБЦІ ПОЛІГРАМ

У запропонованій статті розглянуто новий підхід до побудови систем автоматичного визна­чення емоційного стану людини, заснований на дослідженніфізичних параметрів його усного мовлення.

Petrov A.A, Rybalsky O.V.

APPLICATION OF SPECTRAL ANALYSIS FOR HANDLING POLYGRAMS

In this paper we consider a new approach to building systems, automatic detection ofemotional state based on a study of the physical parameters of his speech.

 

УДК 004:004.65

Лєнков С.В.1, Джулій В.М.2, Муляр І.В.2 , Рогоза Я. А.3

1 Військовий інститут Київського національного університету 2Хмельницький національний університет 3УЕП, м.Хмельницький

ДОСЛІДЖЕННЯ КРИПТОГРАФІЧНИХ МЕТОДІВ ОТРИМАННЯ ВЕКТОРА ХАРАКТЕРНИХ ОЗНАК ГРАФІЧНИХ ЗОБРАЖЕНЬ

В статті досліджено підходи для обчислення статистичних значень, які захоплять головні осо­бливості зображення і залишаться по суті незміненими через прийнятні перетворення. Запро­поновані методи є гнучкими і можуть використовуватися для рішення інших задач. Ключові слова: коди ідентифікації повідомлення, цифрові системи підпису, хешування зо­браження, алгоритм хешування.

Вступ. Задача методів ідентифікації графічних зображень - знайти спотворення вмісту та визначити автора об'єкта даних. Два головні криптографічні примітиви для забезпечення достовірності - це коди ідентифікації повідомлення (MAC) і цифрові сис­теми підпису (DS). В обох системах, щоб ідентифікувати об'єкт даних m, алгоритм ге­нерації використовується для отримання ознаки ідентифікації t, яка приєднується до об'єкта, щоб сформувати m\\t. Алгоритм перевірки бере об'єкт та пару ознак o\\t і прово­дить порівняння і визначає (достовірність) справжній об'єкт чи ні. У системах MAC ключ генерації і верифікації однаковий (або один може бути легко отриманий з іншого), і система називається симетричною ключовою система. Недоліком симетричних ключо­вих систем - є те, що вони не забезпечують «неможливості відмови від авторства»: відправник може відхиляти повідомлення, яке він переслав. У системах DS, ознака іден­тифікації також називається підписом і використовується не тільки для ідентифікації але і для забезпечення «неможливості відмови від авторства». Головний недолік систем DS - те, що вони потребують багато дорогоцінних ресурсів для обчислень.

Постановка задачі. Метод хешування зображення H бере довільне зображення І і створює строку бітів xj. На відміну від криптографічних хеш-функцій, алгоритми хешування зображення повинні бути позбавлені чутливості до бітів і створювати таке ж значення для подібних зображень, які є визначеними через набір А - допустимих пере­творень. Дані перетворення не змінюють головні особливості зображення. Ми говоримо зображення I' подібне I, якщо I' = a(I); a є A. Нам також потрібно визначити набір A' неприпустимих перетворень, які складаються з перетворень, застосованих до цілого зоб­раження, як наприклад компресія в низькому якісному чиннику з метою пошкодження важливих деталей зображення, і локалізованої модифікації вмісту.

Метод хешування повинен створювати 'близькі' значення для зображень, які одержані через прийнятні перетворення, і 'віддалені' значення для зображень, які одер-

Страницы:
1 


Похожие статьи

А А Петров, Рыбальский О В - Применение спектрального анализа при обработке полиграмм