The object of research, development or design (in Russian) : Объектом исследования и разработки является система анализа речевых данных с целью автоматического выявления психоэмоциональных состояний и раннего диагностирования психических расстройств, таких как депрессия и суицидальные наклонности. Основой исследования служат аудиозаписи речи, включающие разнообразные демографические группы и аннотированные по степени выраженности различных эмоциональных и психологических состояний​. В качестве основного источника данных используются аннотированные вокальные записи, содержащие как акустические, так и лингвистические характеристики. Эти записи собираются и анализируются с учетом этических аспектов и конфиденциальности, включая информированное согласие участников и соблюдение протоколов анонимизации. Для разработки системы применяются передовые технологии машинного обучения, включая глубокие нейронные сети (DNN), методы обучения с подкреплением (RL), а также алгоритмы извлечения признаков, такие как MFCCs, спектральные и просодические параметры речи. Объект исследования охватывает также архитектуру моделей и их адаптацию для обеспечения высокой точности и надежности выявления психоэмоциональных состояний​. Результаты исследования и разработки предназначены для создания инновационных решений, которые могут быть использованы в клинической практике, способствуя улучшению мониторинга психического здоровья и диагностики различных психических расстройств.

The object of research, development or design (in Kazakh) : Зерттеу және әзірлеу объектісі-психоэмоционалды жағдайларды автоматты түрде анықтау және депрессия мен суицидке бейімділік сияқты психикалық бұзылуларды ерте диагностикалау мақсатында сөйлеу деректерін талдау жүйесі. Зерттеудің негізі-әртүрлі демографиялық топтарды қамтитын және әртүрлі эмоционалды және психологиялық күйлердің ауырлығы бойынша түсіндірілетін сөйлеу аудиожазбалары. Деректердің негізгі көзі ретінде акустикалық және лингвистикалық сипаттамалары бар аннотацияланған вокалдық жазбалар қолданылады. Бұл жазбалар этикалық аспектілер мен құпиялылықты ескере отырып жиналады және талданады, соның ішінде қатысушылардың ақпараттандырылған келісімі және анонимизация хаттамаларын сақтау. Жүйені дамыту үшін терең нейрондық желілерді (DNN), күшейтілген оқыту әдістерін (RL) және MFCCs, спектрлік және просодикалық сөйлеу параметрлері сияқты белгілерді алу алгоритмдерін қоса алғанда, машиналық оқытудың озық технологиялары қолданылады. Зерттеу нысаны сонымен қатар модельдердің архитектурасын және олардың психоэмоционалды күйлерді анықтаудың жоғары дәлдігі мен сенімділігін қамтамасыз ету үшін бейімделуін қамтиды. Зерттеу және әзірлеу нәтижелері психикалық денсаулықты бақылауды және әртүрлі психикалық бұзылуларды диагностикалауды жақсартуға ықпал ететін клиникалық тәжірибеде қолдануға болатын инновациялық шешімдерді жасауға арналған.

Aim of work (in Russian) : Целью проекта является разработка технологии, которая позволит выявлять и предупреждать суицидальную предрасположенность путем выявления лицевых и голосовых паттернов отражающих психо эмоциональное состояние.

Aim of work (in Kazakh) : Жобаның мақсаты-психо-эмоционалды жағдайды көрсететін бет және дауыс үлгілерін анықтау арқылы суицидтік бейімділікті анықтауға және алдын алуға мүмкіндік беретін технологияны әзірлеу.

Методы исследования (на русском) : Для достижения целей проекта используются методы, классифицируемые по типу проведения исследования, видам алгоритмов машинного обучения и способам обработки данных. Применяются корреляционный метод для выбора маркеров детектирования суицидальных наклонностей и экспериментальный метод для оценки эффективности гибридных подходов. Экспериментальный метод включает три этапа: подготовительный (определение алгоритмов для маркеров и создание эффективной модели), улучшающий (обучение моделей и настройка гиперпараметров) и решающий (тестирование моделей и проверка гипотез). Используются алгоритмы бинарной классификации: логистическая регрессия, метод опорных векторов, дерево решений, случайный лес, нейронные сети, включая сверточные. Методы кластеризации для неразмеченных данных включают алгоритм К-ближайших соседей, спектральную и агломеративную кластеризацию, иерархические методы и кластеризацию на основе плотности.

Методы исследования (на казахском) : Жобаның мақсаттарына жету үшін зерттеу түрі, Машиналық оқыту алгоритмдерінің түрлері және деректерді өңдеу әдістері бойынша жіктелген әдістер қолданылады. Суицидтік бейімділікті анықтау маркерлерін таңдау үшін корреляциялық әдіс және гибридтік тәсілдердің тиімділігін бағалау үшін эксперименттік әдіс қолданылады. Эксперименттік әдіс үш кезеңнен тұрады: дайындық (маркерлерге арналған алгоритмдерді анықтау және тиімді модель құру), жақсарту (модельдерді оқыту және гиперпараметрлерді реттеу) және шешуші (модельдерді тестілеу және гипотезаларды тексеру). Екілік жіктеу алгоритмдері қолданылады: логистикалық регрессия, тірек векторлық әдіс, шешім ағашы, кездейсоқ орман, нейрондық желілер, соның ішінде конволюциялық. Белгіленбеген деректерге арналған кластерлеу әдістеріне К - жақын көршілер алгоритмі, спектрлік және агломеративті кластерлеу, иерархиялық әдістер және тығыздыққа негізделген кластерлеу жатады.

Obtained results and novelty (in Russian) : Результаты исследований: Исследования показали эффективность машинного обучения для автоматического выявления психоэмоциональных состояний по анализу речи. Создана и протестирована модель на основе обучения с подкреплением, продемонстрировавшая высокую точность при распознавании суицидальных наклонностей. Анализ данных выявил значимость акустических признаков, таких как высота тона, интенсивность и спектральные характеристики (например, MFCCs), для идентификации рисков суицидальных намерений. Опубликованные работы, включая публикацию в RS Global Journal, подтвердили успешность предложенных подходов. Статьи, поданные на конференции и в журналы, продемонстрировали потенциал моделей для раннего выявления депрессивных состояний и психических расстройств. Научная новизна: Исследования отличает комплексный подход к анализу и распознаванию состояний с использованием алгоритмов машинного обучения и методов извлечения признаков речи. Применение глубоких нейронных сетей и обучения с подкреплением, а также акцент на этику сбора данных обеспечили высокую точность и обобщаемость моделей. Эти исследования вносят значительный вклад в развитие технологий для диагностики психических расстройств и открывают перспективы создания платформ для мониторинга психического здоровья.

Obtained results and novelty (in Kazakh) : Зерттеу нәтижелері: зерттеулер сөйлеуді талдау арқылы психоэмоционалды жағдайларды автоматты түрде анықтау үшін машиналық оқытудың тиімділігін көрсетті. Суицидтік тенденцияларды тану кезінде жоғары дәлдікті көрсететін күшейтілген оқыту моделі жасалды және сыналды. Деректерді талдау суицидтік ниет тәуекелдерін анықтау үшін биіктік, қарқындылық және спектрлік сипаттамалар (мысалы, MFCCs) сияқты акустикалық белгілердің маңыздылығын анықтады. Жарияланған жұмыстар, соның ішінде RS Global Journal басылымы ұсынылған тәсілдердің сәттілігін растады. Конференциялар мен журналдарда жарияланған мақалалар депрессиялық күйлер мен психикалық бұзылуларды ерте анықтау үшін модельдердің әлеуетін көрсетті. Ғылыми жаңалық: зерттеу Машиналық оқыту алгоритмдері мен сөйлеу белгілерін алу әдістерін қолдана отырып, күйлерді талдау мен танудың кешенді тәсілін ажыратады. Терең нейрондық желілерді қолдану және күшейту жаттығулары, сондай-ақ деректерді жинау этикасына баса назар аудару модельдердің жоғары дәлдігі мен жалпылануын қамтамасыз етті. Бұл зерттеулер психикалық бұзылуларды диагностикалау технологиясының дамуына айтарлықтай үлес қосады және психикалық денсаулықты бақылау платформаларын құру перспективаларын ашады.

The main constructive and technical economic indicators (in Russian) : Конструктивные показатели: Разработана система анализа речи для выявления психических расстройств, базирующаяся на архитектуре глубоких нейронных сетей (DNN) и методах обучения с подкреплением (RL). Применение алгоритмов, таких как Q-обучение и SARSA, позволило оптимизировать производительность и точность классификации. Модели интегрируют временные и спектральные признаки (например, MFCCs, просодические характеристики) и поддерживают надежность за счет перекрестной проверки и регуляризации данных. Технико-экономические показатели: Эффективность достигается высокой производительностью и точностью моделей при умеренных затратах на обучение и развертывание. Использование аннотированных баз данных и методов увеличения данных оптимизировало расходы на сбор и обработку информации. Оптимизация гиперпараметров снизила потребность в дополнительных ресурсах. Разработанные решения подтвердили потенциал для интеграции в системы мониторинга психического здоровья. Их успешное внедрение может снизить затраты на диагностику и сделать услуги более доступными.

The main constructive and technical economic indicators (in Kazakh) : Конструктивті көрсеткіштер: терең нейрондық желі архитектурасына (DNN) және күшейтілген оқыту әдістеріне (RL) негізделген психикалық бұзылуларды анықтау үшін сөйлеуді талдау жүйесі әзірленді. Q-оқыту және SARSA сияқты алгоритмдерді қолдану өнімділік пен жіктеу дәлдігін оңтайландыруға мүмкіндік берді. Модельдер уақыт пен спектрлік белгілерді біріктіреді (мысалы, MFCCs, просодикалық сипаттамалар) және деректерді кросс-тексеру және реттеу арқылы сенімділікті сақтайды. Техникалық-экономикалық көрсеткіштер: тиімділікке модельдердің жоғары өнімділігі мен дәлдігі, оқыту мен орналастырудың орташа шығындары арқылы қол жеткізіледі. Аннотацияланған мәліметтер базасы мен деректерді көбейту әдістерін қолдану ақпаратты жинау және өңдеу шығындарын оңтайландырды. Гиперпараметрлерді оңтайландыру қосымша ресурстарға деген қажеттілікті азайтты. Әзірленген шешімдер психикалық денсаулықты бақылау жүйелеріне интеграциялау мүмкіндігін растады. Оларды сәтті енгізу диагностикалық шығындарды азайтып, Қызметтерді қол жетімді ете алады.

Level of implementation (in Russian) :

Level of implementation (in Kazakh) :

Efficiency (in Russian) :

Efficiency (in Kazakh) :

Field of application (in Russian) : Разработанные системы анализа речи для диагностики психоэмоциональных состояний имеют широкий спектр применения: Клиническая психиатрия и психология: Помогают в раннем выявлении депрессии и суицидальных наклонностей, обеспечивая своевременное вмешательство и объективную оценку состояния пациентов. Психологическое консультирование: Автоматизированные системы поддерживают оценку эмоционального состояния клиентов и мониторинг изменений во время терапии. Образовательные учреждения: Применение технологий для мониторинга психоэмоционального состояния студентов способствует профилактике кризисных ситуаций и поддержке их благополучия. Корпоративные системы: Использование для мониторинга эмоционального состояния сотрудников улучшает условия труда, предотвращает выгорание и повышает продуктивность. Виртуальные помощники: Интеграция алгоритмов распознавания эмоций улучшает взаимодействие, делая системы более адаптивными и персонализированными. Общественное здоровье: Технологии помогают выявлять группы риска и разрабатывать стратегии профилактики в масштабных проектах по поддержке психического здоровья населения.

Field of application (in Kazakh) : Психоэмоционалды жағдайларды диагностикалауға арналған сөйлеуді талдау жүйелері қолданудың кең спектріне ие: Клиникалық психиатрия және психология: депрессия мен суицидтік тенденцияларды ерте анықтауға көмектеседі, уақтылы араласуды және пациенттердің жағдайын объективті бағалауды қамтамасыз етеді. Психологиялық кеңес беру: автоматтандырылған жүйелер клиенттердің эмоционалды жағдайын бағалауды және терапия кезіндегі өзгерістерді бақылауды қолдайды. Білім беру мекемелері: студенттердің психоэмоционалды жағдайын бақылау үшін технологияларды қолдану дағдарыстық жағдайлардың алдын алуға және олардың әл-ауқатын қолдауға ықпал етеді. Корпоративтік жүйелер: қызметкерлердің эмоционалды жағдайын бақылау үшін пайдалану жұмыс жағдайын жақсартады, күйіп қалудың алдын алады және өнімділікті арттырады. Виртуалды көмекшілер: эмоцияны тану алгоритмдерін біріктіру өзара әрекеттесуді жақсартады, жүйелерді бейімделгіш және жекелендіреді. Қоғамдық денсаулық: технология тәуекел топтарын анықтауға және халықтың психикалық денсаулығын қолдау бойынша ауқымды жобаларда алдын алу стратегияларын әзірлеуге көмектеседі.