Контрольная работа информационная деятельность человека: Контрольная работа по разделам «Информационная деятельность человека», «Информация и информационные процессы»

Ниже приводится более подробный анализ экспериментальных результатов двух моделей. Таблицы 4 и 5 показывают результаты двух моделей на матрице неточностей. Мы наблюдаем, что модель, использующая информацию о местоположении, ошибочно приписывала только действия, возможные в одном и том же месте, тогда как модель без неправильной атрибуции информации о местоположении может распространяться на другие действия в разных местах.Сначала мы оцениваем результат модели, которая не использует информацию о местоположении. В таблице 4 активность A11 идентифицирована с наименьшей точностью. Активность A11 особенно путают с A4 и A5. A7 и A8 перепутаны друг с другом. Более того, мы можем подтвердить, что A1 и A3 сильно путают с A2 и A4. В таблице 5 результат модели с использованием информации о местоположении показывает, что точность предсказания A11, которую путали с A4 и A5, улучшена. Однако, поскольку A7 и A8 имеют одинаковую информацию о местоположении, они все еще не понимают.Все остальные действия меньше путают с действиями в других местах, и точность показывает улучшение.

В ходе этого эксперимента мы подтвердили, что предлагаемая нами модель может классифицировать как повседневные, так и простые действия.Кроме того, подтверждено, что информация о местоположении очень полезна для классификации занятий. Мы классифицируем повседневную деятельность с точностью около 95%.

5.4. Влияние количества слоев

Ниже приводится анализ производительности в зависимости от количества слоев. На рисунке 6 показан график, показывающий производительность для каждой модели в зависимости от количества слоев. Производительность увеличивается по направлению к 5-уровневому слою и снова уменьшается, когда уровень слоя становится глубже, чем 5-уровневый слой.Этот шаблон не связан с данными о местоположении; похоже, это особенность ИНС. Слишком мелкие модели уровней не обучаются эффективно, а слишком большая глубина неэффективна, потому что количество уровней, необходимых для обучения, слишком велико.

Модель с 5 уровнями лучше всего работает в обоих случаях, с информацией о местоположении и без нее, обеспечивая точность 96% и 91% соответственно.Когда модель использует информацию о местоположении, производительность моделей с 3, 4, 5, 6 и 7 уровнями выше примерно 95%, что является достаточно высоким показателем. Без информации о местоположении все модели с 4, 5 и 6 уровнями превышают примерно 90%.

5.5. Влияние размера окна

В этом эксперименте мы инициализировали размер окна на 1, 5, 10, 30, 60 (1 мин), 120 (2 мин), 180 (3 мин) и 240 (4 мин), и была исследована скорость предсказания каждого размера окна. На рисунке 7 показан график производительности в зависимости от размера окна модели на основе 5-уровневой модели, которая дала наилучшую производительность из предыдущих результатов.На рисунке 7 (a) показан результат, основанный на наборе данных без информации о местоположении, а на рисунке 7 (b) показан результат с использованием информации о местоположении. Размер окна — это единица, по которой модель прогнозирования основана на классифицирующей деятельности. Другими словами, для определения активности необходимы данные, соответствующие размеру окна. Меньший размер окна увеличивает скорость предсказания, но снижает точность предсказания; однако, хотя больший размер окна увеличит точность за счет скорости, существует предел: за пределами определенного размера окна точность может быть отрицательно затронута из-за наложения с другим поведением, что может исказить результаты.

Здесь мы количественно определяем эффективные размеры окна. Когда размер окна меньше 3 с (1 с, 0,5 с), скорость предсказания очень высокая, но точность очень низкая. Когда размер окна превышает одну минуту (2, 3, 4 и 5 минут), скорость прогнозирования очень низкая, и точность больше не увеличивается.Поэтому мы оцениваем 10 с как оптимальный размер окна, который уравновешивает обратно пропорциональные параметры: прогнозируемую скорость и точность.

5.6. Сравнение с другими алгоритмами машинного обучения

Здесь мы сравниваем производительность наиболее часто используемых алгоритмов в контролируемом обучении: дерево решений (DT), случайный лес (RF) и машина опорных векторов (SVM). В этом эксперименте используется библиотека Scikit-learn, которая представляет собой бесплатную библиотеку машинного обучения для языка программирования Python [24].Каждая модель находит оптимальные параметры модели с помощью функции поиска по сетке. Классификационные модели разработаны с использованием найденных параметров модели для классификации повседневной деятельности с использованием одного и того же набора данных.

На рисунке 8 показан результат алгоритмов машинного обучения. На рис. 8 (а) показан результат, полученный с использованием набора данных без информации о местоположении. В этом исследовании лучшую производительность показывает RF, но ИНС незаметно отстает от RF. Разрыв обеих моделей составил менее 0,1%. Однако другие модели показали плохую производительность.Производительность как DT, так и SVM была менее 75%. Эти результаты не могут определить, хорошо ли работает классификационная модель.

На рисунке 8 (b) показан результат, полученный с использованием набора данных с информацией о местоположении. В целом производительность всех моделей улучшилась, как показано на Рисунке 8 (а).Производительность DT и SVM по-прежнему ниже, чем у RF и ANN. Однако характеристики обеих моделей улучшились на 15%. Показатели РФ и ИНС также улучшились на 5%. При использовании информации о местоположении лучшей моделью является ИНС. Все показатели эффективности различаются более чем на 1%.

5.7. Оценка в реальном времени

На рисунке 9 показаны результаты оценки распознавания активности в реальном времени. Мы позволяем одному участнику выполнять семь действий подряд в течение 2 минут каждое, и мы прогнозируем активность испытуемого, используя прогностическую модель, ранее изученную с использованием общего набора данных.На рисунке 9 (a) показаны результаты использования модели прогнозирования, полученной без использования информации о местоположении, а на рисунке 9 (b) показан результат использования модели прогнозирования с использованием информации о местоположении.

Обе модели были перепутаны с совершенно разными действиями в разделе транзакций.Это интерпретируется как результат того факта, что данные в соответствующем интервале могут содержать два или более шаблонов, когда человек выполняет действие как непрерывное действие. Очищенные разделы также четко классифицируются, поскольку они четко включают характеристики предыдущих или следующих действий. При сборе данных для этого эксперимента модель активности А2 испытуемого имела тенденцию быть очень похожей на модель активности А3 всего набора данных, который усвоила модель. Обе модели классификации путают активность A2 с активностью A3.Похоже, что в естественной активности А2 субъекта есть много сбивающих с толку черт активности А3.

Затем каждая модель разделяется и оценивается. На рисунке 9 (a) показаны результаты модели, которая не использует информацию о местоположении и сильно путается с действиями A3 и A2. В частности, активность A3 путают с деятельностью в других местах, таких как A6 и A11. Эта проблема не наблюдается, как показано на рисунке 9 (b), когда модель использует информацию о местоположении. На рис. 9 (а) коэффициент прогнозирования A2 составляет менее 50%, но в модели, использующей информацию о местоположении, он превышает 70%.Даже если имеется много непонятных данных, таких как A2, модель, использующая информацию о местоположении, имеет более высокую точность за счет использования более подробного классификатора.

Когда модель спроектирована с использованием эпохи, размера окна и уровня слоя, как определено в предыдущем эксперименте, можно подтвердить значительно высокую скорость прогноза в эксперименте, который распознает человеческую деятельность в реальном времени. Последовательную деятельность человека сложно определить в рамках одной деятельности. Поэтому проблему низкой точности в разделе транзакции решить сложно, потому что определение активности неточно.Напротив, проблему путаницы А2 с А3, по-видимому, необходимо преодолеть, уменьшив проблему переобучения и добавив новые функции или разработав модель, которая учитывает различные паттерны деятельности.

6. Заключение

В этом исследовании мы предложили систему HAR, использующую стандартные умные часы и ИНС. Мы также показали, что информация о местоположении может повысить производительность системы. Мы рассмотрели 11 видов деятельности, включая как простые, так и повседневные, и наши экспериментальные результаты показали, что различные виды деятельности можно классифицировать с точностью до 95%.

Энергоэффективность может быть улучшена с помощью предлагаемой системы, поскольку она может точно прогнозировать активность пользователя, потреблять только энергию, необходимую для деятельности, и уменьшать потери энергии. Более того, предлагаемая система может повысить удобство. Например, после того, как система предсказывает активность пользователя, она выключает свет, когда пользователь лежит в постели.

Доступность данных

Необработанные данные доступны по адресу «https://www.dropbox.com/s/x4n1za8zo3oe8eg/rawData.csv? dl = 0 ”или у соответствующего автора по запросу.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.

Благодарности

Эта работа была поддержана грантом Национального исследовательского фонда Кореи (NRF), финансируемым правительством Кореи (MSIP) (№ 2016R1A5A1012966).

Профиль человеческой деятельности | База данных RehabMeasures

Библиография

Американское торакальное общество.(2017). Качество жизни ресурсов: профиль человеческой деятельности. Получено с http://qol.thoracic.org/sections/instruments/fj/pages/adapt.html

А.С., Морейра, Б.С., Виейра, Р.А., Кирквуд, Р.Н., Диас, Дж. М. Д., и Диас, Р. К. (2014). Подтверждение анкеты профиля человеческой активности как показателя уровня физической активности у пожилых женщин, проживающих в общинах. Journal of Aging and Physical Activity, 22, 348-356. https://doi.org/10.1123/JAPA.2012-0283

Беннелл, К.Л., Хинман, Р. С., Кроссли, К. М., Меткалф, Б. Р., Бухбиндер, Р., Грин, С., и МакКолл, Г. (2004). Полезен ли профиль человеческой активности для людей с остеоартритом коленного сустава? Журнал исследований и разработок в области реабилитации, 41 (4), 621-630.

Билек, Л. Д., Венема, Д. М., Кэмп, К. Л., Лайден, Э. Р., и Меза, Дж. Л. (2005). Оценка профиля человеческой активности для людей с артритом. Arthritis & Rheumatism (Arthritis Care & Research), 53 (5), 756-763.https://doi.org/10.1002/art.21455

Билек Л. Д., Венема Д. М., Виллетт Г. М. и Лайден Э. Р. (2008). Использование профиля человеческой активности для оценки физической формы у людей с артритом. Arthritis & Rheumatism (Arthritis Care & Research), 59 (5), 659-664. https://doi.org/10.1002/art.23572

Доутон Д. М., Фикс А. Дж., Касс И., Белл К. В. и Патил К. Д. (1982). Максимальное потребление кислорода и шкала качества жизни ADAPT. Архив физической медицины и реабилитации, 63, 620-622.

Дэвидсон, М. и де Мортон, Н. (2007). Систематический обзор профиля человеческой деятельности. Клиническая реабилитация, 21, 151-162. https://doi.org/10.1177/026

Фаррелл, М. Дж., Гибсон, С. Дж., И Хельм, Р. Д. (1996). Измерение активности пожилых людей с хронической болью. Клинический журнал боли, 12, 6-12.

Фикс, А. Дж., И Доутон, Д. М. (1998). Профессиональное руководство по профилю человеческой деятельности. Psychological Assessment Resources, Inc.

Хинман, Р. С., Беннелл, К. Л., и Меткалф, Б. Р. (2002). Временная активность обширной косой мышцы бедра и латеральной широкой мышцы бедра при симптоматическом остеоартрите коленного сустава. Американский журнал реабилитации физической медицины, 81, 684-690. https://doi.org/10.1097/01.CCM.0000026919.24522.59

Крамер М., Хойсснер П., Херцберг П. Ю., Андре Х., Хильгендор И., Лейтхаузер М., Юнгханс К., Фройнд М. и Вольф Д. (2013). Валидация теста захвата и профиля активности человека для оценки физической работоспособности на промежуточной фазе после трансплантации аллогенных гемопоэтических стволовых клеток. Support Care Cancer, 21, 1121-1129. https://doi.org/10.1007/s00520-012-1634-1

Рибейора-Самора, Г. А., Перейра, Д. А. Г., Виейра, О. А., Номан де Аленкар, М. К., Родригес, Р. С., Карвалью, М. Л. В., Монтемеццо, Д., и Бритто, Р. Р. (2016). Использование профиля человеческой активности для оценки функциональной эффективности при сердечной недостаточности. Heart Failure, 36, 180-185. https://doi.org/10.1097/HCR.000000000000162

Соуза, Д. К., Вегнер, Ф., Коста, Л. К. М., Чиавегато, Л.Д., & Лунарди А. С. (2017). Свойства измерения анкеты профиля человеческой деятельности у госпитализированных пациентов. Brazilian Journal of Physical Therapy, 21 (3), 153-158. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5537466/

Устройство без активности человека и распознавание падений с использованием информации о состоянии канала WiFi (CSI)

Артикул Google ученый

Заявление на американском жестовом языке

Abstract

Распознавание человеческой деятельности — важная и трудная тема для изучения из-за значительной разницы между задачами, повторяемыми испытуемым несколько раз, и между испытуемыми.Эта работа мотивирована предоставлением классификации сигналов временных рядов и надежных подходов к проверке и тестированию. В этом исследовании предлагается классифицировать 60 знаков американского языка жестов на основе данных, предоставленных датчиком LeapMotion, с использованием различных традиционных моделей машинного обучения и глубокого обучения, включая модель DeepConvLSTM, которая объединяет сверточные и повторяющиеся слои с ячейками долгосрочной краткосрочной памяти. Предлагается кинематическая модель правого и левого предплечья / кисти / пальцев / большого пальца, а также использование простой техники увеличения данных для улучшения обобщения нейронных сетей.DeepConvLSTM и сверточная нейронная сеть продемонстрировали самую высокую точность по сравнению с другими моделями с 91,1 (3,8) и 89,3 (4,0)% соответственно по сравнению с рекуррентной нейронной сетью или многослойным персептроном. Интеграция сверточных слоев в модель глубокого обучения кажется подходящим решением для распознавания жестового языка с помощью данных датчиков глубины.

Образец цитирования: Hernandez V, Suzuki T, Venture G (2020) Сверточная и рекуррентная нейронная сеть для распознавания человеческой активности: приложение на американском языке жестов.PLoS ONE 15 (2): e0228869. https://doi.org/10.1371/journal.pone.0228869

Редактор: Цзе Чжан, Университет Ньюкасла, ВЕЛИКОБРИТАНИЯ

Поступило: 1 июля 2019 г .; Одобрена: 24 января 2020 г .; Опубликовано: 19 февраля 2020 г.

Авторские права: © 2020 Hernandez et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Наши данные доступны в Интернете по следующему адресу: http://dx.doi.org/10.17632/8yyp7gbg6z.1.

Финансирование: Это исследование финансировалось Институтом глобальных инновационных исследований Токийского университета сельского хозяйства и технологий. Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

Введение

Язык жестов — это язык, в котором в основном используются кинематика рук и мимика. Он широко используется людьми с нарушениями слуха для общения друг с другом, но редко с людьми, у которых нет нарушений слуха. Следовательно, они находятся в прямом контакте только с людьми с нарушениями слуха, что значительно ограничивает социальное взаимодействие. Альтернативой может быть перевод в режиме реального времени с переводчиками, но они не доступны постоянно и могут быть довольно дорогими.Поэтому система, которая могла бы включать автоматический перевод, была бы очень интересна.

Распознавание человеческой деятельности (HAR) в целом является важной и сложной темой, к которой следует обратиться из-за большой вариативности, которая существует для данной задачи. Действительно, независимо от того, возникает ли изменчивость из-за того, что субъект повторяет действие несколько раз или, что более важно, между субъектами, кинематическое поведение с течением времени представляет собой определенную проблему для обобщения. HAR считает, что это поведение представлено определенными шаблонами, которые можно классифицировать с помощью алгоритмов машинного обучения.

В настоящее время данные о перемещениях человека можно легко извлечь из недорогих систем, которые объединяют датчики карт глубины, такие как Kinect и LeapMotion. Эти системы готовы к использованию, требуют относительно короткого времени на настройку, и данные могут быть легко извлечены. Следовательно, их можно легко использовать для быстрого получения большого количества данных, что является обязательным требованием при рассмотрении машинного обучения. Другие подходы были рассмотрены с помощью sEMG [1], CyberGloves [2] или системы захвата движения, но эти методы трудно использовать за пределами лабораторий.

Рассматривая такие системы, как Kinect® или комбинированный подход Kinect / LeapMotion®, было проведено несколько исследований с использованием видео или датчика карт глубины и подходов машинного обучения, таких как Hidden-Markov-Model (HMM) [3], связанная HMM [ 4], случайный лес на пиксель [5], мультиклассовая машина опорных векторов (SVM) [6], линейная двоичная SVM [7], сверточная нейронная сеть (ConvNet) [8,9] и подходы на основе видео DeepConvLSTM [10] и многие другие. Такие подходы интересны, но Kinect по-прежнему сложно использовать в общественных местах, поскольку для него требуется большое пространство и источник питания.

LeapMotion легко определяет движения предплечья и ладони, а также положение пальцев и большого пальца с точностью измерения 200 мкм [11] для оценки положения сустава. Такая точность может быть полезна для создания точных моделей кинематики системы рука-рука. Кроме того, его можно использовать с одним USB-портом, он потребляет очень мало энергии и не требует большого пространства, что делает его удобным для приложений вне лаборатории. Кроме того, это доступная система, для настройки которой не требуется профессионал и не требуется калибровка, что делает ее практичной в использовании.Кроме того, разработка камер с датчиком глубины на смартфонах была бы интересным выбором в качестве основы для распознавания языка жестов и для разработки портативных систем, которые просты в использовании.

Найду и Готкар [12] использовали LeapMotion для классификации подмножества индийского языка жестов (10 арабских чисел, 26 букв и 9 слов). Они предлагают четыре различных подхода (мера евклидова расстояния, сходство, сходство по Жаккару и игральные кости) с 8 расстояниями, вычисленными из 6 измеренных точек (центр ладони и все кончики пальцев).Косинусное сходство показало точность 90,00% для всего набора данных, но их подход ограничен статической позой. Марин и др. [6] изучали комбинированный подход LeapMotion / Kinect с мультиклассовой SVM для классификации 10 статических слов американского языка жестов (ASL) с ручным извлечением ключевых моментов. Они представили среднюю точность 80,86%, 89,71% и 91,28% с помощью подходов LeapMotion, Kinect и комбинированного Kinect / LeapMotion соответственно с независимой от пользователя перекрестной проверкой k раз (M-1 для каждого K) для настройка параметров.Затем классификатор был повторно обучен со всеми предметами (M) и вычислил для него точность, которая не дает надежной модели, которую можно использовать с новыми предметами. Kumar et al. [4] также рассмотрел комбинированный подход Kinect / LeapMotion на 25 динамических словах индийского языка жестов. Они рассмотрели подход со связанными HMM и достигли точности 90,8% на 25% от полного набора данных (50% использовались для обучения и 25% для настройки параметров и проверки параметров), однако они не предоставляют информацию, является ли пользователь рассматривался независимый тест.Чуан и др. [13] классифицировал 26 букв английского алфавита с помощью классификаторов k-NN и SVM. Результаты показали среднюю степень классификации 72,78% и 79,83% соответственно с использованием k -кратной перекрестной проверки (K = 4) для полного набора данных, состоящего из 2 субъектов. Fok et al. [14] предложили подход на основе HMM для распознавания 10 арабских чисел ASL с общим средним распознаванием 93,14% половины выборки каждого предмета для обучения и оставшихся данных для тестирования модели.

Недавний прорыв в области глубокого обучения превзошел традиционный подход машинного обучения в задачах компьютерного зрения [15]. Глубокое обучение использует последовательность слоев для извлечения информации, причем выходные данные одного слоя являются входными данными следующего. Они обеспечивают надежный подход к обобщению межпредметной изменчивости и могут учитывать динамическое поведение временных рядов человеческих движений в основном с помощью ConvNet и рекуррентной нейронной сети (RNN). Что касается распознавания жестового языка, Коллер и др.[16] используют гибридный подход ConvNet-HMM, основанный на последовательности изображений, извлеченных из видео, и отслеживании доминирующей руки.

Что касается глубокого обучения, современное состояние HAR представлено Ордоньесом и Роггеном [17], адаптированными из Sainath et al. [18] для распознавания речи. Они предложили модель, основанную на объединении сверточных и рекуррентных слоев с долгосрочной краткосрочной памятью (LSTM) под названием DeepConvLSTM с данными от датчиков инерциальных измерительных блоков (IMU). ConvNet и RNN используют подходы к обучению с учителем, которые могут изучить зависимости между заданными входами и выходами.DeepConvLSTM превзошел ConvNet и RNN, которые рассматривались независимо для распознавания речи [18], и считается самым современным для HAR [17,19]. Действительно, у обоих подходов есть свои преимущества: сверточные слои могут извлекать особенности из заданного сигнала и повторяющиеся слои, которые могут учитывать динамику сигнала временного ряда [20–22]. Комбинированный подход кажется лучшим подходом для выполнения HAR и многообещающим, поскольку он позволяет гибкое слияние данных и извлечение признаков [17], и этот подход будет использован в данном исследовании.

Это исследование предлагает сравнение глубоких нейронных сетей для классификации 60 знаков ASL на основе полной кинематической модели правого и левого предплечья / кисти / пальцев / большого пальца. Кинематика кисти и предплечья основана на модели отслеживания скелета, предоставляемой датчиком LeapMotion. Целью этого исследования также является предложение надежной независимой от пользователя k -кратной перекрестной проверки и тестов в отличие от предыдущих исследований, которые были сосредоточены в первую очередь на внутрипользовательском тестировании своих моделей.Действительно, модели машинного обучения могут отражать поведение участников, но не новых. Также продемонстрировано, что внутрипользовательские тесты могут привести к завышению точности, которая не репрезентативна для результатов, которые могут быть получены на новых пользователях.

Этот документ организован следующим образом. Мы представляем эксперимент, а также детали по извлечению и обработке данных перед их использованием в наших моделях. Затем мы представляем методы классификации жестов, обучающие свойства моделей и используемые гиперпараметры.Наконец, представлены и обсуждаются результаты сравнения различных моделей.

Материалы и методы

Эксперименты

Эксперимент был одобрен местным комитетом по этике Токийского университета сельского хозяйства и технологий (TUAT) в Коганей, Япония. Все эксперименты проводились в 2018 году. Перед экспериментом участники дали информированное согласие на участие в исследовании.

Был собран набор данных из 25 субъектов мужского пола, все новички на любом языке жестов.Перед каждым измерением их учили соответствующему знаку. В этом исследовании были рассмотрены арабские числа от 0 до 10 и 49 слов. Общее количество собранных знаков представлено в Таблице 1.

Особенности извлечения

LeapMotion SDK Основные ресурсы Unity 4.3.2 использовались с модулем C # / Unity для сбора данных во время экспериментального протокола. Всего в LeapMotion в реальном времени извлекается 26 очков на каждой руке. Характеристики, вычисленные по этим точкам, основаны на подходе моделирования с использованием нескольких пальцев, представленном Carpinella et al.[23] с небольшими изменениями и рекомендациями ISB по относительной ориентации кисти и предплечья [24].

Кинематические модели

Следующие системы координат рассматриваются для кисти (1) и предплечья (2) (рис. 1). (1) имеет направление (M ₂ -M ₅ ), направленное наружу, перпендикулярно форме в плане (M ₂ -RS) и (P ₅ -RS), направленный вперед, и является перекрестным произведением, направленным вверх.(2) имеет направление (EL-US), направленное вверх, является перекрестным произведением и (RS-US), направленным вперед, и является перекрестным произведением и направленным вовне. Затем углы Эйлера, которые описывают взаимную ориентацию кисти и предплечья (сгибание / разгибание и радиальное / локтевое отклонение), вычисляются с помощью последовательности вращения ZXY (направление векторов выражается из стандартного анатомического положения).

Рис. 1. Суставы рук.

Большой палец, указательный палец, середина, кольцо и мизинец пронумерованы от 1 до 5 соответственно.EF _i ( i = 1–5): положение концевого зажима для пальцев и большого пальца, M _i ( i = 1–5): пястно-фаланговый сустав большого пальца и большого пальца, P _i ( i = 1–5): проксимальные межфаланговые суставы большого пальца и пальца, D _i ( i = 2–5): дистальные межфаланговые суставы пальцев. EL: локтевой сустав (здесь не представлен), WR: лучезапястный сустав, RS: лучевой шиловидный сустав, US: локтевой шиловидный сустав, PALM: центр ладони.

https://doi.org/10.1371/journal.pone.0228869.g001

Для большого пальца и пальцев учитывается следующая кинематика (большой палец: i = 1, указательный: i = 2, средний: i = 3, кольцо: i = 4 и мизинец: i = 5) с EF _i ( i = 1–5), который представляет собой концевой эффектор пальца и большого пальца, M _i ( i = 1–5) пястно-фаланговый сустав большого пальца и большого пальца, P _i ( i = 1–5): проксимальный межфаланговый сустав пальца и большого пальца и D _i ( i = 2–5) палец дистальных межфаланговых суставов.Затем относительная ориентация каждого пальца с рукой представлена ​​углом сгибания α _i (угол между и M _i — P _i , проецируемым в плане XY ) и углом отведения φ _{. i} (угол между и M _i — P _i в проекции на плоскость YZ ). Кроме того, относительная ориентация большого пальца руки представлена ​​углом сгибания α ₁ (угол между и M _i — D _i в проекции в плане YZ ) и углом отведения φ _{. 1} (угол между и M _i — D _i в проекции в плоскости XY ).Кроме того, угол β _i между P _i — D _i и P _i — M _i и угол ϴ _i между EF _i — D _i и P _i — D _i для пальца i ^th ( i = 2–5) и угол ϴ ₁ между EF ₁ — D ₁ и M ₁ — D ₁ для большого пальца также вычисляются.Наконец, d _j ( j = 1–9) представляют собой евклидово расстояние между каждым последующим EF (EF ₁ с EF ₂ , EF ₂ с EF ₃ …) и между EF _i ( i = 1–5) и Palm.

Набор данных

Каждый знак извлекается вручную и интерполируется до 100 кадров с интерполяцией кубическим сплайном. Набор данных состоит из d = 16890 помеченных знаков. f = 60 объектов вычисляются для представления кинематики правой и левой сторон (рис. 1). Для каждого извлеченного знака признаки были перегруппированы в матрицу временных рядов F _l ( м, = 100 и n = 60), где каждая группа была задана следующим образом: (1) конец пальца и большой палец -эффектор (EF) относительное расстояние, (2) их расстояние с ладонью, (3) относительная ориентация руки с предплечьем, (4) относительная ориентация пальцев и большого пальца руки и (5) большой палец и углы пальцев.(1) Все матрицы признаков были рассчитаны для всех знаков ( l ) и испытуемых ( k ). Наконец, каждая характеристика f _{i , j} была стандартизирована со средним μ и стандартным σ отклонением их соответствующей группы, представленной выше следующим образом: (2) Затем каждый объект в наборе данных представлен в виде N чисел знака и y _l соответствующих выходных меток F _l , представленных в виде двоичного вектора.

Дополнение данных

Чтобы предотвратить переоснащение модели и помочь обобщить классификацию, было рассмотрено увеличение данных. Данный сигнал f _i разделен на 10 частей равной длины. Затем было рассмотрено искажение данных по величине и временному положению сигнала со следующими свойствами. Сначала каждая часть была искажена до случайного значения p с интерполяцией кубическим сплайном, и все части были реконструированы и интерполированы до 100 кадров.Затем амплитуда сигнала немного изменилась. Была сформирована синусоидальная волна со случайным периодом P , фазой φ и амплитудой A . Наконец, эта синусоидальная волна была умножена на A и на диапазон амплитуд текущего сигнала f _i и добавлена ​​к нему, что позволило плавное изменение. Эта процедура повторяется 40 раз для каждого F _l в обучающем наборе (описанном в следующем разделе).

Классификация жестов

Обучение, проверка и тестирование

В этом исследовании рассматривается подход, не зависящий от пользователя, т.е. данные от одного и того же участника появляются либо в наборе для обучения, проверки или тестирования. Для этого рассматривается вложенная k -кратная перекрестная проверка с независимым от пользователя подходом. Он состоит из внутреннего и внешнего цикла. В каждом цикле модель всегда обучается из случайной начальной точки, чтобы каждый внутренний и внешний цикл оставались независимыми друг от друга.Более того, первый внешний цикл учитывается для настройки гиперпараметров (например, количества слоев, размера единицы ячеек, скорости обучения, шагов, размера патча…).

Внутренний цикл состоит из разделения участников на два набора: 20 субъектов назначаются для набора для обучения / проверки и 5 для набора для тестирования. Набор для испытаний был оставлен в стороне, чтобы оценить окончательные характеристики моделей. Набор для обучения / проверки используется в неисчерпывающей независимой от пользователя перекрестной проверке k -Fold, которая состояла из вращающихся K = 4 крат с 15 и 5 объектами для обучения и проверки соответственно.Чтобы уменьшить переобучение нейронной сети, ранняя остановка применяется в каждые k раз, когда точность проверочного набора начинает снижаться (переобучение модели на обучающем наборе).

Внешний цикл следует той же процедуре, что и внутренний цикл, за исключением того, что тестовый набор изменяется (а также обучающий / проверочный) с пользователем, который все еще появлялся один раз в обучающем / проверочном или тестовом наборе. Этот цикл выполняется до тех пор, пока не будут протестированы все участники.

Тренировочная недвижимость

Модели были обучены с помощью мини-пакетов, состоящих из 500 образцов и скорости обучения η = 0.001 с экспоненциальным убыванием 0,9 каждые 5 эпох. В качестве формы регуляризации на каждом уровне добавляется обертка исключения для случайного выбора единиц, которые игнорируются в каждую эпоху со значением вероятности 0,8. Алгоритм оптимизации градиентного спуска Адама [25] использовался для минимизации функции стоимости E , которая соответствует перекрестной энтропии softmax между оцененным вектором (логиты) ( y ‘) и вектором истинных меток ( y ). : (3) Для каждой k -кратной перекрестной проверки фаза обучения была остановлена, когда точность набора проверки начала снижаться, и соответствующая модель была сохранена.

После k -кратной перекрестной проверки в каждом внешнем цикле создаются 4 обученные модели. Набор тестов подается в каждую модель ( k = 4), и окончательный прогнозируемый класс учитывается большинством голосов.

Модели

В этом исследовании рассматриваются различные традиционные модели машинного обучения и глубокого обучения. Что касается традиционных моделей машинного обучения, k-ближайшие соседи ( k -NN) [26], случайный лес (RF) [27] и машина опорных векторов (SVM) [28] используются в качестве базового сравнения.Сохраненные гиперпараметры следующие: k -NN используется с k = 10, RF используется с классификатором 1000 деревьев с глубиной 5, а SVM используется с линейным ядром. Рассмотрены модели глубокого обучения: Multi-Layer Perceptron (MLP), ConvNet, RNN с ячейкой LSTM от Zaremba et al. [29] и DeepConvLSTM (рис. 2). Подробная информация об их гиперпараметрах представлена ​​в Таблице 2.

Рис. 2. Архитектура DeepConvLSTM.

Архитектура ConvNet-LSTM. N1, N2, N3 и N4 представляют количество каналов (также называемых картой характеристик), созданных после каждого сверточного слоя.Их значения равны соответственно 16, 16, 32 и 64. ReLU (выпрямленный линейный блок) представляет функцию активации.

https://doi.org/10.1371/journal.pone.0228869.g002

Tensorflow 1.4 [30] с Python 3.5.2 был использован, а обучение проводилось на GTX 1060 6GB, который объединяет 1280 ядер CUDA [31].

В частности, DeepConvLSTM, выходные данные последних сверточных слоев передаются в 2 слоя LSTM, состоящие из ячейки LSTM из Zaremba et al. [29].Более того, по мере того, как временной ряд подается на уровни LSTM, скрытое состояние LSTM содержит все больше и больше информации о текущей последовательности. Следовательно, последний временной шаг уровня LSTM связан с уровнем softmax для получения вероятностей классов. Наконец, последний выход последних повторяющихся слоев соединяется со слоем с функцией активации softmax для нормализации выхода к распределению вероятностей.

Результаты

Результаты всех рассмотренных различных моделей с добавлением данных и без него представлены в таблице 3.Для сравнения результатов различных подходов был проведен односторонний дисперсионный анализ (ANOVA) с повторными измерениями. Затем был использован апостериорный тест Даннета для сравнения DeepConvLSTM с дополнением данных со всеми другими моделями. Уровень значимости был установлен на α = 0,05, и использовалась программа Statistica (Statsoft, Tulsa, OK, USA). ANOVA на моделях показал значительный основной эффект (F (10, 264) = 42,454, p <0,05), а тест Даннета показал более высокое значение точности для DeepConvLSTM с увеличением данных по сравнению со всеми другими моделями (p <0.05 для каждого сравнения), кроме ConvNet с увеличением данных (p> 0,05).

Таблица 3. Точность (среднее (SD)) набора для проверки и тестирования для различных рассматриваемых моделей (+ DA: включить увеличение данных).

Результаты включают все внутренние и внешние циклы вложенной k -кратной перекрестной проверки (* p <0,05).

https://doi.org/10.1371/journal.pone.0228869.t003

Нормализованная матрица путаницы и диаграмма Санки, созданная с помощью SankeyMATIC (http: // sankeymatic.com /) представлены в дополнительных материалах S1 и S2 Рис. в дополнительных материалах соответственно.

Кроме того, также был рассмотрен метод удержания с теми же гиперпараметрами DeepConvLSTM без увеличения данных. Он просто состоит в разделении всего набора данных на две части, выбранные случайным образом (80% обучение и 20% тестирование) стратифицированным способом (одинаковый процент меток в каждом наборе). Метод удержания был повторен 10 раз, и результаты показали среднюю точность 0.997 (0,001) с тестовым набором.

Обсуждение

Целью этого исследования было классифицировать 60 признаков ASL с использованием глубоких нейронных сетей с кинематическими моделями предплечья, кисти и пальцев на основе данных о положении суставов, предоставленных LeapMotion. Исходные данные LeapMotion для 25 субъектов бесплатно предоставляются вместе с этим исследованием (https://doi.org/10.17632/8yyp7gbg6z.1). Кроме того, для создания модели использовалась надежная независимая от пользователя перекрестная проверка в k раз. Этот шаг состоял из четырех циклов ( k = 4) с 15 предметами для обучения и 5 предметами для проверки без дублирования.За этим последовала фаза независимого от пользователя тестирования с 5 испытуемыми, использовавшимися для применения модели в «реальном случае» для представления результатов классификации. Более того, DeepConvLSTM сравнивался с рекуррентной нейронной сетью, состоящей из ячейки LSTM из Zaremba et al. [29], чтобы продемонстрировать улучшение комбинированного подхода.

Результаты показали, что DeepConvLSTM с расширением данных показал самые высокие результаты с точностью 91,1 (3,8)% на тестовых наборах. Эффект увеличения данных на этой модели показал значительное улучшение примерно на 3.8% (таблица 2) демонстрируют важность использования техники увеличения данных, чтобы помочь классификатору обобщить поведение человека [32]. ConvNet с увеличением данных показал незначительные отличия результатов от DeepConvLSTM с точностью 89,3 (4,0)%, а RNN представил более низкую точность 87,2 (5,1)% (Таблица 2). В отличие от исследования Ордоньеса и Роггена [17], DeepConvLSTM не превзошел ConvNet, но превзошел RNN, демонстрируя важность использования сверточных слоев для HAR.MLP, k-NN, SVM и RF показали худшие результаты по сравнению с моделями, состоящими из сверточных или повторяющихся слоев. Текущие подходы рассматривают использование размера ядра в сверточных слоях вдоль оси времени (например, 20 x 1 на первом сверточном слое). Использование большего ядра или изменение размера входного тензора на 100 x 1 x 60 для получения первой свертки для захвата всех взаимодействий векторов также было протестировано, но не было столь успешным. Сверточному слою может быть сложно одновременно захватить 60 измерений вдоль оси объекта.Сверточные слои используются для удаления отклоняющихся значений, извлечения признаков и фильтрации входных данных независимо по оси времени, что делает классификацию более эффективной в классифицирующей части моделей. Модели RNN с ячейками LSTM достигают высокой точности (87,2 (5,1)% с увеличением данных), которая улучшается за счет сверточного слоя в моделях DeepConvLSTM. Тем не менее, использование одномерного ядра для каждой функции независимо по оси времени в этом исследовании дало наилучшие результаты. Как также указали Ордоньес и Рогген [17], использование max-pooling на каждом сверточном уровне дает худшие результаты.Причем время испытания составило около 15,3 (0,6) с и 8,8 (0,3) с. для 5 испытуемых во всем внешнем цикле для DeepConvLSTM и ConvNet, соответственно, обеспечивая преимущество использования ConvNet для портативных систем.

Что касается метода удержания (используется только для демонстрационных целей), точность проверочного набора составила 99,7 (0,1)%. Этот результат показал, насколько легко получить очень высокую точность. Этого метода следует избегать, поскольку модели уже изучили все поведение субъектов, и результаты останутся специфичными для этих субъектов и не будут репрезентативными для новых пользователей.Более того, другие гиперпараметры DeepConvLSTM, которые обеспечивали более низкую точность при независимом от пользователя подходе, также обеспечивали точность около 99% с методом удержания , демонстрирующим риск создания моделей с неадаптированными гиперпараметрами. По-прежнему трудно сравнивать наши результаты с результатами ранее опубликованных исследований, поскольку в них использовались разные методы проверки и / или тестирования, но мы считаем, что рассмотрение независимого от пользователя подхода с вложенной перекрестной проверкой k раз является подходящим способом доказательства. надежность модели.

Диаграмма Сэнки (S2 рис.) Показывает для каждой истинной метки y неправильные логиты y ’, которые были идентифицированы в удобной для чтения манере. Для лучшего чтения неправильные логиты, помеченные неправильно 1 и 2 раза для каждой метки, и предмет независимо были удалены из диаграммы Санки. Некоторые движения языка жестов были сбиты с толку из-за схожести между ними или из-за сложности LeapMotion правильно определить все положения суставов. Например, Два было перепутано с Три , Семь с высотой и Четыре с Пять .Действительно, датчику LeapMotion иногда было трудно различить количество вытянутых пальцев. Движение, такое как dog (предплечье в супинации с вытянутым указательным пальцем и щелчком большого пальца средним пальцем), трудно записать с помощью LeapMotion, поскольку большой и средний пальцы скрыты ладонью и могут быть перепутаны с одним (указательный палец вытянут) и кисть (указательный палец вытянут, двигаясь вперед во рту). Спасибо состоит только из движений предплечий с плоской рукой и пальцами близко друг к другу, в то время как теплый состоит из того же движения с выполнением пальцев и отведением во время движения.Модель может получать слишком ограниченную информацию для точного различения обоих признаков. Та же проблема наблюдается с автомобилем , пальто и холодным , поскольку они представляют собой движения, требующие движения предплечий со сжатыми кулаками, что также может предоставить слишком ограниченную информацию, учитывая используемую здесь модель, чтобы правильно дифференцировать ее. Наконец, папа был перепутан с мама , поскольку они требовали того же движения руки, за исключением того, что положение перед головой отличается от положения большого пальца на подбородке и на лбу соответственно.Несмотря на это, Dad был перепутан с Mom на 23% в тестовом наборе, демонстрирующем способность DeepConvLSTM различать небольшую разницу в глобальной динамике движения. Улучшение отслеживания руки с помощью датчика глубины может решить эти проблемы и поможет достичь более высокой точности в будущем.

Основным ограничением этого исследования является то, что набранные участники были новичками в языке жестов. Новички могут иметь большую вариативность при выполнении движений, и будущую работу следует обсудить с экспертами, чтобы оценить, будет ли улучшение классификации.Кроме того, использовалась статическая нейронная сеть, и в будущем необходимо будет рассмотреть вопрос о динамической нейронной сети, которая позволяет адаптировать длину входной последовательности в сочетании с методом автоматического обнаружения сигнала [33]. Тем не менее, статическая нейронная сеть все еще может рассматриваться с помощью метода автоматической сегментации, а затем интерполировать сигнал. Наконец, в будущих исследованиях следует рассмотреть другую модель, которая будет использоваться на выходе DeepConvLSTM с целью предсказания наиболее вероятного слова на основе предыдущих слов / предложений, чтобы помочь классификации из заданного контекста.Наконец, распознавание языка жестов можно улучшить с помощью данных, предоставляемых камерой или датчиками IMU, чтобы получить информацию о положении руки относительно тела.

Заключение

В этом исследовании сравнивались различные традиционные модели машинного обучения и глубокого обучения для классификации американского языка жестов. Кроме того, была предоставлена ​​надежная независимая от пользователя k -кратная перекрестная проверка и фаза тестирования. Это контрастирует с предыдущей работой, где этап проверки и / или тестирования не был независимым от пользователя, или отсутствовала информация.Есть несколько возможностей для будущей работы по улучшению этих результатов, таких как использование экспертов по языку жестов, динамической нейронной сети, техники автоматической сегментации и дополнительных данных с камеры или датчиков IMU.

Список литературы

1. 1. Савур С., Сахин Ф. Американская система распознавания языка жестов с использованием сигнала поверхностной ЭМГ; 2016 9–12 октября 2016 г. С. 002872–002877.
2. 2. Sarawate N, Leu MC, ÖZ C (2015) Система распознавания слов на американском жестовом языке в реальном времени, основанная на нейронных сетях и вероятностной модели.Турецкий журнал электротехники и компьютерных наук 23: 2017–2123.
3. 3. Zafrulla Z, Brashear H, Starner T, Hamilton H, Presti P. Распознавание американского языка жестов с помощью kinect; 2011. ACM. С. 279–286.
4. 4. Кумар П., Гауба Х., Рой П.П., Догра Д.П. (2017) Объединение данных с несколькими датчиками на основе HMM для распознавания языка жестов. Письма для распознавания образов 86: 1–8.
5. 5. Dong C, Leu MC, Yin Z. Распознавание алфавита американского языка жестов с помощью microsoft kinect; 2015 г.С. 44–52.
6. 6. Marin G, Dominio F, Zanuttigh P. Распознавание жестов рук с помощью устройств прыжкового движения и кинект; 2014 27–30 октября 2014. С. 1565–1569.
7. 7. Weerasekera C, Jaward MH, Kamrani N. Надежное распознавание дактилоскопии с использованием локальных двоичных шаблонов и геометрических элементов; 2013. IEEE. С. 1–8.
8. 8. Рави С., Суман М., Кишор ПВВ, Кумар Е.К., Кумар МТК и др. (2019) Мультимодальные пространственно-временные совместно обученные CNN с одномодальным тестированием на распознавание жестов на основе языка жестов RGB – D.Журнал компьютерных языков 52: 88–102.
9. 9. Шин Х, Ким У.Дж., Чан Кей. Распознавание корейского языка жестов на основе изображений и свёрточной нейронной сети; 2019. ACM. С. 52–55.
10. 10. Ян С., Чжу К. Непрерывное распознавание китайского языка жестов с CNN-LSTM; 2017. SPIE. С. 7.
11. 11. Вейхерт Ф., Бахманн Д., Рудак Б., Фисселер Д. (2013) Анализ точности и устойчивости контроллера прыжкового движения. Сенсоры 13: 6380–6393. pmid: 23673678
12. 12.Найду К., Гхоткар А. (2016) Распознавание жестов рук с использованием контроллера Leap Motion Controller. Международный научно-исследовательский журнал (IJSR) ISSN (Online): 2319–7064.
13. 13. Чуан С.Х., Регина Э., Гардино С. Распознавание американского языка жестов с использованием датчика движения прыжка; 2014. IEEE. С. 541–544.
14. 14. Fok K-Y, Ganganath N, Cheng C-T, Chi KT. Система распознавания высоты над уровнем моря в реальном времени с использованием датчиков движения прыжка; 2015. IEEE. С. 411–414.
15. 15. Ли Х., Гроссе Р., Ранганатх Р., Нью-Йорк.Сверточные сети глубоких убеждений для масштабируемого неконтролируемого обучения иерархических представлений; 2009. ACM. С. 609–616.
16. 16. Коллер О., Заргаран О., Ней Х., Боуден Р. Глубокий знак: гибридный CNN-HMM для непрерывного распознавания языка жестов; 2016.
17. 17. Ordóñez FJ, Roggen D (2016) Глубокие сверточные и рекуррентные нейронные сети lstm для мультимодального распознавания носимой активности. Датчики 16: 115.
18. 18. Саинат Т.Н., Виньялс О., Старший А., Сак Х.Сверточная, долговременная кратковременная память, полносвязные глубокие нейронные сети; 2015. IEEE. С. 4580–4584.
19. 19. Циммерманн Т., Таец Б. (2018) Назначение IMU-сегментов и выравнивание ориентации для нижней части тела с использованием глубокого обучения. 18.
20. 20. Герс Ф.А., Шмидхубер Дж., Камминс Ф. (2000) Учимся забывать: постоянное предсказание с помощью LSTM. Neural Comput 12: 2451–2471. pmid: 11032042
21. 21. Hochreiter S, Schmidhuber J (1997) Долгосрочная краткосрочная память.Neural Comput 9: 1735–1780. pmid: 9377276
22. 22. Lipton ZC, Berkowitz J, Elkan C (2015) Критический обзор рекуррентных нейронных сетей для последовательного обучения. Препринт arXiv arXiv: 150600019.
23. 23. Carpinella I, Jonsdottir J, Ferrarin M (2011) Координация нескольких пальцев у здоровых субъектов и пациентов с инсультом: подход математического моделирования. Журнал нейроинженерии и реабилитации 8:19 pmid: 21507238
24. 24. Wu G, van der Helm FCT, Veeger HEJ, Makhsous M, Van Roy P и др.(2005) Рекомендация ISB по определениям систем координат различных суставов для сообщения о движении суставов человека — Часть II: плечо, локоть, запястье и кисть. J Biomech 38: 981–992. pmid: 15844264
25. 25. Kingma D, Ba J (2014) Адам: метод стохастической оптимизации. Препринт arXiv arXiv: 14126980.
26. 26. Альтман Н.С. (1992) Введение в непараметрическую регрессию ядра и ближайшего соседа. Американский статистик 46: 175–185.
27. 27.Ho TK. Леса случайных решений; 1995. IEEE. С. 278–282.
28. 28. Cortes C, Vapnik V (1995) Сети опорных векторов. Машинное обучение 20: 273–297.
29. 29. Заремба В., Суцкевер И., Виньялс О. (2014) Регуляризация рекуррентной нейронной сети. Препринт arXiv arXiv: 140
.
30. 30. Mart, # 237, Abadin, Barham P, Chen J, et al. (2016) TensorFlow: система для крупномасштабного машинного обучения. Материалы 12-й конференции USENIX по проектированию и внедрению операционных систем.Саванна, Джорджия, США: Ассоциация USENIX. С. 265–283.
31. 31. Николлс Дж., Бак I, Гарланд М., Скадрон К. (2008) Масштабируемое параллельное программирование с помощью CUDA. Очередь 6: 40–53.
32. 32. Um TT, Pfister FMJ, Pichler D, Endo S, Lang M, et al. (2017) Расширение данных носимых датчиков для мониторинга болезни Паркинсона с использованием сверточных нейронных сетей. Материалы 19-й Международной конференции ACM по мультимодальному взаимодействию. Глазго, Великобритания: ACM. стр.216–220.
33. 33. Редмон Дж., Диввала С., Гиршик Р., Фархади А. Вы только посмотрите один раз: Единое обнаружение объектов в реальном времени; 2016. С. 779–788.

Обследование посредством тестирования перед приемом на работу

Объем — В этой статье обсуждаются основы тестирования перед приемом на работу, типы инструментов выбора и методы тестирования, определение того, какое тестирование необходимо, источник обзоров коммерчески доступных тестов, а также внедрение и мониторинг тестов перед приемом на работу HR. практикующих специалистов, чтобы они были надежными, действительными, законными и эффективными. Этот инструментарий не касается тестирования на наркотики.

Обзор

Организация, которая принимает правильные решения о найме, как правило, имеет более высокую производительность и меньшую текучесть кадров, что положительно влияет на чистую прибыль. Наем не тех людей может негативно повлиять на моральный дух сотрудников и время руководства и может привести к потере ценных долларов на обучение и развитие. Тестирование перед приемом на работу, а также новые инструменты и технологии скрининга могут помочь специалистам по персоналу минимизировать время приема на работу и выбрать наиболее квалифицированного специалиста, который лучше всего подходит для организации.

Тесты перед приемом на работу необходимо тщательно отбирать и контролировать; работодатели подвергаются риску судебного разбирательства, если решение об отборе будет оспорено и признано дискриминационным или нарушающим государственные или федеральные постановления. Тесты, используемые в процессе отбора, должны быть законными, надежными, действительными и справедливыми, а специалисты по персоналу должны быть в курсе любых развивающихся тенденций.

См. :

Узнай перед приемом на работу: Тенденции отбора в 2018 г.

Прогностическая оценка дает компаниям представление о потенциале кандидатов

Большинство рекрутеров не совсем уверены в методах отбора кандидатов

Основы тестирования перед приемом на работу

Определение теста на трудоустройство

Тесты на трудоустройство обычно представляют собой стандартизированные устройства, предназначенные для измерения навыков, интеллекта, личности или других характеристик, и они дают оценку, рейтинг, описание или категорию.Однако, согласно Единым руководящим принципам по процедурам отбора сотрудников от 1978 г. , выпущенным Комиссией по равным возможностям при трудоустройстве (EEOC), любое требование о приеме на работу, установленное работодателем, считается «проверкой».

Типы инструментов отбора и методы тестирования

Когнитивные способности тесты измеряют интеллект. Наиболее распространенные типы, тесты IQ, измеряют общие умственные способности. Другие тесты проверяют вербальные способности, математические навыки, пространственное восприятие или индуктивное и дедуктивное мышление.

Тесты физических способностей измеряют силу, выносливость и мышечные движения.

Тесты на профессиональную пригодность измеряют способность претендента освоить новый навык.

Тесты личности измеряют такие характеристики, как отношение, эмоциональная адаптация, интересы, межличностные отношения и мотивация. Работодатели часто используют эти инструменты, но критики говорят, что они вторгаются в частную жизнь и не связаны с производительностью труда. См. Что на самом деле показывают тесты личности?

Тесты на честность и порядочность измеряют склонность заявителя к нежелательному поведению, например лжи, воровству, употреблению наркотиков или злоупотреблению алкоголем.Два типа тестов оценивают честность и порядочность. Открытые тесты на честность задают явные вопросы о честности, включая отношение и поведение в отношении краж. Личностно-ориентированные (скрытые) тесты на целостность используют психологические концепции, такие как надежность и уважение к власти. Критики заявили, что эти инструменты могут нарушить конфиденциальность и привести к самообвинению. Они также утверждают, что кандидаты могут интерпретировать намерение вопросов и давать политически правильные ответы. В некоторых штатах есть правила, касающиеся этих типов тестов, поэтому работодатели должны проконсультироваться с юрисконсультом перед их применением.

Тесты на полиграфе дают диагностическое заключение о честности кандидата, но их достоверность была поставлена ​​под сомнение, что привело к ограничениям на их использование. Закон о защите сотрудников на полиграфе 1988 г. запрещает работодателям требовать или требовать проведение полиграфа перед приемом на работу в большинстве случаев.

Медицинский осмотр определяет, может ли кандидат выполнять основные обязанности в определенной позе (например, наклоняться, подниматься, ходить и сидеть).ADA запрещает предварительное медицинское обследование . См. Раздел «Тестирование: медосмотр: какие вопросы соблюдения нормативных требований возникают при проведении медицинских осмотров перед приемом на работу»?

Тестирование на алкоголь перед приемом на работу не рекомендуется, поскольку оно считается медицинским тестированием в соответствии с ADA, и поэтому должно быть связано с работой и соответствовать потребностям бизнеса. Тестирование на запрещенные вещества не считается медицинским обследованием.

Определение необходимого тестирования

Для внедрения процесса тестирования перед приемом на работу работодатель должен: 1) определить, какие тесты необходимы; 2) выбрать или разработать тест, который надлежащим образом оценивает необходимые знания, навыки, способности и другие характеристики (KSAO); и 3) контролировать использование теста.Реализация правильного процесса тестирования может занять много времени, но объем собранной информации может стоить затраченных усилий.

Первым шагом является определение KSAO, необходимых для выполнения работы:

• Знание — это информация, которой сотрудник должен обладать (например, знание принципов бухгалтерского учета).
• Навыки — это приобретенные навыки поведения, необходимые для успешного выполнения работы (например, набор текста).
• Способности — это наблюдаемое поведение, в том числе необходимое для выполнения физических требований работы (например,г., подъем по лестнице, подъем).
• Другие характеристики включают любые другие требования к работе (например, отношение, надежность).

Процесс принятия решения о том, какие тесты использовать, начинается с выделения KSAO, которые новый сотрудник должен иметь в первый день. Другими словами, что этот человек должен знать и уметь делать без дополнительного обучения на рабочем месте? После создания списка KSAO работодатель может рассмотреть варианты тестирования.

Знания оцениваются с помощью письменных и устных вопросов.Несмотря на то, что коммерческие тесты доступны для множества конкретных областей работы, перед использованием их следует оценить на надежность и валидность.

Работодатель может также разработать и утвердить индивидуальные вопросы для письменного экзамена или собеседования, гарантируя, что интервьюеры задают одинаковые вопросы каждому претенденту на должность.

Навыки лучше всего оценивать, когда кандидат выполняет их. Очевидно, что одни навыки легче оценить, чем другие, но проверка ключевых профессиональных навыков может оказаться полезной.Опять же, работодатели должны разработать стандартизированный, связанный с работой, утвержденный процесс оценки для использования с каждым соискателем. Навыки можно проверить, запросив образцы работы или создав центры оценки, связанные с работой.

Способности также лучше всего оценивать путем демонстрации. Однако при интенсивной физической активности соображения безопасности могут преобладать над необходимостью оценки. Многие работодатели предпочитают тест умственных способностей, который измеряет общий интеллект, но неясно, предсказывают ли такие тесты производительность труда, и они часто имеют дискриминационное воздействие.Для работ, требующих частого обучения или умственной сообразительности, лучшим вариантом будет оценочный центр, связанный с работой.

Другие характеристики можно оценивать по-разному, в зависимости от конкретного атрибута. Некоторые из этих тестов будут классифицированы как медицинские осмотры и не могут проводиться до тех пор, пока работодатель не сделает предложение о работе.

Выбор подходящих тестов

Разработка теста на трудоустройство, отвечающего правовым и нормативным критериям и профессиональным стандартам, является сложной задачей.Это дорого, отнимает много времени и требует высоких навыков разработки тестов. В «Единых руководящих принципах по процедурам отбора сотрудников» 1978 года подробно описаны стандарты, в соответствии с которыми EEOC будет требовать от работодателей ответственности при использовании тестов при приеме на работу.

Имеющиеся в продаже тесты, используемые при принятии решения о приеме на работу, должны быть исследованы с использованием надежного руководства. К сожалению, многие имеющиеся в продаже тесты отбора сотрудников не отвечают необходимым критериям для использования при тестировании на работу.

Ежегодник Mental Measurements Yearbook (MMY), который издается Центром тестирования Buros при Университете Небраски в Линкольне, является одним из средств принятия обоснованных решений относительно имеющихся в продаже тестов. Серия MMY представляет собой источник объективных обзоров профессионального качества коммерчески доступных тестов и пользуется большим уважением и цитируется во всех областях психологической оценки.

Общество промышленной и организационной психологии предоставляет множество ресурсов о тестах на работу и о том, как их выбрать в разделе «Тестирование на работу» на своем веб-сайте.

Выбранные тесты должны быть удобными, доступными по цене, авторитетными и точными. Поставщик должен иметь возможность продемонстрировать, что его процедуры соответствуют применимому законодательству. Перед принятием окончательного решения следует проверить рекомендации поставщика и гарантии точности.

См .:

Справочник поставщиков отдела кадров SHRM.

Как выбрать подходящие для вас методы оценки приема на работу

Выбор эффективных оценок талантов для укрепления вашей организации

Юридические вопросы

Работодатели должны убедиться, что любые отборочные тесты являются надежными и действительными и дают стабильные результаты, предсказывающие успех в работе ; в противном случае, вероятно, последуют иски о дискриминации.Единое руководство EEOC по процедурам отбора сотрудников подробно описывает, как EEOC будет оценивать метод тестирования, который ставится под сомнение; агентство предлагает дополнительные рекомендации в своем информационном бюллетене о тестах на работу и процедурах отбора. В штатах могут быть индивидуальные требования и руководящие принципы для тех, кто работает в этом штате. Перед применением любого метода отбора рекомендуется проконсультироваться с юристом. См. DOL критикует использование компанией тестов при приеме на работу.

Установление надежности

Надежный инструмент отбора будет иметь высокую степень согласованности.В противном случае результаты тестирования могут отличаться между кандидатами, группами или оценщиками.

Многие работодатели считают, что правильно проведенные и проведенные формальные тесты могут быть полезны для процесса отбора на работу. Однако добиться идеальной надежности сложно, потому что целостность теста может поставить под сомнение множество факторов, таких как неподходящие или неуместные вопросы или предвзятость рейтера при оценке кандидатов на работу. Для повышения надежности оценщиков организациям следует проводить соответствующее обучение основным правилам для каждого отборочного теста. См. Проверка тестов при приеме на работу, чтобы избежать судебных исков и Какие вопросы соответствия возникают при создании теста перед приемом на работу?

Установление действительности

Действительность измеряет степень точности выводов, сделанных в результате теста. Другими словами, точно ли тест измеряет связанные с работой факторы, которые предсказывают ее производительность? Для инструмента оценки перед приемом на работу валидность — это степень, в которой тест или инструмент фактически измеряет то, что он предназначен для измерения.Издатели тестов проводят валидационные исследования в соответствии с рекомендациями EEOC, и некоторыми отраслевыми и профессиональными стандартами. Один из наиболее широко используемых и уважаемых примеров этих стандартов можно найти в Обществе промышленной и организационной психологии .

EEOC утвердил три основных формы действительности:

• Срок действия подходит, когда анализ работы определяет работу с точки зрения важного поведения, задач или знаний, необходимых для успешной работы, а оценка или тест — это репрезентативная выборка такого поведения, задач или знаний (например,g., тест по машинописи или математике, или экзамен для дипломированных бухгалтеров). Единое руководство по процедурам отбора сотрудников гласит, что для демонстрации достоверности содержания процедуры отбора пользователь должен показать, что поведение, измеренное в процедуре отбора, является репрезентативной выборкой поведения данной должности или что выбранный процедура предоставляет репрезентативный образец рабочего продукта рассматриваемой работы. Это наименее сложный тип валидности для оценки при условии, что специалист по кадрам или консультант является компетентным аналитиком.
• Критерийная валидность относится к способности теста предсказать, насколько хорошо человек будет выполнять свою работу. Желаемые KSAO для выполнения работы — это «критериальные переменные . » Затем разрабатываются тесты или предикторы, которые используются для измерения различных параметров работы критериальных переменных. «Тесты» могут включать в себя диплом о высшем образовании, количество набранных очков в минуту на печатном тесте или пятилетний опыт медицинской транскрипции. Затем эти предикторы проверяются на соответствие критериям, используемым для измерения производительности труда, таким как аттестация руководителя, посещаемость и качество выполненной работы.Есть два разных подхода к измерению валидности, связанной с критериями. При оценке одновременной валидности , работодатель проверяет текущих сотрудников и сравнивает оценки с оценками эффективности работы, чтобы результаты тестов и показатели эффективности были доступны одновременно. При оценке прогностической достоверности , работодатель сравнивает результаты тестирования соискателей с их последующими результатами работы .
• Действительность конструкции относится к степени, в которой устройство выбора измеряет конкретную «конструкцию», которая, согласно анализу работы, лежит в основе успешного выполнения рассматриваемой работы.Типичные конструкции включают интеллект, честность, надежность и механическое понимание. Поскольку теоретическая конструкция используется в качестве предиктора при установлении этого типа валидности, законность и полезность инструментов оценки, таких как личностные тесты, скорее всего, будут подвергнуты сомнению.

Мониторинг использования тестов перед приемом на работу

Для организации критически важно постоянно контролировать использование любых тестов перед приемом на работу, чтобы поддерживать соответствие законодательству.Внедрение процесса отслеживания процедур и результатов, включая запись профиля кандидатов, проведенных тестов и полученных баллов, может помочь гарантировать, что процедуры тестирования будут действительны с течением времени. Следить за развитием законодательства в области тестирования при приеме на работу также необходимо для подтверждения их дальнейшего использования. Если при проверке отборочного теста будет обнаружено какое-либо неблагоприятное воздействие на защищаемую группу, следует немедленно обратиться за помощью к юрисконсульту.

Глобальные проблемы

Работодатели в Соединенных Штатах с сотрудниками из других стран должны решить, следует ли и как адаптировать свои программы тестирования в соответствии с применимыми международными законами, правилами и деловой практикой.Работодатели должны определить эти законы и обычаи и по совету юрисконсульта рекомендовать стратегию, которая учитывает правовые параметры и практические ограничения при проведении программы тестирования. Общие соображения должны включать строгие законы о неприкосновенности частной жизни, распространенные во многих странах, культурные различия в социальной терпимости (или нетерпимости) к тестированию при приеме на работу, а также практические трудности администрирования любой программы.

Инструменты и образцы

Контрольный список для тестирования сотрудников

Условное предложение о работе

Политика медицинского освидетельствования

Агентства и организации

U.S. Комиссия по равным возможностям трудоустройства