СВЕРТОЧНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОПРЕДЕЛЕНИЯ СОСТОЯНИЯ УТОМЛЕНИЯ ЧЕЛОВЕКА ПРИ АНАЛИЗЕ ИЗОБРАЖЕНИЙ ПУПИЛЛОГРАММ

Катасёв А С; Никоноров Д. П.; Осанов К. Г.

doi:10.55421/3034-4689_2026_29_6_89

СВЕРТОЧНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОПРЕДЕЛЕНИЯ СОСТОЯНИЯ УТОМЛЕНИЯ ЧЕЛОВЕКА ПРИ АНАЛИЗЕ ИЗОБРАЖЕНИЙ ПУПИЛЛОГРАММ

Опубликовано в ВЕСТНИК ТЕХНОЛОГИЧЕСКОГО УНИВЕРСИТЕТА · Страницы 89–93 · Рубрика: 3. Информатика, вычислительная техника и управление

DOI: https://doi.org/10.55421/3034-4689_2026_29_6_89 · EDN: WOZHSS

Получено: 06.06.2026 Одобрено: 18.06.2026 Опубликовано: 02.07.2026

Авторы

КА

Катасёв А С

НИ

Никоноров Д. П.

ОС

Осанов К. Г.

КА

Катасёв А С

КНИТУ-КАИ

НИ

Никоноров Д. П.

Казанский национальный исследовательский технический университет им. А.Н. Туполева

ОС

Осанов К. Г.

Казанский национальный исследовательский технический университет им. А.Н. Туполева

АННОТАЦИЯ

В статье рассмотрена задача определения состояния утомления человека на основе анализа графических изображений пупиллограмм с использованием сверточных нейронных сетей. Актуальность исследования обусловлена необходимостью разработки автоматизированных систем мониторинга функционального состояния человека, поскольку состояние утомления может приводить к снижению концентрации внимания, ухудшению работоспособности и повышению вероятности возникновения опасных ситуаций. В качестве исходных данных для анализа использовался собственный экспериментальный набор изображений пупиллограмм объемом 831, разделенных на два класса: Normal (369 изображений) и Deviation (462 изображения). Все изображения получены с помощью программного комплекса определения функционального состояния человека по зрачковой реакции на световое воздействие. Представлены примеры изображений пупиллограмм, соответствующих каждому из классов. В работе проведен сравнительный анализ различных архитектур предобученных сверточных нейронных сетей: ResNet50, InceptionV3, EfficientNetV2 и ConvNeXt. Кроме того, для решения поставленной задачи использована одномерная сверточная нейронная сеть (1D CNN). Произведено ее сравнение с предобученными моделями. Все указанные модели обучались в одинаковых условиях с использованием единых гиперпараметров и методов предобработки данных, что обеспечило корректность получения и сравнения результатов. Оценка качества моделей выполнялась на основе метрик Accuracy, F1-score, а также анализа матрицы ошибок классификации. Особое внимание уделялось ошибкам типа False Negative, поскольку пропуск состояния утомления является критически значимым в задачах мониторинга состояния человека. По результатам исследования установлено, что наиболее эффективной моделью является EfficientNetV2, продемонстрировавшая лучшие показатели качества классификации и отсутствие ошибок типа False Negative. Также было выявлено, что современные архитектуры сверточных нейронных сетей обеспечивают более высокую эффективность по сравнению с более ранними моделями. Использование одномерной сверточной нейронной сети (1D CNN) с преобразованием изображений в одномерные последовательности показало менее высокие результаты, что подтверждает важность сохранения пространственной структуры изображений пупиллограмм при решении задачи классификации. В целом полученные результаты исследования подтвердили целесообразность использования современных сверточных нейронных сетей для решения задачи определения состояния утомления человека на основе анализа изображений пупиллограмм.

КЛЮЧЕВЫЕ СЛОВА

СВЕРТОЧНАЯ НЕЙРОННАЯ СЕТЬ, СВЕРТОЧНАЯ НЕЙРОСЕТЕВАЯ МОДЕЛЬ, ПРЕДОБУЧЕННАЯ МОДЕЛЬ, ПУПИЛЛОГРАММА, КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ, ОПРЕДЕЛЕНИЕ СОСТОЯНИЯ УТОМЛЕНИЯ

1. А.О. Булыгин, А.М. Кашевник, Системы анализа и обработки данных, 3 (83), 19-36 (2021).

2. А.А. Сибгатуллин, А.С. Катасёв, Вестник Технологического университета, 25, 12, 139-143 (2022). DOI: https://doi.org/10.55421/1998-7072_2022_25_12_139

3. О.Л. Исаева, М.П. Бороненко, Современные наукоемкие технологии, 3, 54-58 (2020).

4. О.Л. Исаева, М.П. Бороненко, Вестник Югорского гос-ударственного университета, 3, 59-67 (2021). DOI: https://doi.org/10.17816/byusu20210359-67

5. B.V. Kostrov, S.N. Baranova, A.A. Vyugina, Y.A. Trushina, I.S. Panina, International Research Journal, 8, 1-7 (2024).

6. Р.Н. Минниханов, Т.Р. Баторшин, Р.М. Габбазов, Р.И. Фахразиев, А.С. Катасёв, Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии, 3, 110-122 (2025).

7. П.И. Владимиров, Е.Ю. Зыков, В.В. Кугуракова, Электронные библиотеки, 23, 6, 1121-1141 (2020).

8. Р.Н. Минниханов, А.С. Катасёв, Д.В. Катасёва, В. Скибин, Вестник Технологического университета,27, 11, 199-205 (2024). DOI: https://doi.org/10.55421/1998-7072_2024_27_11_199

9. Д.А. Набиуллин, В.В. Кононова, С.В. Новикова, Вестник Технологического университета, 24, 6, 103-107(2021).

10. К.А. Матвеева, Р.Н. Минниханов, А.С. Катасёв, Вестник Технологического университета, 27, 1, 76-80 (2024). DOI: https://doi.org/10.55421/1998-7072_2024_27_1_76

11. А.А. Воевода, В.И. Шипагин, Системы анализа и обработки данных, 4 (88), 7-30 (2022).

12. Д.В. Катасёва, Д.Д. Лосева, Вестник Технологического университета, 25, 1, 77-80 (2022).

13. Т.Ю. Гайнутдинова, С.В. Новикова, В.Г. Гайнутдинов, Н.В. Левшонков, Известия высших учебных заведений. Авиационная техника, 4, 54-61 (2023).

14. Д.В. Катасёва, Е.А. Бакалдина, Вестник Технологического университета, 29, 1, 113-119 (2026).

15. О.А. Пырнова, Научно-технический вестник Поволжья, 11, 254-256 (2023).

16. С.А. Ярушев, А.Н. Лукьянов, Д.А. Воробьев, А.А. Поляков, Мягкие измерения и вычисления, 86, 1, 34-41 (2025). DOI: https://doi.org/10.36871/2618-9976.2025.01.003

17. И.Н. Барская, К. Иманбеков, Г.Л. Кушнир, Оригинальные исследования, 15, 4, 190-195 (2025).

18. Д.Г. Петросянц, А.С. Катасёв, Л.Ю. Емалетдинова, Научно-технический вестник Поволжья, 6, 85-87 (2023).

19. К.Э. Чертилин, В.Д. Ивченко, Приборы, 7 (265), 37-47 (2022).

20. Д.П. Никоноров, А.С. Катасёв, Вестник Технологического университета, 28, 6, 110-114 (2025). DOI: https://doi.org/10.55421/3034-4689_2025_28_110

21. M.T. Roseno, S. Oktarina, Yu. Nearti, H. Syaputra, N. Jayanti, Journal of Information Systems and Informatics, 6,3, 2099-2109 (2024). DOI: https://doi.org/10.51519/journalisi.v6i3.865

22. S. Gupta, A.B.A. Hamid, T.E. Nyamasvisva, V. Jain, N. Tyagi, Ng.Kh. Mun, D. Ather, International Journal of Engineering, Science and Information Technology, 5, 3, 588-594 (2025).

23. R.K. Futri, M. Tarigan, Jurnal Mahasiswa Teknik Informatika, 9, 3, 4135-4143 (2025).

24. Le. Zhang, W. Song, T. Zhu, Ya. Liu, W. Chen, Ya. Cao, Briefings in Bioinformatics, 25, 3 (2024).

25. Ch. Kondaiah, A.R. Pais, R.S. Rao, IEEE Transactions on Information Forensics and Security, 20, 12188-12198(2025). DOI: https://doi.org/10.1109/TIFS.2025.3629558

26. Д.В. Катасёва, А.А. Алексеева, Вестник Технологического университета, 29, 3, 130-135 (2026).

27. Ф.Ю. Копылов, О.А. Пырнова, Мягкие измерения и вычисления, 98, 1-2, 5-14 (2026). DOI: https://doi.org/10.36871/26189976.2026.01-2.001

28. В.А. Архипов, Вестник Алтайской академии экономики и права, 9-2, 12-15 (2019).

29. А.С. Катасёв, Д.В. Катасёва, Ю.Н. Смирнов, А.А. Сибгатуллин, Вестник Технологического университета, 27, 7, 126-130 (2024). DOI: https://doi.org/10.55421/1998-7072_2024_27_7_126

30. В.А. Буланов, О.Е. Фомичева, Приборы и системы. Управление, контроль, диагностика, 2, 40-47 (2020).

31. Д.В. Гордиенко, А.О. Кравченко, Digital Diagnostics, 5, S1, 109-111 (2024). DOI: https://doi.org/10.17816/DD627084

32. А.Н. Матвеев, Международная конференция по мягким вычислениям и измерениям, 1, 166-168 (2023).

33. А.Н. Апарнев, О.В. Бартеньев, Вестник Московского энергетического института, 2, 90-105 (2020).

34. Y. Zhao, K. Xie, Z. Zou, J.-B. He, IEEE Access, 8, 144205-144217 (2020). DOI: https://doi.org/10.1109/ACCESS.2020.3014508

35. F.M. Shiri, E. Ahmadi, M. Rezaee, T. Perumal, Journal on Artificial Intelligence, 6, 1, 85-103 (2024).

36. М.Е. Колобаев, Д.А. Прытыка, Д.О. Михайлова, Е.И. Воеводина, А.В. Юрченко, Мягкие измерения и вычисления, 69, 8, 69-78 (2023).

37. А.С. Прокопеня, И.С. Азаров, Big Data and Advanced Analytics, 6-1, 271-280 (2020).

38. Н.Р. Кашапов, А.С. Катасёв, Д.В. Катасёва, Информация и безопасность, 19, 4, 555-558 (2016).

39. А.С. Катасёв, Т.И. Тухбатуллин, Вестник Технологического университета, 26, 4, 53-57 (2023).

40. В.В. Ерохин, Мягкие измерения и вычисления, 48, 11, 66-83 (2021).

ГОСТ

Катасёв А. С., Никоноров Д. П., Осанов К. Г. СВЕРТОЧНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОПРЕДЕЛЕНИЯ СОСТОЯНИЯ УТОМЛЕНИЯ ЧЕЛОВЕКА ПРИ АНАЛИЗЕ ИЗОБРАЖЕНИЙ ПУПИЛЛОГРАММ // . 2026. С. 89-93. DOI: https://doi.org/10.55421/3034-4689_2026_29_6_89. EDN: WOZHSS. (дата обращения: 19.08.2026).

MLA

Катасёв А С, Никоноров Д. П., Осанов К. Г.. "СВЕРТОЧНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОПРЕДЕЛЕНИЯ СОСТОЯНИЯ УТОМЛЕНИЯ ЧЕЛОВЕКА ПРИ АНАЛИЗЕ ИЗОБРАЖЕНИЙ ПУПИЛЛОГРАММ." (2026): 89-93. DOI: https://doi.org/10.55421/3034-4689_2026_29_6_89. EDN: WOZHSS.

APA

Катасёв А. С., Никоноров Д. П., Осанов К. Г. (2026). СВЕРТОЧНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОПРЕДЕЛЕНИЯ СОСТОЯНИЯ УТОМЛЕНИЯ ЧЕЛОВЕКА ПРИ АНАЛИЗЕ ИЗОБРАЖЕНИЙ ПУПИЛЛОГРАММ. , 89-93. https://doi.org/10.55421/3034-4689_2026_29_6_89 EDN: WOZHSS.

Chicago

Катасёв А С, Никоноров Д. П., Осанов К. Г.. "СВЕРТОЧНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОПРЕДЕЛЕНИЯ СОСТОЯНИЯ УТОМЛЕНИЯ ЧЕЛОВЕКА ПРИ АНАЛИЗЕ ИЗОБРАЖЕНИЙ ПУПИЛЛОГРАММ." , no. (2026): 89-93. https://doi.org/10.55421/3034-4689_2026_29_6_89. EDN: WOZHSS.

WIKI

{{cite journal | author = Катасёв А. С., Никоноров Д. П., Осанов К. Г. | title = СВЕРТОЧНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОПРЕДЕЛЕНИЯ СОСТОЯНИЯ УТОМЛЕНИЯ ЧЕЛОВЕКА ПРИ АНАЛИЗЕ ИЗОБРАЖЕНИЙ ПУПИЛЛОГРАММ | journal = | year = 2026 | pages = 89-93 | doi = 10.55421/3034-4689_2026_29_6_89 }} EDN: WOZHSS

Скопировать

Экспорт: BibTeX EndNote RefMan RusMARC

СВЕРТОЧНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОПРЕДЕЛЕНИЯ СОСТОЯНИЯ УТОМЛЕНИЯ ЧЕЛОВЕКА ПРИ АНАЛИЗЕ ИЗОБРАЖЕНИЙ ПУПИЛЛОГРАММ

Подтверждение