Нечеткие нейронные сети для классификации эмоциональных состояний и оценки рисков в VR-экспозиционной терапии
Работая с сайтом, я даю свое согласие на использование файлов cookie. Это необходимо для нормального функционирования сайта, показа целевой рекламы и анализа трафика. Статистика использования сайта обрабатывается системой Яндекс.Метрика
Научный журнал Моделирование, оптимизация и информационные технологииThe scientific journal Modeling, Optimization and Information Technology
cетевое издание
issn 2310-6018

Нечеткие нейронные сети для классификации эмоциональных состояний и оценки рисков в VR-экспозиционной терапии

Поздняков Д.А.,  Азарнова Т.В. 

УДК 004.85:004.946
DOI: 10.26102/2310-6018/2026.62.11.008

  • Аннотация
  • Список литературы
  • Об авторах

Современный этап развития VR-направлений характеризуется экспоненциальным ростом внедрения VR-технологий в сфере здравоохранения. Способность VR-систем понимать и реагировать на эмоции пользователя открывает революционные возможности в здравоохранении и психотерапии. Российские и зарубежные исследования в данной сфере показывают, что VR-технологии могут обеспечить персонализированную и адаптивную терапию при тревожных расстройствах, депрессии и посттравматических стрессовых расстройствах. Данные технологии могут в реальном времени отслеживать состояние пациента и динамически подстраивать сложность упражнений в рамках когнитивно-поведенческой, экспозиционной терапии и нейрореабилитации. Особую актуальность имеют современные исследования, направленные на реализацию технологий адаптивного мониторинга эмоциональных состояний пользователей виртуальной реальности (VR) на основе подходов искусственного интеллекта. Это направление позволит осуществить переход от статичных к по-настоящему адаптивным и иммерсивным системам, базирующимся на аффективных вычислениях и достижениях искусственного интеллекта. В работе анализируется метод адаптивного мониторинга эмоциональных состояний пользователей виртуальной реальности на основе нечетких нейронных сетей ANFIS (Adaptive Neuro-Fuzzy Inference System). Апробация предложенного подхода осуществлялась на данных окулографии (eye-tracking), представленных в открытом датасете VREED. Используется гибридное обучение, совмещающее метод наименьших квадратов при настройке параметров заключений и градиентный спуск с адаптивным шагом Adam при настройке параметров гауссовых функций принадлежности. Выход нейросети формирует нечеткий индекс дистресса (Fuzzy Distress Index, FDI), позволяющий в реальном времени принимать решение об адаптации или прерывании VR-сессий. Предложенная архитектура ANFIS достигает Accuracy = 0,77 и F1 = 0,77 на задаче четырехклассовой классификации по двумерной модели аффекта (валентность × активация), что существенно превосходит результаты применения FNN на упорядоченных нечетких числах (OFN), KNN и деревьев решений. Статистическая значимость различий подтверждается критерием МакНемара.

1. Parsons Th.D., Rizzo A.A. Affective outcomes of virtual reality exposure therapy for anxiety and specific phobias: A meta-analysis. Journal of Behavior Therapy and Experimental Psychiatry. 2008;39(3):250–261. https://doi.org/10.1016/j.jbtep.2007.07.007

2. Opriş D., Pintea S., Garcia-Palacios A., Botella C., Szamosközi Ş., David D. Virtual reality exposure therapy in anxiety disorders: a quantitative meta-analysis. Depression and Anxiety. 2012;29(2):85–93. https://doi.org/10.1002/da.20910

3. Mevlevioğlu D., Tabirca S., Murphy D. Real-Time Classification of Anxiety in Virtual Reality Therapy Using Biosensors and a Convolutional Neural Network. Biosensors. 2024;14(3):131. https://doi.org/10.3390/bios14030131

4. Bekler M., Yilmaz M., Ilgın H.E. Assessing Feature Importance in Eye-Tracking Data within Virtual Reality Using Explainable Artificial Intelligence Techniques. Applied Sciences. 2024;14(14):6042. https://doi.org/10.3390/app14146042

5. Alharbi H. Explainable feature selection and deep learning based emotion recognition in virtual reality using eye tracker and physiological data. Frontiers in Medicine. 2024;11:1438720. https://doi.org/10.3389/fmed.2024.1438720

6. Tabbaa L., Searle R., Bafti S.M., et al. VREED: Virtual Reality Emotion Recognition Dataset Using Eye Tracking and Physiological Measures. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. 2021;5(4):178. https://doi.org/10.1145/3495002

7. Apiecionek L. Fuzzy Neural Networks – A Review with Case Study. Applied Sciences. 2025;15(13):6980. https://doi.org/10.3390/app15136980

8. Jang J.-S.R. ANFIS: Adaptive-Network-based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics. 1993;23(3):665–685. https://doi.org/10.1109/21.256541

9. Rahman M.A., Brown D.J., Mahmud M., et al. Enhancing biofeedback-driven self-guided virtual reality exposure therapy through arousal detection from multimodal data using machine learning. Brain Informatics. 2023;10(1):14. https://doi.org/10.1186/s40708-023-00193-9

10. Apiecionek Ł., Moś R., Ewald D. Fuzzy Neural Network with Ordered Fuzzy Numbers for Life Quality Technologies. Applied Sciences. 2023;13(6):3487. https://doi.org/10.3390/app13063487

11. Małolepsza O., Mikołajewski D., Prokopowicz P. Adaptation of fuzzy systems based on ordered fuzzy numbers: a review of applications and development prospects. Electronics. 2025;14(12):2341. https://doi.org/10.3390/electronics14122341

12. Tan J.Ch.M., Cao Q., Quek Ch. FE-RNN: A fuzzy embedded recurrent neural network for improving interpretability of underlying neural network. Information Sciences. 2024;663:20276. https://doi.org/10.1016/j.ins.2024.120276

Поздняков Даниил Александрович

Воронежский государственный университет

Воронеж, Российская Федерация

Азарнова Татьяна Васильевна
Доктор технических наук, профессор

Воронежский государственный университет

Воронеж, Российская Федерация

Ключевые слова: нечеткие нейронные сети, ANFIS, окулография, виртуальная реальность, VR-экспозиционная терапия, классификация эмоций, нечеткий индекс дистресса, оценка рисков, упорядоченные нечеткие числа

Для цитирования: Поздняков Д.А., Азарнова Т.В. Нечеткие нейронные сети для классификации эмоциональных состояний и оценки рисков в VR-экспозиционной терапии. Моделирование, оптимизация и информационные технологии. 2026;14(11). URL: https://moitvivt.ru/ru/journal/article?id=2612 DOI: 10.26102/2310-6018/2026.62.11.008

© Поздняков Д.А., Азарнова Т.В. Статья опубликована на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NS 4.0)
58

Полный текст статьи в PDF

Скачать JATS XML

Поступила в редакцию 14.09.2026

Поступила после рецензирования 03.11.2026

Принята к публикации 12.11.2026