dongu-vestnik04.ru Вестник Донецкого университета. Серия 04. Технические науки Vestnik of Donetsk University. Series 04. Technical Sciences 2663-4228 511 10.5281/zenodo.19201850 Articles Статьи Research Article AN INTELLIGENT PLATFORM FOR ASSESSING AND STABILIZING A PERSONS PSYCHOEMOTIONAL STATE USING DEEP LEARNING ИНТЕЛЛЕКТУАЛЬНАЯ ПЛАТФОРМА ДЛЯ ОЦЕНКИ И СТАБИЛИЗАЦИИ ПСИХОЭМОЦИОНАЛЬНОГО СОСТОЯНИЯ ЧЕЛОВЕКА С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯ https://orcid.org/0009-0001-1661-1872 Kravchenko Natalia Mikhailovna Кравченко Наталья Михайловна natali_kravchenko70@mail.ru 1 https://orcid.org/0009-0008-6557-1601 CHerniadev Ivan Valerevich Чернядьев Иван Валерьевич chernyadev-i@mail.ru 2 https://orcid.org/0009-0007-1794-5309 Bondarchuk Viktoriia Valerevna Бондарчук Виктория Валерьевна vv_bondar@mail.ru 3 ФГБНУ «Институт проблем искусственного интеллекта» Institute of Artificial Intelligence Problems ФГБНУ «Институт проблем искусственного интеллекта» Institute of Artificial Intelligence Problems ФГБНУ «Институт проблем искусственного интеллекта» Institute of Artificial Intelligence Problems 1 NO1 (27.0) №1 (27.0) 104 115 15 07 2026 Copyright ©; 2026, Вестник Донецкого университета. Серия 04. Технические науки Copyright ©; 2026, Vestnik of Donetsk University. Series 04. Technical Sciences 2026 Вестник Донецкого университета. Серия 04. Технические науки Vestnik of Donetsk University. Series 04. Technical Sciences Эта статья распространяется на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) This article is distributed under the terms of the Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0) https://dongu-vestnik04.ru/index.php/vestnik04/article/view/511

Emotional states of a person act as a key element of interaction with the outside world, influencing decision-making, social communication and professional activity. With increasing demands for personalized solutions in medicine, education, and digital services, there is a need to develop intelligent systems capable of comprehensively analyzing and interpreting a persons psychoemotional state. This work is devoted to the creation of a software and hardware complex designed for automated monitoring and analysis of a wide range of psychophysiological indicators. The system combines multi-modal data processing methods with machine learning algorithms, which makes it possible to identify complex emotional patterns. The relevance of the system is due to the growing demand for technologies that can be integrated into real-world scenarios for the prevention of mental disorders. Unlike highly specialized solutions, this system is focused on scalability and adaptability. The projects development prospects are related to the expansion of the range of processed data, as well as the introduction of analytical methods for analyzing the psycho-emotional state of users. The implementation of such systems can become the basis for creating intelligent environments that adapt to individual human needs.

Эмоциональные состояния человека выступают ключевым элементом взаимодействия с окружающим миром, влияя на принятие решений, социальные коммуникации и профессиональную деятельность. В условиях роста требований к персонализированным решениям в медицине, образовании и цифровых сервисах возникает необходимость в разработке интеллектуальных систем, способных комплексно анализировать и интерпретировать психоэмоциональное состояние человека. Данная работа посвящена созданию программно-аппаратного комплекса, предназначенного для автоматизированного мониторинга и анализа широкого спектра психофизиологических показателей. Система объединяет методы обработки мультимодальных данных с алгоритмами машинного обучения, что позволяет выявлять сложные эмоциональные паттерны. Актуальность системы обусловлена растущим спросом на технологии, способные интегрироваться в реальные сценарии профилактики психических расстройств. В отличие от узкоспециализированных решений, данная система ориентирована на масштабируемость и адаптивность. Перспективы развития проекта связаны с расширением спектра обрабатываемых данных, а также внедрением методов аналитики для анализа психоэмоционального состояния пользователей. Внедрение подобных систем способно стать основой для создания интеллектуальных сред, адаптирующихся к индивидуальным потребностям человека.

 deep learning, artificial intelligence, emotion recognition, computer vision, natural language processing глубокое обучение, искусственный интеллект, распознавание эмоций, компьютерное зрение, обработка естественного языка

[Полный текст статьи отсутствует в исходных данных. Необходимо добавить текст из PDF или другого источника.]

Список литературы 1. Клюшанова, Т. Д. Предиктивный контроль прецизионных состояний когнитивного мониторинга / Т. Д. Клюшанова, В. В. Бондарчук, И. В. Чернядьев // Современные социально-экономические процессы: проблемы, тенденции и перспективы развития: монография / под общ. ред. Г. Ю. Гуляева. – Пенза: МЦНС «Наука и Просвещение», 2024. – С. 197–209. – ISBN 978-5-00173. 2. Чернядьев, И. В. Системный анализ программного обеспечения концептуальной нейросетевой модели системы классификации эмоций на изображениях / И. В. Чернядьев, В. В. Бондарчук // Евразийский Союз Ученых. Серия: технические и физико-математические науки. – 2024. – № 08 (123), Т. 1. – С. 6-15. – DOI 10.31618/ESU.2413-9335.2024.1.123.2109. 3. Диагностика психоэмоционального состояния. Безмедикаментозная саморегуляция [Электронный ресурс]. – URL: http://psydiag.guiaidn.ru/ (дата обращения 20.11.2025). 4. Izard, C. E. Patterns of emotions / C. E. Izard. – New York: Academic Press, 1972. – 314 p. – ISBN 0-12-377750-X. 5. Wang, Z. A new computationally efficient method to tune BERT networks – transfer learning / Z. Wang // Journal of Physics: Conference Series. – 2023. – Vol. 2580. – P. 012012. – DOI 10.1088/1742-6596/2580/1/012012. 6. Bag of Tricks for Image Classification with Convolutional Neural Networks / T. He, Z. Zhang, H. Zhang [et al.]. – 2018. – P. 1–8. 7. Lonkar, S. Facial Expressions Recognition with Convolutional Neural Networks / S. Lonkar. – 2021. – P. 4–6. 8. Antiga, L. PyTorch. Освещая глубокое обучение / L. Antiga, T. Viman, E. Stivens. – Санкт-Петербург: Питер, 2022. – 352 с. – ISBN 978-5-4461-1945-5. 9. Рашка, С. Python и машинное обучение / С. Рашка. – 2-е изд. – Москва: DMK-Press, 2021. – 312 с. – ISBN 978-5-97060-409-0. 10. Bobade, P. Stress Detection with Machine Learning and Deep Learning using Multimodal Physiological Data / P. Bobade, M. Vani // 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA). – IEEE, 2020. – P. 51–57. 11. Bansal, M. Evolutionary Stress Detection Framework through Machine Learning and IoT (MLIoT-ESD) / M. Bansal, V. Vyas // Recent Patents on Engineering. – 2024. – DOI 10.2174/0118722121267661231013062252. 12. Artificial intelligence in healthcare: past, present and future / F. Jiang, Y. Jiang, H. Zhi [et al.] // Stroke and Vascular Neurology. – 2017. – Vol. 2, no. 4. – P. 230–243. 13. Li, X. Dynamic calibration of self-efficacy to cognitive load: the longitudinal mediation effect of state anxiety / X. Li, M. Xia // BMC Psychology. – 2024. – Vol. 12. – P. 752. – DOI 10.1186/s40359-024-02254-y. 14. Effects of Texas State Agency Integration on Mental Health Service Use Among Individuals with Co-occurring Cognitive Disabilities and Mental Health Conditions / E. M. Stone, A. D. Jopson, N. J. Seewald [et al.] // Community Mental Health Journal. – 2025. – Vol. 61. – P. 111–121. – DOI 10.1007/s10597-024-01332-0. 15. Effect of combined physical–cognitive training on the functional and cognitive capacity of older people with mild cognitive impairment: a randomized controlled trial / Y. Castellote-Caballero, M. Carcelen-Fraile, A. Aibar-Almazan [et al.] // BMC Medicine. – 2024. – Vol. 22. – P. 281. – DOI 10.1186/s12916-024-03469-x. 16. Li, C. Cognitive training with adaptive algorithm improves cognitive ability in older people with MCI / C. Li, M. Li, Y. Shang // Aging Clinical and Experimental Research. – 2025. – Vol. 37. – P. 20. – DOI 10.1007/s40520-024-02913-5. 17. Zhu, Q. Correlation analysis and gender differences of cognitive function based on mini-mental state examination (MMSE) and suicidal tendency in patients with schizophrenia / Q. Zhu, X. Y. Zhang // BMC Psychiatry. – 2024. – Vol. 24. – P. 8. – DOI 10.1186/s12888-023-05462-9. 18. Yang, Q. Study on the age-period-cohort effects of cognitive abilities among older Chinese adults based on the cognitive reserve hypothesis / Q. Yang, T. Yu // BMC Geriatrics. – 2024. – Vol. 24. – P. 992. – DOI 10.1186/s12877-024-05576-z. 19. Social support and cognitive activity and their associations with incident cognitive impairment in cognitively normal older adults / T. Ma, J. Liao, Y. Ye [et al.] // BMC Geriatrics. – 2024. – Vol. 24. – P. 38. – DOI 10.1186/s12877-024-04655-5. 20. The State- and Trait-Level Effects and Candidate Mechanisms of Four Mindfulness-Based Cognitive Therapy (MBCT) Practices: Two Exploratory Studies / S. Maloney, C. Surawy, M. Martin [et al.] // Mindfulness. – 2023. – Vol. 14. – P. 2155–2171. – DOI 10.1007/s12671-023-02193-6. 21. BERT: Pre-training of deep bidirectional transformers for language understanding / J. Devlin, M.-W. Chang, K. Lee, K. Toutanova // Proceedings of NAACL-HLT. – 2019. – P. 4171–4186. 22. Салып, Б. Ю. Анализ модели BERT как инструмента определения меры смысловой близости предложений естественного языка / Б. Ю. Салып, А. А. Смирнов // StudNet. – 2022. – Т. 5, № 5. – С. 33. 23. Чернядьев, И. В. Системный анализ когнитивных динамических систем посредством глубокого обучения на основе текстовых данных / И. В. Чернядьев // Научный диалог: теория и практика. – 2025. – С. 147–154. – DOI 10.34660/INF.2025.17.34.057. 24. Elovainio, M. The effects of personal need for structure and occupational identity in the role stress process / M. Elovainio, M. Kivimaki // The Journal of Social Psychology. – 2001. – Vol. 141, no. 3. – P. 365–378. – DOI 10.1080/00224540109600558. 25. Preoperative cognitive training for the prevention of postoperative delirium and cognitive dysfunction: a systematic review and meta-analysis / K. T. Lau, L. C. S. Chiu, J. S. Y. Fong [et al.] // Perioperative Medicine. – 2024. – Vol. 13. – P. 113. – DOI 10.1186/s13741-024-00471-y. 26. Bondarchuk, V. V. Analytical review of artificial emotional intelligence systems: practical solutions: chapter 9 / V. V. Bondarchuk, N. M. Kravchenko // Actual issues of modern society, science and education: monograph / under the general editorship of G. Y. Gulyaev. – Penza: ICNS "Science and Enlightenment", 2023. – P. 134–145. – ISBN 978-5-00236-010-9. 27. Свидетельство о государственной регистрации программы для ЭВМ № 2025611192 Российская Федерация. Программа для диагностирования психоэмоциональных состояний личности: заявл. 26.12.2024: опубл. 16.01.2025 / В. В. Бондарчук, Н. М. Кравченко, Т. Д. Клюшанова, К. В. Ковалева; заявитель Федеральное государственное бюджетное научное учреждение «Институт проблем искусственного интеллекта». REFERENCES LIST 1. Kliushanova, T. D. Prediktivnyi kontrol pretsizionnykh sostoianii kognitivnogo monitoringa / T. D. Kliushanova, V. V. Bondarchuk, I. V. Cherniadev // Sovremennye sotsialno-ekonomicheskie protsessy: problemy, tendentsii i perspektivy razvitiia: monografiia / pod obshch. red. G. Iu. Guliaeva. – Penza: MTsNS «Nauka i Prosveshchenie», 2024. – S. 197–209. – ISBN 978-5-00173. 2. Cherniadev, I. V. Sistemnyi analiz programmnogo obespecheniia kontseptualnoi neirosetevoi modeli sistemy klassifikatsii emotsii na izobrazheniiakh / I. V. Cherniadev, V. V. Bondarchuk // Evraziiskii Soiuz Uchenykh. Seriia: tekhnicheskie i fiziko-matematicheskie nauki. – 2024. – № 08 (123), T. 1. – S. 6-15. – DOI 10.31618/ESU.2413-9335.2024.1.123.2109. 3. Diagnostika psikhoemotsionalnogo sostoianiia. Bezmedikamentoznaia samoreguliatsiia [Elektronnyi resurs]. – URL: http://psydiag.guiaidn.ru/ (data obrashcheniia 20.11.2025). 4. Izard, C. E. Patterns of emotions / C. E. Izard. – New York: Academic Press, 1972. – 314 p. – ISBN 0-12-377750-X. 5. Wang, Z. A new computationally efficient method to tune BERT networks – transfer learning / Z. Wang // Journal of Physics: Conference Series. – 2023. – Vol. 2580. – P. 012012. – DOI 10.1088/1742-6596/2580/1/012012. 6. Bag of Tricks for Image Classification with Convolutional Neural Networks / T. He, Z. Zhang, H. Zhang [et al.]. – 2018. – P. 1–8. 7. Lonkar, S. Facial Expressions Recognition with Convolutional Neural Networks / S. Lonkar. – 2021. – P. 4–6. 8. Antiga, L. PyTorch. Osveshchaia glubokoe obuchenie / L. Antiga, T. Viman, E. Stivens. – Sankt-Peterburg: Piter, 2022. – 352 s. – ISBN 978-5-4461-1945-5. 9. Rashka, S. Python i mashinnoe obuchenie / S. Rashka. – 2-e izd. – Moskva: DMK-Press, 2021. – 312 s. – ISBN 978-5-97060-409-0. 10. Bobade, P. Stress Detection with Machine Learning and Deep Learning using Multimodal Physiological Data / P. Bobade, M. Vani // 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA). – IEEE, 2020. – P. 51–57. 11. Bansal, M. Evolutionary Stress Detection Framework through Machine Learning and IoT (MLIoT-ESD) / M. Bansal, V. Vyas // Recent Patents on Engineering. – 2024. – DOI 10.2174/0118722121267661231013062252. 12. Artificial intelligence in healthcare: past, present and future / F. Jiang, Y. Jiang, H. Zhi [et al.] // Stroke and Vascular Neurology. – 2017. – Vol. 2, no. 4. – P. 230–243. 13. Li, X. Dynamic calibration of self-efficacy to cognitive load: the longitudinal mediation effect of state anxiety / X. Li, M. Xia // BMC Psychology. – 2024. – Vol. 12. – P. 752. – DOI 10.1186/s40359-024-02254-y. 14. Effects of Texas State Agency Integration on Mental Health Service Use Among Individuals with Co-occurring Cognitive Disabilities and Mental Health Conditions / E. M. Stone, A. D. Jopson, N. J. Seewald [et al.] // Community Mental Health Journal. – 2025. – Vol. 61. – P. 111–121. – DOI 10.1007/s10597-024-01332-0. 15. Effect of combined physical–cognitive training on the functional and cognitive capacity of older people with mild cognitive impairment: a randomized controlled trial / Y. Castellote-Caballero, M. Carcelen-Fraile, A. Aibar-Almazan [et al.] // BMC Medicine. – 2024. – Vol. 22. – P. 281. – DOI 10.1186/s12916-024-03469-x. 16. Li, C. Cognitive training with adaptive algorithm improves cognitive ability in older people with MCI / C. Li, M. Li, Y. Shang // Aging Clinical and Experimental Research. – 2025. – Vol. 37. – P. 20. – DOI 10.1007/s40520-024-02913-5. 17. Zhu, Q. Correlation analysis and gender differences of cognitive function based on mini-mental state examination (MMSE) and suicidal tendency in patients with schizophrenia / Q. Zhu, X. Y. Zhang // BMC Psychiatry. – 2024. – Vol. 24. – P. 8. – DOI 10.1186/s12888-023-05462-9. 18. Yang, Q. Study on the age-period-cohort effects of cognitive abilities among older Chinese adults based on the cognitive reserve hypothesis / Q. Yang, T. Yu // BMC Geriatrics. – 2024. – Vol. 24. – P. 992. – DOI 10.1186/s12877-024-05576-z. 19. Social support and cognitive activity and their associations with incident cognitive impairment in cognitively normal older adults / T. Ma, J. Liao, Y. Ye [et al.] // BMC Geriatrics. – 2024. – Vol. 24. – P. 38. – DOI 10.1186/s12877-024-04655-5. 20. The State- and Trait-Level Effects and Candidate Mechanisms of Four Mindfulness-Based Cognitive Therapy (MBCT) Practices: Two Exploratory Studies / S. Maloney, C. Surawy, M. Martin [et al.] // Mindfulness. – 2023. – Vol. 14. – P. 2155–2171. – DOI 10.1007/s12671-023-02193-6. 21. BERT: Pre-training of deep bidirectional transformers for language understanding / J. Devlin, M.-W. Chang, K. Lee, K. Toutanova // Proceedings of NAACL-HLT. – 2019. – P. 4171–4186. 22. Salyp, B. Iu. Analiz modeli BERT kak instrumenta opredeleniia mery smyslovoi blizosti predlozhenii estestvennogo iazyka / B. Iu. Salyp, A. A. Smirnov // StudNet. – 2022. – T. 5, № 5. – S. 33. 23. Cherniadev, I. V. Sistemnyi analiz kognitivnykh dinamicheskikh sistem posredstvom glubokogo obucheniia na osnove tekstovykh dannykh / I. V. Cherniadev // Nauchnyi dialog: teoriia i praktika. – 2025. – S. 147–154. – DOI 10.34660/INF.2025.17.34.057. 24. Elovainio, M. The effects of personal need for structure and occupational identity in the role stress process / M. Elovainio, M. Kivimaki // The Journal of Social Psychology. – 2001. – Vol. 141, no. 3. – P. 365–378. – DOI 10.1080/00224540109600558. 25. Preoperative cognitive training for the prevention of postoperative delirium and cognitive dysfunction: a systematic review and meta-analysis / K. T. Lau, L. C. S. Chiu, J. S. Y. Fong [et al.] // Perioperative Medicine. – 2024. – Vol. 13. – P. 113. – DOI 10.1186/s13741-024-00471-y. 26. Bondarchuk, V. V. Analytical review of artificial emotional intelligence systems: practical solutions: chapter 9 / V. V. Bondarchuk, N. M. Kravchenko // Actual issues of modern society, science and education: monograph / under the general editorship of G. Y. Gulyaev. – Penza: ICNS "Science and Enlightenment", 2023. – P. 134–145. – ISBN 978-5-00236-010-9. 27. Svidetelstvo o gosudarstvennoi registratsii programmy dlia EVM № 2025611192 Rossiiskaia Federatsiia. Programma dlia diagnostirovaniia psikhoemotsionalnykh sostoianii lichnosti: zaiavl. 26.12.2024: opubl. 16.01.2025 / V. V. Bondarchuk, N. M. Kravchenko, T. D. Kliushanova, K. V. Kovaleva; zaiavitel Federalnoe gosudarstvennoe biudzhetnoe nauchnoe uchrezhdenie «Institut problem iskusstvennogo intellekta».