Признание эмоций

Признание эмоций – это процесс идентификации человеческих эмоций, как правило, от выражений лица, а также от словесных выражений. Это и то, что люди делают автоматически, но также разработаны вычислительные методологии.

Научное определение эмоций
Эмоции нужно отличать от концепции чувства, настроения и личности. Чувство например, когда вы чувствуете себя замаскированным человеком за стеной. Тогда вы чувствуете страх. Чувство становится только эмоцией, когда это физическое изменение оценивается когнитивно.

Если кто-то, например, его сердцебиение восходит к человеку в масках, можно говорить о страхе. Однако, если он вернется к своему тайно любимому человеку, можно говорить о радости. Эмоции обычно продолжаются всего несколько секунд и имеют четко определенные настройки и настройки. С другой стороны, настроения могут продолжаться несколько часов, дней или даже недель. Если кто-то говорит, что сегодня у него плохое настроение, у него плохое настроение. Однако это не обязательно связано с эмоциями.

Часто особое настроение может увеличивать или уменьшать вероятность возникновения определенной эмоции, но эти две вещи должны аналитически разделяться. Наконец, личность человека должна отличаться от настроения. Например, человек-холерик постоянно отрицательно перегружен. Таким образом, можно представить себе чувства, эмоции, настроение и личность, установленные на временной шкале – с чувством, с одной стороны, краткосрочным и индивидуальным, с другой, с долгосрочной стороны.

Человек
Люди демонстрируют универсальную последовательность в распознавании эмоций, но также демонстрируют значительную изменчивость между людьми в своих способностях. Это была основная тема изучения психологии.

Эффект Cross Race
Эмоциональное признание между двумя людьми подвержено сильным колебаниям. В психологии было обнаружено явление, которое называется эффектом кросс-расы. Это явление подразумевает, что скорость распознавания эмоций ниже, когда эмоция, которая должна быть распознана, принадлежит лицу, которое не принадлежит к той же культуре или этнической принадлежности, что и наблюдатель. Однако этот эффект можно преодолеть с помощью формы обучения.

Визуальное распознавание мимики
Эта часть обычно упоминается как выражение лица. В качестве интерфейса «человек-машина» используется цифровая видеокамера или аналогичное оптическое устройство ввода. Здесь методы распознавания лица используются для анализа характеристик лицевой поверхности. По автоматической классификации можно связать выражения лица серийных кадров с кластером, который может быть связан с эмоцией. Исследования показали, однако, что только 30% мимических эмоций соответствуют действительно ощущаемым эмоциям. Поэтому нельзя отождествлять визуальные выражения лица с визуальным распознаванием эмоций. Биологическим фоном распознавания визуальных эмоций является симуляция зрительного нерва человека у робота.

Индукция эмоций
Для экспериментальных установок в области психологии эмоций, поведенческой этиологии, нейропсихологии и многих других наук часто важно «генерировать» определенные эмоции в лабораторных условиях. Эмоциональная индукция – одна из самых сложных областей эмоционального исследования. Несколько метаанализов по этой теме извлекли несколько методов, которые могут наиболее эффективно вызывать эмоции.

Прежде всего, это захват эмоций в реальности (исследование по ключевым словам). Из-за низкой внутренней достоверности это часто воздерживается. Второй метод, который сочетает в себе высокий внутренний уровень с высокой внешней достоверностью, – это метод эмоциональных напоминаний, в котором вы пытаетесь вызвать воспоминания из памяти эмоций. Не рекомендуется для экспериментов вне исследований эмоций ЭЭГ – методами индукции, такими как IAPS или метод индукции, которые якобы используют вызывающие эмоции последовательности фильмов или музыкальные фрагменты. Все эти методы остаются без доказательства конкретной эффективности. Робототехника часто использует идеализированные экспериментальные процедуры, например:

Предполагается, что индукционный метод индуцирует эмоции у людей.
Человек выражает свои эмоции с измененной поверхностью лица.
Веб-камера на компьютере захватывает новое выражение лица.
Компьютер может автоматически классифицировать эмоцию, классифицируя ее как эмоцию, которая ранее была вызвана.

После завершения фазы обучения ИИ должен иметь возможность самостоятельно распознавать эмоции, не будучи ранее обученными человеком. Однако, поскольку ни метод индукции часто не проверяется на эффективность, ни индуцированные эмоции, оцененные во время самого эксперимента, эти идеализированные экспериментальные процедуры в робототехнике часто остаются ошибочными и неполными.

автоматическая
Этот процесс использует методы из нескольких областей, таких как обработка сигналов, машинное обучение и компьютерное зрение. Для интерпретации эмоций, таких как байесовские сети, могут использоваться различные методологии и методы, модели гауссовой смеси и скрытые марковские модели.

подходы
Задача распознавания эмоций часто включает анализ человеческих выражений в мультимодальных формах, таких как тексты, аудио или видео. Различные типы эмоций обнаруживаются посредством интеграции информации из выражений лица, движения тела и жестов и речи. Существующие подходы к распознаванию эмоций для классификации определенных типов эмоций обычно можно разделить на три основные категории: методы, основанные на знаниях, статистические методы и гибридные подходы.

Методы, основанные на знаниях
Методы, основанные на знаниях (иногда называемые методами на основе лексики), используют знания домена и семантические и синтаксические характеристики языка для обнаружения определенных типов эмоций. В этом подходе обычно используются ресурсы, основанные на знаниях, в процессе классификации эмоций, таких как WordNet, SenticNet, ConceptNet и EmotiNet, чтобы назвать некоторые из них. Одним из преимуществ такого подхода является доступность и экономичность, обусловленные большой доступностью таких ресурсов, основанных на знаниях. С другой стороны, ограничение этой техники заключается в ее неспособности обрабатывать концептуальные нюансы и сложные языковые правила.

Основанные на знаниях методы могут быть в основном разделены на две категории: основанные на словах и основанные на корпусе подходы. Подходы, основанные на словарях, находят мнение или эмоции семенными словами в словаре и ищут их синонимы и антонимы, чтобы расширить первоначальный список мнений или эмоций. С другой стороны, основанные на корпусе подходы, начинаются с списка семян слов или эмоций, а также расширяют базу данных путем поиска других слов с контекстно-специфическими характеристиками в большом корпусе. В то время как основанные на корпусе подходы учитывают контекст, их производительность по-прежнему различается в разных доменах, поскольку слово в одном домене может иметь другую ориентацию в другом домене.

Статистические методы
Статистические методы обычно включают использование различных алгоритмов управляемого машинного обучения, в которых большой набор аннотированных данных подается в алгоритмы, позволяющие системе изучить и предсказать соответствующие типы эмоций. Этот подход обычно включает в себя два набора данных: набор тренировок и набор тестов, где первый используется для изучения атрибутов данных, а последний используется для проверки эффективности алгоритма машинного обучения. Алгоритмы машинного обучения обычно обеспечивают более разумную точность классификации по сравнению с другими подходами, но одна из проблем в достижении хороших результатов в процессе классификации – необходимость иметь достаточно большой набор учебных материалов.

Некоторые из наиболее часто используемых алгоритмов машинного обучения включают в себя вспомогательные векторные машины (SVM), Naive Bayes и Maximum Entropy. Глубокое обучение, которое находится под неконтролируемой семьей машинного обучения, также широко используется в распознавании эмоций. Известные алгоритмы глубокого обучения включают в себя различные архитектуры искусственной нейронной сети (ANN), такие как сверточная нейронная сеть (CNN), длинная короткосрочная память (LSTM) и Extreme Learning Machine (ELM). Популярность подходов к глубокому обучению в области распознавания эмоций, возможно, в основном объясняется его успехом в связанных приложениях, таких как компьютерное зрение, распознавание речи и обработка естественного языка (NLP).

Гибридные подходы
Гибридные подходы в распознавании эмоций – это, по сути, комбинация методов и статистических методов, основанных на знаниях, которые используют дополнительные характеристики обоих методов. Некоторые из работ, которые применили ансамбль лингвистических элементов, основанных на знаниях, и статистических методов, включают в себя средства для отправки и iFeel, оба из которых приняли концептуальный ресурс SenticNet на основе понятий. Роль таких ресурсов, основанных на знаниях, в реализации гибридных подходов очень важна в процессе классификации эмоций. Поскольку гибридные технологии выигрывают от преимуществ, предоставляемых как основанными на знаниях, так и статистическими подходами, они, как правило, имеют лучшую эффективность классификации, а не независимо друг от друга используют основанные на знаниях или статистические методы. Однако недостатком использования гибридных технологий является сложность вычислений во время процесса классификации.

Datasets
Данные являются неотъемлемой частью существующих подходов к распознаванию эмоций, и в большинстве случаев задача получения аннотированных данных, необходимых для обучения алгоритмов машинного обучения. Хотя большинство общедоступных данных не аннотируются, существуют существующие аннотированные наборы данных, доступные для проведения исследований распознавания эмоций. Для задачи классификации различных типов эмоций из мультимодальных источников в виде текстов, аудио, видео или физиологических сигналов доступны следующие наборы данных:

HUMAINE: обеспечивает естественные клипы словами эмоций и ярлыками контекста в нескольких модальностях
База данных Белфаста: предоставляет клипы с широким спектром эмоций из телевизионных программ и записей интервью
SEMAINE: обеспечивает аудиовизуальные записи между человеком и виртуальным агентом и содержит аннотации эмоций, такие как сердитый, счастливый, страх, отвращение, грусть, презрение и развлечение
IEMOCAP: обеспечивает запись диадических сеансов между актерами и содержит аннотации эмоций, такие как счастье, гнев, грусть, разочарование и нейтральное состояние
eNTERFACE: обеспечивает аудиовизуальные записи предметов из семи национальностей и содержит аннотации эмоций, такие как счастье, гнев, печаль, удивление, отвращение и страх
DEAP: обеспечивает электроэнцефалографию (ЭЭГ), электрокардиографию (ЭКГ) и видеозапись лица, а также аннотации эмоций с точки зрения валентности, возбуждения и доминирования людей, наблюдающих за клипами
DREAMER: обеспечивает записи электроэнцефалографии (ЭЭГ) и электрокардиографии (ЭКГ), а также аннотации эмоций с точки зрения валентности, возбуждения и доминирования людей, наблюдающих за клипами

Приложения
В качестве руководства компьютерные программисты часто используют систему кодирования лицевых действий Пола Экмана.

Распознавание эмоций используется по разным причинам. Affectiva использует его, чтобы помочь рекламодателям и создателям контента более эффективно продавать свои продукты. Affectiva также делает Q-датчик, который измеряет эмоции аутичных детей. Emotient была стартап-компанией, которая использовала искусственный интеллект для прогнозирования «отношений и действий, основанных на выражениях лица». Apple заявила о своем намерении купить Emotient в январе 2016 года. NViso обеспечивает распознавание эмоций в реальном времени для веб-и мобильных приложений через API реального времени. Visage Technologies AB предлагает оценку эмоций как часть своего SDK Visage для маркетинга и научных исследований и аналогичных целей. Eyeris – компания распознавания эмоций, которая работает со встроенными производителями систем, включая автопроизводителей и социальных робототехнических компаний, по интеграции своего программного обеспечения для распознавания лиц и распознавания эмоций; а также с создателями видеоконтента, чтобы помочь им измерить воспринимаемую эффективность их коротких и длинных видеороликов. Изучение эмоций и анализ эмоций изучаются компаниями и университетами по всему миру.

Ложное обнаружение
Мультисенсорное восприятие эмоций полезно для оценки правдивости высказываний, в частности, для обнаружения лжи, где ложь следует понимать как преднамеренно ложные обманчивые заявления. Хотя это не универсальный показатель уверенности в лжи, мимика, жесты, язык и поза могут дать подсказки. Относительно надежными являются бессознательные или неконтролируемые сигналы, такие как ширина зрачка, линия зрения или краснея. Кроме того, внимание должно быть сосредоточено на расхождениях между различными словесными и невербальными выражениями человека.