研究人員最近開發(fā)了一種機(jī)器學(xué)習(xí)方法，可以從一個(gè)人的步態(tài)識(shí)別人的情緒(例如，積極或消極，平靜或精力充沛)。這是第一種此類方法，并在初步實(shí)驗(yàn)中取得了80.07%的準(zhǔn)確率。

一個(gè)人走路的樣子很能說明人在特定時(shí)刻的感受。例如，當(dāng)你感到壓抑或沮喪時(shí)，相比感到心滿意足時(shí)，走路的時(shí)候更可能耷拉著肩膀。

利用這種身體語言，教堂山大學(xué)和馬里蘭大學(xué)的研究人員最近開發(fā)了一種機(jī)器學(xué)習(xí)方法，可以從一個(gè)人的步態(tài)中識(shí)別人的感知情緒(例如，積極或消極，平靜或精力充沛)。研究人員稱這是第一種此類方法，并且在初步實(shí)驗(yàn)中取得了80.07%的準(zhǔn)確率。

論文地址：

https://arxiv.org/pdf/1906.11884.pdf

“情感在我們的生活中扮演著重要的角色，定義著我們的經(jīng)歷，塑造著我們看待世界和與他人互動(dòng)的方式，”作者在論文中寫道。“由于感知情感在日常生活中的重要性，自動(dòng)情感識(shí)別在許多領(lǐng)域都是一個(gè)關(guān)鍵問題，比如游戲和娛樂、安全和執(zhí)法、購物、人機(jī)交互等?！?/p>

研究人員選擇了四種情緒：快樂、悲傷、憤怒和中性，因?yàn)檫@些情緒傾向于“持續(xù)較長一段時(shí)間”，以及這些情緒對(duì)步態(tài)活動(dòng)的影響較大。

然后，他們從多個(gè)步行視頻語料庫中提取步態(tài)來識(shí)別情感特征，并使用三維姿態(tài)估計(jì)技術(shù)提取姿態(tài)。

最后，他們利用長短時(shí)記憶(LSTM)模型——能夠?qū)W習(xí)長期依賴關(guān)系——從姿態(tài)序列中獲得特征，并將其與隨機(jī)森林分類器(該分類器輸出多個(gè)獨(dú)立決策樹的平均預(yù)測)相結(jié)合，將樣本分類為上述四種情緒類別。

這些特征包括肩膀姿勢(shì)、連續(xù)步數(shù)之間的距離以及手和脖子之間的區(qū)域。

頭部傾斜角度被用來區(qū)分快樂和悲傷的情緒，而“身體緊張”和“身體舒張”分別識(shí)別積極和消極的情緒。至于情緒平靜還是精神充沛，研究人員注意到它往往與運(yùn)動(dòng)量是否增加相對(duì)應(yīng)，該模型考慮了速度、加速度的大小，以及手、腳和頭部關(guān)節(jié)的“運(yùn)動(dòng)抖動(dòng)”。

AI系統(tǒng)處理的樣本來自“Emotion Walk”數(shù)據(jù)集，簡稱EWalk。EWalk是一組包含1384個(gè)步態(tài)的新數(shù)據(jù)集，這些步態(tài)是從24名受試者在大學(xué)校園(包括室內(nèi)和室外)散步的視頻中提取的。大約有700名來自 Amazon Mechanical Turk 的參與者給情緒貼上標(biāo)簽，研究人員用這些標(biāo)簽來確定情緒的類別和興奮程度。

在測試中，研究人員報(bào)告說，他們的情感檢測方法比最先進(jìn)的算法提高了13.85%，比不考慮情感特征的“普通”LSTM提高了24.60%。

但這并不是說它是萬無一失的——它的精度在很大程度上取決于3D人體姿態(tài)估計(jì)和步態(tài)提取的精度。但盡管有這些限制，研究人員相信他們的方法將為涉及額外活動(dòng)和其他情感識(shí)別算法的研究提供堅(jiān)實(shí)的基礎(chǔ)。

“我們的方法也是第一個(gè)利用最先進(jìn)的3D人體姿態(tài)估計(jì)技術(shù)，為步行視頻中的情緒識(shí)別提供實(shí)時(shí)通道的方法，”研究者寫道?！白鳛槲磥砉ぷ鞯囊徊糠?，我們希望收集更多的數(shù)據(jù)集，并解決目前的限制?！?/p>