Forskare vid Hefei University of Technology i Kina och olika universitet i Japan har nyligen utvecklat ett unikt känsloavkänningssystem som kan känna igen människors känslor utifrån deras kroppsgester. De presenterade detta nya AI-drivna system, kallas EmoSense, i en tidning förpublicerad på arXiv.

"I vårt dagliga liv, vi kan tydligt inse att kroppsgester innehåller rika humörsuttryck för känslomässig igenkänning, "Yantong Wang, en av forskarna som genomförde studien, berättade TechXplore. "Under tiden, vi kan också ta reda på att mänskliga kroppsgester påverkar trådlösa signaler via skuggning och flervägseffekter när vi använder antenner för att upptäcka beteende. Sådana signaleffekter bildar vanligtvis unika mönster eller fingeravtryck i den tidsmässiga frekvensdomänen för olika gester."

Wang och hans kollegor observerade att mänskliga kroppsgester kan påverka trådlösa signaler, producera karaktäristiska mönster som kan användas för att känna igen känslor. Detta inspirerade dem att utveckla ett system som kan identifiera dessa mönster, känna igen människors känslor baserat på deras fysiska rörelser.

I deras studie, forskarna fokuserade på att besvara två viktiga forskningsfrågor. För det första, de undersökte hur kroppsgester kan identifieras genom att analysera de karakteristiska mönster de lämnar på trådlösa signaler. För det andra, de bestämde sig för att utveckla ett system som kan känna igen känslor baserat på användarnas kroppsgester.

De flesta befintliga visionbaserade eller sensorbaserade verktyg för emotionsigenkänning är antingen obekväma att bära, eller lita på specialiserad hårdvara, vilket hindrar deras tillämpbarhet i verkliga miljöer. Systemet utvecklat av Wang och hans kollegor, å andra sidan, är mindre obstruktiv, eftersom det i huvudsak fungerar genom att analysera trådlösa kanalsvar via datautvinning och detektera känslor baserat på de fysiska uttryck som motsvarar observerade mönster, eller trådlösa "fingeravtryck."

"Enligt min åsikt, Känslor är välkänd som en framstående symbol för människor, och det spelar en avgörande roll i vårt dagliga liv, " sa Wang. "EmoSense är ett första i sitt slag trådlöst känsloavkännande system som drivs av beräkningsintelligens. Systemet fungerar genom att utforska det fysiska uttrycket av känslor från trådlösa kanalsvar via datautvinning."

Forskarna utvärderade EmoSenses prestanda på 3360 fall och jämförde den med den för flera befintliga sensorbaserade och synbaserade känsloigenkänningsverktyg. De fann att det fungerade på samma sätt som de andra metoderna, även om det inte kräver dyr hårdvara och därmed är lättare att implementera. Eftersom det fungerar genom att analysera trådlösa signaler, EmoSense leder också till mycket lägre integritetsrelaterade problem.

Känsloavkänningssystemet utvecklat av Wang och hans kollegor kan ha många intressanta tillämpningar. Till exempel, den kan användas under teaterrepetitioner för att avgöra om en viss pjäs (t.ex. en komedishow) väcker önskade känslomässiga reaktioner. I sina framtida studier, forskarna planerar att utveckla systemet ytterligare samtidigt som de utforskar andra aspekter av känslor igenkänning.

"EmoSense och dess rivaler är beroende av mänskliga gester som ett uttryck för känslor, som fortfarande är en oskärpa, än så länge, "Wang förklarade." Till exempel oärliga människor kan lura systemet genom att avsiktligt bete sig på vissa sätt. En möjlig lösning på detta problem är att utnyttja känslans multimodalitetsfunktion."

Enligt Wang, en viktig begränsning av EmoSense är att den är datadriven. Med andra ord, den förlitar sig främst på kvantitativa observationer utan att ta hänsyn till mer komplexa psykologiska aspekter av känslor.

"Eftersom psykologisk kunskap också är mycket viktig för att förstå mänskliga känslor, det kan vara mer rimligt att koppla både data och psykologisk kunskap för att uppnå mer tillförlitlig och korrekt känsloutkänning, "Wang tillagd." Dessutom, det fysiska uttrycket av känslor påverkas av många medfödda och förvärvade faktorer, varav några är helt utom kontroll. Därför, det är viktigt att klargöra de potentiella scenarierna innan vi faktiskt implementerar systemet."

© 2019 Science X Network