機械学習による瞳孔径を用いた快・不快感情識別

Machine learning to differentiate between positive and negative emotions using pupil diameter
Babiker Areej, Faye Ibrahima, Prehn Kristin, Malik AamirAnke
Frontiers in psychology, Vol.6, 2015
20171122_hwada

瞳孔径は個人の感情状態を識別するための信頼可能なパラメータとして示唆されている.本稿では,正と負の 感情を検出し,識別するための機械学習技術を提案する.30 名の被験者に陽性および陰性の刺激を与え,瞳孔反 応を記録した.結果,正及び負の音刺激の処置中に瞳孔拡張において有意な増加を示し,負の刺激に対してより 大きな増加を示した.さらに,タスク終了時に陽性刺激と比較して陰性の持続的拡張が認められ,正および負の 感情の識別のために精度 96.5%,感度 97.93%,特異度 98%となる機械学習アプローチに利用された.得られた結 果は,異なる研究のために設計された,30 人の参加者が陽性,陰性の感情を伴う単語を処理しながら記録した別 のデータセットを用いて検証された.

動画に対するマルチモーダルな感情認識

Multi-Modal Emotion Recognition in Response to Videos
IEEE transactions on affective computing, Vol.3, No.2, pp.211-223, 2012
20170927_hwada

本研究では,脳波(EEG),瞳孔応答,注視距離を用いて,情動タグを復元することを目標に,ユーザに依存しない感情認識手法を提案している.まず,映画やインターネット上から外的な感情的コンテンツを含む20 のビデオクリップを選択した.その後,感情的なビデオクリップの視聴時に,24 人の参加者からEEG および視線データの記録を行った.それぞれのビデオクリップに対して,オンラインアンケートを使用した予備調査から,覚醒度および誘発性度の中央値を用いて定義した.参加者の回答に基づいて,各次元の3 つのクラスを定義した.覚醒度において,穏やか,興奮,活性化と定義され,誘発性度は不快,中立,快と定義した.覚醒度および誘発性度の3 つの感情的なラベルの1 つを身体反応の分類によって決定した.1 人の被験者内における交差検証を用いて、ユーザーに依存しない分類能力を調査した.モダリティ融合戦略とサポートベクターマシンを用いて,3 つの誘発性度のラベルにおいて最大68.5%,覚醒度の3 つのラベルにおいて最大76.4%という分類精度が得られた.結果,ユーザーに依存しない感情認識が,覚醒評価のための個々の自己報告よりも優れており、誘発性度評価では分類精度が低下していないことを示した.

脳波を用いた感情認識のための特徴抽出と選択

Feature Extraction and Selection for Emotion
Recognition from EEG
IEEE Transactions on Affective Computing, Vol.5, No.3, pp.327-339, 2014
20170510_hwada

EEG 信号からの感情認識は,人間と機械との相互作用における重要な要素と考えられるユーザーの内部状態を
直接評価することを可能とする.特徴抽出のために多くの方法が研究されており,神経科学的知見に基づいた適切
な特徴と電極位置の選択が行われている.しかし,感情認識に対する適合性は,少量の別個の特徴セットやデー
タセットを用いて評価されている.大きな制約として機能の系統的な比較がないことが挙げられる.そこで,我々
は33 の研究に基づいて,脳波から感情認識のための特徴抽出法を検討する.自己記録データセット上の特徴選択
のための機械学習技術を用いて,これらの特徴を比較する評価を行う.結果は,異なる特徴選択の実行,選択され
た特徴量,および電極位置の選択に関して掲示した.多変量法により選択された特徴は,単変量法よりわずかに
優れていた.高度な特徴抽出技術は,一般的に使用されるスペクトルパワーバンドよりも利点を有することが分
かった.結果は頭頂葉および,中心から頭頂葉の上の位置を優先することを示唆した.

ディープニューラルネットワークを用いた脳波に基づく感情認識のための重要な周波数バンドとチャネルの調査

Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks
IEEE Transactions on Autonomous Mental Development vol.7(3), pp. 162-175, 2015
160613 ykohri

本論文では快,通常,不快の 3 感情を認識するうえで重要な周波数帯域とチャネルを調査する脳波ベースの感 情認識モデルを構築する DBNs を提案する.我々は 15 人の被験者から脳波データを取得し,各被験者は数日の間 隔で 2 回の実験を行った.DBNs は,マルチチャンネル EEG データから抽出された差分エントロピー特徴で訓練 した.我々がこの DBNs の重みを調べ,重要な周波数帯域とチャネルを調査したところ 4,6,9 及び 12 の異な る四つのチャネルが選択された.これらの 4 つのチャネルの認識精度は,元の 62 チャンネルのものよりも優れた 86.65 %で比較的高い精度で安定していた.訓練を受けた DBNs の重みを用いて決定される周波数帯域およびチャ ネルは,既存の研究と一致している.実験結果より別の感情に関連する神経が存在しない場合,セッションや個 人全体で共通であることを示していた.また DBN,SVM,LR および KNN の平均識別精度はそれぞれ 86.08 %, 83.99 %,82.70 %,72.60 %となった.