心理所研究初探基于自然步態的情緒識別

　　人體的非言語信號，如行走步態、姿勢等能夠表現人的內心情感狀態，并在識別個體情緒狀態方面具有重要價值。近年來，情緒識別在人機交互、健康護理、行為趨勢上有著廣泛研究及應用。傳統方法大多基于面部表情和言語，不可避免地要處理大量音頻和圖像信息，其復雜度也相對較高。 

　　中國科學院行為科學重點實驗室朱廷劭研究組提出一種新穎的情緒識別方法，即從人的自然狀態下的行走步態中進行人的情緒識別。 

　　本研究實驗如下設計：在一個矩形固定區域（長約6m，寬約0.8m）步道內進行兩輪實驗。第一輪實驗：被試者在手腕和腳踝處分別綁定一部智能手機，該手機上開發的APP可以在啟動后記錄關節點的三軸線性加速度值和三軸重力加速度值（采樣頻率為5Hz）并存儲。被試者按要求在區域內進行平靜狀態的來回行走，約兩分鐘，停下，自報現時段的情感分數（從1到10）。被試者隨即觀看一段視頻（憤怒主題）做情緒啟動，觀看結束后，在上述區域中來回行走約一分鐘，然后報告此時的情緒分數并回憶觀看視頻結束時的情緒分數。第二輪試驗與第一輪實驗相似，但情緒啟動為愉悅主題，情緒分數為愉悅從1到10。 

　　數據處理上，依據每人的時間戳記錄切分每部手機的情緒啟動前后行走的加速度數據，并分別以窗口(w)長度為3和5的滑動平均濾波器對三軸行為數據進行濾波處理，然后將數據切分為行為數據片（data slice）。從每個數據片（data slice）中提取114個特征，包括時域特征、頻域特征、分布特征和功率譜特征，并訓練隨機數模型、隨機森林、多層感知機以及支持向量機(SVM)模型。 

　　實驗結果表明：腳踝比手腕處的學習效果顯著，準確率較高，而窗口為w=5的滑動濾波處理后其學習效果的準確率高于濾波窗口為w=3的學習結果。SVM學習效果顯著，均比其他模型在不同設置（濾波窗口w，情感狀態，關節點）條件下的學習效果好，準確率更高。在平靜/憤怒的識別中，SVM的準確度可達90.31%，在愉悅/平靜識別中SVM最高的準確度為89.76%，在區分憤怒/愉悅時，最高的準確度可達87.10%；在識別平靜、愉悅和憤怒三種情緒狀態時， SVM的最高準確度可達85%-78%-78%。由上述數據表明，這種步態的加速度信息是可以用來探究和識別人的情緒狀態的。 

　　該研究受中國科學院重點部署項目（KJZD-EWL04）、國家高技術研究發展計劃（2013AA01A606）、國家重點基礎研究發展計劃（2014CB744600）及中國科學院戰略性先導科技專項（XDA06030800）資助。相關研究成果已被Human-Centered Computing國際會議接受，并收錄在即將發表的會議論文集中。 

Liqing cui, Shun Li, Tingshao Zhu. Emotion Detection from Natural Walking. Human-Centered Computing (HCC) 2016, Jan. 2016, Moratuwa Sri Lanka. (Accepted)