机构名称：
¥ 1.0
过去十年，人们做出了巨大努力，使社交机器人的形态和功能更加人性化，以提高它们在人类中的接受度。为此，社交机器人最近与脑机接口 (BCI) 系统相结合，试图让它们了解人类的心理状态，尤其是情绪。然而，使用 BCI 进行情绪识别带来了一些挑战，例如情绪的主观性、情境依赖性以及缺乏可靠的神经测量来实时处理情绪。此外，使用 BCI 系统也带来了一系列局限性，例如输入数据空间中的偏差-方差权衡、维度和噪声。在本研究中，我们试图通过在人机交互 (HRI) 期间从 EEG 大脑活动中检测人类的情绪状态来解决其中的一些挑战。从 10 名与表现出积极或消极性格的 Pepper 机器人互动的参与者那里收集了 EEG 信号。使用从额叶大脑不对称 (FBA) 得出的情绪效价和唤醒测量，训练了几种机器学习模型，以根据机器人个性对人类的心理状态进行分类。 为了提高分类准确性，所有提出的分类器都经过基于特征选择和超参数优化技术的全局优化模型 (GOM)。 结果表明，可以从 EEG 信号中对用户对机器人行为的情绪反应进行分类，准确率高达 92%。 本研究的成果有助于人机交互中心智理论 (ToM) 的第一级，使机器人能够理解用户的情绪反应并将心理状态归因于他们。 我们的工作推动了社交和辅助机器人领域的发展，为未来开发更具同理心和反应更快的 HRI 铺平了道路。
将全局优化模型应用于EEG脑信号
主要关键词
相关文件推荐
