利用情绪进行用户界面评估成为人机交互中越来越重要的研究目标。情绪通常通过无法实时收集信息的调查来评估。在我们的工作中,我们建议使用智能手机进行移动情绪评估。我们使用智能手机前置摄像头作为基于面部表情的情绪检测工具。此类信息可用于反映情绪状态或提供情绪感知的用户界面自适应。我们在为期两周的实地研究中收集了面部表情以及应用程序使用数据,该研究包括一周的训练阶段和一周的测试阶段。我们构建并评估了一个依赖于人的分类器,与仅对面部表情进行分类相比,平均分类提高了 33%。此外,我们将估计的情绪与并发的应用程序使用情况相关联,以深入了解情绪的变化。我们的工作补充了对随时探测情绪的可行性以及未来情绪感知应用程序的潜在用例的讨论。
尽管有研究表明,六种基本情绪具有独特的神经和生理状态,但基本情绪通常与功能性磁共振成像 (fMRI) 体素激活 (VA) 模式难以区分。在此,我们假设跨大脑区域的功能连接 (FC) 模式可能包含超出 VA 模式的情绪表征信息。我们收集了全脑 fMRI 数据,同时人类参与者观看了表达六种基本情绪之一(即愤怒、厌恶、恐惧、快乐、悲伤和惊讶)或表现出中性表情的面部照片。我们获得了整个大脑区域每种情绪的 FC 模式,并应用多变量模式解码来解码 FC 模式表征空间中的情绪。我们的结果表明,全脑 FC 模式不仅成功地将六种基本情绪与中性表情区分开来,而且还将每种基本情绪与其他情绪区分开来。我们确定了每种基本情绪的情绪表征网络,该网络跨越了用于情绪处理的经典大脑区域。最后,我们证明,在相同的大脑区域内,基于 FC 的解码始终比基于 VA 的解码表现更好。综上所述,我们的研究结果表明 FC 模式包含情感信息,并主张进一步关注 FC 对情感处理的贡献。
本研究对249篇关于脑机技术在情绪研究中的应用的文献进行了科学分析。我们发现,现有的研究主要集中在工程学、计算机科学、神经科学和心理学领域。中国、美国和德国的发文数量最多。作者可分为四组:实时功能磁共振成像(rtfMRI)研究组、脑机接口(BCI)影响因素分析组、脑机音乐接口(BCMI)组和用户状态研究组。聚类结果可分为五类,包括外部刺激与事件相关电位(ERP)、脑电图(EEG)与信息收集、支持向量机(SVM)与信息处理、深度学习与情绪识别、神经反馈和自我调节。在前人研究的基础上,本研究指出个体差异、隐私风险、BCI应用场景的扩展研究等值得进一步研究。
都依靠大脑(和身体)中的情感反应,这使我们的生活经常令人愉悦,但有时也非常痛苦。表明情绪是我们生活的燃料并不夸张。通常,我们的情绪得到了强烈控制。因此,我们很少会经历原始影响的情况,情绪只是使我们不知所措。这基本上是一件好事,因为控制我们的祖先的情感冲动有助于我们对现代社会的大多数日常态势需求做出更适当的反应。在每种给定情况下总是表现出情感反应是不可接受的。,但是,有些事件可能会使我们脱轨,我们可能会表现出接近原始影响的东西。为了说明我们日常生活中运行情绪系统的不同优势和可见性,让我们考虑两种情况下的情绪调节。在第一种情况下,想象一下自己在工作中与一位同事交谈,您会听到他们也想要促销。听到有关促销活动的伴随着令人不愉快的愤怒感觉。您开始感觉自己的心脏在您的胃中抽水更快和坑中。在您注册这些不愉快的感觉时,您会意识到自己很生气和羡慕,并且您认为同事的晋升不公平。您做得更好!一会儿你被惊呆了。然而,您可以控制自己的情绪,以使其他人向外看。在第二种情况下,想象一个密友或家族成员已经去世。您坐在电脑前;桌子上堆满了工作,您充满了悲伤。你被动摇了;你只是感到难过。您不能集中精力,这是不可能的。您感到非常痛苦,以至于您开始哭泣,表达了情感的表达。在这两个示例中,进化中的外部情况激活了“内置”(强烈遗传锚定)的情感系统,从而触发了原始的情绪,而无需认知标记(或情感的构建)。在第一个例子的背景下,您的同事获得了晋升,您被传递给您有机会获得有限的资源,从而产生了愤怒,羡慕的感觉。在早期
摘要 人工智能 (AI) 可以持续监测患者的健康状况,从而提高他们的医疗质量。然而,先前的研究表明,个人抵制这种创新技术。与之前研究个人为自己做决定的研究不同,我们关注家庭成员对人工智能监测的拒绝,因为家庭成员在医疗保健决策中发挥着重要作用。我们的研究调查了情绪对拒绝人工智能监测医疗保健的竞争影响。基于两个基于场景的实验,我们的研究表明,情绪在家庭成员代表父母做决定时起着决定性的作用。我们发现对医疗监测的焦虑和对健康结果的焦虑减少了对人工智能监测的拒绝,而监视焦虑和委托焦虑增加了拒绝。我们还发现,对于个人层面的风险,感知可控性缓和了监视焦虑和拒绝人工智能监测之间的关系。我们通过确定情绪在人工智能监测决策中的竞争作用,为信息系统拒绝理论做出了贡献。我们通过提出焦虑的影响作用扩展了关于为他人做决策的文献。我们还通过确定可控性(设计因素)在人工智能监测排斥中的重要作用,为信息系统的医疗保健研究做出了贡献。
结果:研究结果揭示了各种人工智能驱动的方法,这些方法是为了捕捉和分析学生在学习活动中的情绪状态而开发的。研究结果总结为四个基本主题:(1)教育中的情绪识别,(2)技术整合和学习成果,(3)特殊教育和辅助技术,(4)情感计算。所采用的关键人工智能技术包括机器学习和面部识别,用于评估情绪。这些方法在增强教学策略和创建迎合个人情感需求的自适应学习环境方面显示出巨大的潜力。审查发现了一些新兴因素,虽然这些因素很重要,但需要进一步研究才能充分了解它们之间的关系和含义。这些因素可以显著增强人工智能在教育环境中评估情绪的使用。具体来说,我们指的是:(1)联邦学习,(2)卷积神经网络(CNN),(3)循环神经网络(RNN),(4)面部表情数据库,以及(5)智能系统开发中的道德规范。
TikTok 已成为疫情相关信息汇集和传播的最重要社交媒体平台之一。然而,与疫苗接种相关的视觉内容(尤其是支持疫苗的视频)如何影响受众仍不清楚。使用 Betsch 等人的 5C 模型和 Ekman 的基本情绪模型,我们识别了 TikTok 上 #vaccine 标签下的 200 个热门视频,并研究了视频中表达的与疫苗相关的信念和情绪类型以及信念、情绪和支持性评论之间的关系。信心和喜悦分别是最常表达的信念和情绪;信心(B = 14.84,P < 0.05)、惊讶(B = 11.29,P < 0.05)和悲伤(B = 37.49,P < 0.01)可以预测支持性评论的数量。本研究将疫苗犹豫的 5C 框架扩展到社交媒体上支持疫苗的内容分析,并对特定类型的信念和情绪及其影响提供了详细的见解。讨论了如何解决疫苗犹豫的实际意义。
摘要:神经系统的电活动是意识现象学的基础。感官知觉触发与环境的信息/能量交换,但大脑的反复激活保持静止状态,参数恒定。因此,感知形成一个封闭的热力学循环。在物理学中,卡诺发动机是一种理想的热力学循环,它将热量从热库转化为功,或者反过来,需要功将热量从低温库转移到高温库(逆卡诺循环)。我们通过吸热逆卡诺循环分析高熵大脑。其不可逆激活为未来定位提供了时间方向性。神经状态之间的灵活转移激发了开放性和创造力。相反,低熵静止状态与可逆激活平行,可逆激活通过重复思考、悔恨和遗憾强加过去的焦点。放热卡诺循环会降低精神能量。因此,大脑的能量/信息平衡形成了动机,被感知为立场或负面情绪。我们的工作从自由能原理的角度分析了积极和消极情绪以及自发行为。此外,电活动、思想和信念适合于时间组织,这是与物理系统正交的条件。在此,我们提出,对情绪热力学起源的实验验证可能会启发更好的精神疾病治疗方案。
研究人员正在探索人类在识别和区分计算机化目的的情绪方面的出色技能。尽管面部情绪预测具有广泛的实际应用,但由于其对主观因素的依赖,它仍然是一个充满挑战的研究领域。尽管年龄和阻塞,但在本研究中提出了平衡所有基本面部情绪的预测方法。利用合奏分类器的实时面部情感预测的方法,将深CNN模型纳入了主要的基本分类器,同时解决了不平衡数据集的问题。通过图像扩展方法,CK+和JAFFE数据集可以合成增强。在2级使用多数和相对投票技术组合的元分类剂,以提高单个情绪的精度。使用Internet随机选择的面部表达图像对所提出的方法进行了测试,证明了总体准确性提高。此外,使用拟议的集合融合方法,对FER2013数据集进行了交叉验证。
谈论人类如何对气候变化做出贡献,或者气候变化将如何对缅因州和当地工业的海湾有害(例如,“ [海鲈鱼]在吃我们所有的龙虾,如果我们失去龙虾,我们将损失数十亿美元……”)。