XiaoMi-AI文件搜索系统
World File Search System情绪反应
大脑和身体的情绪反应
摘要：为了开发更精确、更实用的有效应用，必须在应用于情绪的心理学和工程学之间取得平衡。来自中枢和周围神经系统的信号已用于情绪识别，但它们的运作和它们之间的关系仍然未知。在此背景下，在目前的研究中，我们试图研究这两个系统的心理生物学，以便生成一个用于在效价维度上识别情绪的计算模型。为此，我们研究了 24 名受试者的脑电图 (EEG) 信号、心电图 (ECG) 信号和皮肤温度。对每种方法都进行了单独评估，在每种方法中都发现了积极和消极情绪的特征模式。在对每种方法进行特征选择后，分类结果表明，尽管可以在中枢和外周水平上对情绪进行分类，但多模态方法并没有改善仅通过 EEG 获得的结果。此外，通过按性别区分样本，我们发现大脑和外周反应在情绪处理方面存在差异；不过，男性和女性之间的差异仅在外周神经系统水平上明显。
对痴呆症患者的社会辅助机器人的积极情绪反应：试点研究
1社区实践技术实验室，辅助机器人中心，国家老年医学和老年医学研究所，OBU，AICHI，日本AICHI 2日本AICHI 4与机器人技术，辅助机器人中心，国家老年医学和老年医学研究所的临床评估实验室，日本AICHI 5日本东京Kodaira国家神经和精神病学国家中心医院，日本8康复医学系，Tokai大学医学院，Isehara，Kanagawa，Kanagawa，日本9辅助机器人中心，国家老年医学和老年学研究所，OBU，AICHI，AICHI，AICHI，AICHI，日本，日本
2024年2月29日，星期四，2024年3月1日，星期五
关于青少年友谊的生理过程知之甚少。当前的研究检查了青少年在友谊相互作用期间与他们的情绪反应和抑郁症状有关的自主生理反应。青少年（n = 200）生理反应是在友谊互动期间测量的。参与者报告了他们的情绪反应和抑郁症状。交感反应性与负面情绪反应和更大的抑郁症状有关。副交感反应性与积极的情绪反应和抑郁症状有关。
赫里福德和伍斯特郡注意力缺陷多动障碍 (ADHD) 支持计划
支持执行功能发展 对注意力、计划、组织能力、抑制的影响 理解感官差异 理解情绪反应 帮助孩子识别和管理情绪反应 支持以上所有内容的策略
单次试验对视频游戏玩家的专业知识，来自大脑血液动力学和面部情绪反应
摘要：随着消费者对视频游戏娱乐的需求，游戏行业正在探索新颖的游戏互动方式，例如提供游戏与游戏玩家的认知或情感响应之间的直接接口。在这项工作中，游戏玩家的大脑活动是使用近红外光谱（FNIRS）进行成像的，而他们观看了他们玩的视频（英雄联盟）的视频。还记录了15个试验中的每一个中的参与者面孔的视频，其中试验被定义为观看游戏视频。从收集到的数据中，即游戏玩家的FNIRS数据与游戏玩家面部表情的情感状态估计相结合，游戏玩家的专业知识水平已在一个多模式的框架中被解码，其中包括由无培养的深度特征学习和分类通过统一模型来解码。使用随机卷积内核变换（Rocket）特征提取方法和91.44％的Deep Clastifier获得最佳三级分类精度。这是第一项工作，旨在使用非限制性和便携式技术来解码游戏玩家的专业知识水平，以及从游戏玩家的面部表情中获得的情感状态识别。这项工作对未来人类与视频游戏和大脑控制游戏的新型设计具有深远的影响。
个人心理健康行动计划
一般来说，我们在日常生活中，在舒适区、挑战区和停止区之间穿梭时，并不擅长识别和标记我们所经历的行为、想法和情绪。通常，我们已经习惯于忽视痛苦、忍受不适并抑制情绪反应。但能够识别自己何时感觉不像自己是一项重要的技能，如果我们及早干预，可以防止痛苦。持续的自我意识是心理健康维护的基础。为了在心理健康下降时进行干预，我们首先需要注意信号。
REALSoCoc 任务的探索性研究
尽管先前的研究表明一些社会认知的组成过程在正常衰老过程中会下降，但我们仍可以指出一些方法上的局限性。传统的社会认知任务分别评估各个过程，缺乏生态效度。在本研究中，主要目的是提出一种正常衰老中的综合社会认知评估，使用在非沉浸式虚拟现实中开发的原始计算机任务。45 名年轻人 (YA) 和 50 名老年人 (OA) 被要求在模拟城市环境中导航并判断他们遇到的几种情况。这些情况通过展示控制或（传统/道德）违法行为来调查社会规范。在每种情况之后，都会向参与者询问几个问题，以评估他们做出道德判断的能力、情感和认知心理理论、情绪反应和同理心，以及以社会适当或不适当方式行事的倾向。主要结果表明：(i) 随着年龄的增长，检测道德和传统违法行为的能力得以保留；(ii) 参与者的认知 ToM 能力得以保留； (iii) 情感理论与年龄相关衰退，当受害者年老时这种衰退就会消失；(iv) 正常衰老时情绪反应和情感共情会保留；(v) 正常衰老时不恰当的行为意图会增加。这项新任务提供了更自然的条件，是一种有趣的社会认知功能综合测量方法，可以更好地反映日常生活中的社会行为。
将全局优化模型应用于EEG脑信号
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。