心理所研究初探基于自然步态的情绪识别

　　人体的非言语信号，如行走步态、姿势等能够表现人的内心情感状态，并在识别个体情绪状态方面具有重要价值。近年来，情绪识别在人机交互、健康护理、行为趋势上有着广泛研究及应用。传统方法大多基于面部表情和言语，不可避免地要处理大量音频和图像信息，其复杂度也相对较高。 

　　中国科学院行为科学重点实验室朱廷劭研究组提出一种新颖的情绪识别方法，即从人的自然状态下的行走步态中进行人的情绪识别。 

　　本研究实验如下设计：在一个矩形固定区域（长约6m，宽约0.8m）步道内进行两轮实验。第一轮实验：被试者在手腕和脚踝处分别绑定一部智能手机，该手机上开发的APP可以在启动后记录关节点的三轴线性加速度值和三轴重力加速度值（采样频率为5Hz）并存储。被试者按要求在区域内进行平静状态的来回行走，约两分钟，停下，自报现时段的情感分数（从1到10）。被试者随即观看一段视频（愤怒主题）做情绪启动，观看结束后，在上述区域中来回行走约一分钟，然后报告此时的情绪分数并回忆观看视频结束时的情绪分数。第二轮试验与第一轮实验相似，但情绪启动为愉悦主题，情绪分数为愉悦从1到10。 

　　数据处理上，依据每人的时间戳记录切分每部手机的情绪启动前后行走的加速度数据，并分别以窗口(w)长度为3和5的滑动平均滤波器对三轴行为数据进行滤波处理，然后将数据切分为行为数据片（data slice）。从每个数据片（data slice）中提取114个特征，包括时域特征、频域特征、分布特征和功率谱特征，并训练随机数模型、随机森林、多层感知机以及支持向量机(SVM)模型。 

　　实验结果表明：脚踝比手腕处的学习效果显著，准确率较高，而窗口为w=5的滑动滤波处理后其学习效果的准确率高于滤波窗口为w=3的学习结果。SVM学习效果显著，均比其他模型在不同设置（滤波窗口w，情感状态，关节点）条件下的学习效果好，准确率更高。在平静/愤怒的识别中，SVM的准确度可达90.31%，在愉悦/平静识别中SVM最高的准确度为89.76%，在区分愤怒/愉悦时，最高的准确度可达87.10%；在识别平静、愉悦和愤怒三种情绪状态时， SVM的最高准确度可达85%-78%-78%。由上述数据表明，这种步态的加速度信息是可以用来探究和识别人的情绪状态的。 

　　该研究受中国科学院重点部署项目（KJZD-EWL04）、国家高技术研究发展计划（2013AA01A606）、国家重点基础研究发展计划（2014CB744600）及中国科学院战略性先导科技专项（XDA06030800）资助。相关研究成果已被Human-Centered Computing国际会议接受，并收录在即将发表的会议论文集中。 

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