情感计算——和谐人机交互中的关键因素

情感计算在和谐人机交互中起着关键性作用,在此讨论了情感计算的研究内容、一般模式和方法、意义、应用和未来研究的热点。     

面向交互式决策的情感计算与学习方法及其在过程控制工程中的应用

当今大量的工业过程控制工程问题, 如控制性能评价等的多目标决策问题通过人机交互得到解决. 然而, 在使用传统的交互式进化计算方法求解多目标决策问题时, 表现为局部搜索能力不强和过度依赖决策人员的主观意图. 本文提出一种新的情感计算方法和人机交互学习机制的解决方案. 提出一类基于刺激响应的情感计算模型(STAM), 并给出了情感空间和人的主观偏好之间的定量关系. 此外, 基于遗传算法框架, 建立情感交互学习策略, 旨在决策过程中逐步掌握人员的主观偏好, 降低人的疲劳程度, 使决策更加客观和科学. 附录A和B分别展示了情感学习算法的复杂度和收敛性分析. 为验证所提方法的正确性, 以测试函数及单回路反馈控制的PID参数整定问题进行研究, 得到了满意的结果, 验证了所提方法的可靠性与有效性.     

人机交互中的智能体情感计算研究

机器的情感是通过融入具有情感能力的智能体实现的,虽然目前在人机交互领域已经有大量研究成果,但有关智能体情感计算方面的研究尚处起步阶段,深入开展这项研究对推动人机交互领域的发展具有重要的科学和应用价值。本文通过检索Scopus数据库选择有代表性的文献,重点关注情感在智能体和用户之间的双向流动,分别从智能体对用户的情绪感知和对用户情绪调节的角度开展分析总结。首先梳理了用户情绪的识别方法,即通过用户的表情、语音、姿态、生理信号和文本信息等多通道信息分析用户的情绪状态,归纳了情绪识别中的一些机器学习方法。其次从用户体验角度分析具有情绪表现力的智能体对用户的影响,总结了智能体的情绪生成和表现技术,指出智能体除了通过表情之外,还可以通过注视、姿态、头部运动和手势等非言语动作来表现情绪。并且梳理了典型的智能体情绪架构,举例说明了强化学习在智能体情绪设计中的作用。同时为了验证模型的准确性,比较了已有的情感评估手段和评价指标。最后指出智能体情感计算急需解决的问题。通过对现有研究的总结,智能体情感计算研究是一个很有前景的研究方向,希望本文能够为深入开展相关研究提供借鉴。     

融合情感轮注意力的情感分布学习

情感分布学习是一种近年提出的有效的多情绪分析模型,其核心思路是通过情感分布记录示例在各个情绪上的表达程度,适于处理存在情绪模糊性的情感分析任务。针对现有的情感分布学习方法较少考虑情感心理学先验知识的问题,提出一种基于情感轮注意力的情感分布学习（emotion wheel attention based emotion distribution learning,EWA-EDL）模型。EWA-EDL模型为每种基本情绪生成一个描述情绪心理学相关性的先验情感分布,再通过注意力机制将基于情感轮的先验知识直接融入深度神经网络。EWA-EDL模型采用端到端的方式对深度网络进行训练,同时学习情感分布预测和情绪分类任务。EWA-EDL模型主要由5部分构成,分别为输入层、卷积层、池化层、注意力层和多任务损失层。在8个常用的文本情感数据集上的对比实验表明,EWA-EDL模型在情感分布预测和情绪分类任务上的性能均优于对比的情感分布学习方法。     

浅谈情感计算

情感计算是关于情感、情感产生以及影响情感方面的计算。情感计算的研究试图创建一种能感知、识别和理解人的情感．并能针对人的情感作出智能、灵敏、友好反应的计算机系统。本文简单介绍情感计算的研究概况、应用范围、以及研究内容及面临的挑战。     

基于Q学习算法的情感交互可计算模型研究

情感本身不能交互,但可以通过它的载体(如人或Agent)进行交互。利用该特点,提出一种基于Q学习算法的情感交互可计算模型。定义情感元的概念,情感元之间的交互实际上是情感Agent之间的交互,采用Q学习算法得到情感元的交互结果,构建齐次Markov链的情感元之间的交互模型,并通过实验结果验证了情感的多变性与复杂性。     

情感可以计算——情感计算综述

情感计算是自然和谐人机交互技术的一个重要组成部分.本文综述了情感计算的背景、研究基础和核心技术,并对未来的发展进行了展望.     

基于计算机视觉的情感计算

情感计算是关于情感、情感产生以及影响情感方面的计算,其目的是赋予计算机识别、理解、表达和生成各种情感特征的能力,最终使计算机像人一样能进行自然、亲切和生动的交互.介绍基于计算机视觉的情感计算过程及处理方法,并指出现阶段存在的问题和面临的挑战.     

情感计算中的实验设计和情感度量方法研究

情感计算的目标是赋予计算机感知、理解和表达情感的能力,而情感数据的获取和情感真值的度量是情感计算的研究基础。为了更好地进行情感度量的研究,以FIFA足球电子游戏为场景,进行了精心设计的实验,即首先通过游戏场景诱发游戏者自然的情绪反应;接着提出了基于情绪脚本的情感编码方法,并结合范畴法和维度法对情感数据进行了自评和他评;最后对观察者间的一致性进行了统计分析。实验结果表明,该方法能够获得有效一致的情感度量结果。     

面向情感计算的视频诱发范式的回顾与思考

情感计算的一个重要目的是建立一个能够对人类情绪进行实时、准确判别的智能系统,以提高人机交互的和谐性,具有广泛的应用前景。在实验室条件下诱发情感需要借助情绪诱发范式（Experimental Paradigm for Inducing Emotions, EPIE）。近年来,基于视频的情绪诱发范式获得了大量的关注。然而,少有文献系统性地总结面向情感计算的视频诱发范式中的实验流程和统计方法,以及对实验标准和规范开展梳理和介绍。根据近年来已报道的情感计算的研究成果,回顾了它们所采用的情绪诱发范式,包含情绪模型选择、刺激素材筛选、被试筛选和培训、评价问卷的设计与统计方法、实验流程设计。此外,在总结和评价现有范式的基础之上,对面向情感计算的视频诱发范式的被试选择、素材顺序、自评问卷等提出了新的思路和建议。     

数字化人类情感——和谐人机交互环境中的情感计算

传统的人机交互,主要通过键盘、鼠标、屏幕等方式进行,只追求便利和准确,无法理解和适应人的情绪或心境。而如果缺乏这种情感理解和表达能力,就很难指望计算机具有类似人一样的智能,也很难期望人机交互做到真正的和谐与自然。 由于人类之间的沟通与交流是自然而富有感情的,因此,在人机交互的过程中,人们也很自然地期望计算机具有情感能力。情感计算(Affective Computting)就是要赋予计算机类似于人一样的观察,理解和生成各种情感特征的能力,最终使计算机像人一样能进行自然、亲切和生动的交互。     

基于计算机视觉的情感计算

视觉信息是人类从客观世界获取信息的主要来源,也是人类认知世界的重要功能手段.人类对五彩缤纷的大千世界的认识,无一不是通过视觉形象信息获得深刻感知进而得到正确的认识的.计算机视觉就是用各种成像系统代替视觉器官作为输入敏感手段,由计算机来代替大脑完成处理和解释.     

基于生理信号的情感计算研究综述

情感计算是现代人机交互中的一个重要研究方向, 旨在研究与开发能够识别、解释、处理和模拟人类情感的理论、方法与系统. 脑电、心电、皮肤电等生理信号是情感计算中重要的输入信号. 本文总结了近年来基于脑电等生理信号的情感计算研究所取得的进展. 首先介绍情感计算的相关基础理论, 不同生理信号与情感变化之间的联系, 以及基于生理信号的情感计算工作流程和相关公开数据集. 接下来介绍生理信号的特征工程和情感计算中的机器学习算法, 重点介绍适合处理个体差异的迁移学习、降低数据标注量的主动学习和融合特征工程与学习器的深度学习算法. 最后, 指出基于生理信号的情感计算研究中面临的一些挑战.     

情感计算研究进展与展望

情感计算机研究的提出最早可以追溯到20世纪90年代初,耶鲁大学心理系的Salovey教授提出了情感智能的概念,开展了一系列的研究.     

基于情感词和多任务卷积神经网络的文本情感分布学习

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network, LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。     

基于情感计算的网络中文信息分析技术

海量的网络信息中包含着丰富的情感信息,基于情感计算的网络信息分析技术有着广阔的应用前景.目前,网络信息分析的研究工作,有些已取得很多成果.然而基于情感计算的网络信息分析研究却刚刚起步.中文自然语言处理技术的不断发展,为基于情感计算的网络中文信息分析提供了重要的技术支撑.对基于情感计算的网络中文信息分析相关技术,包括中文情感词汇本体的构建、中文词语的情感倾向性判断、中文文本情感倾向性判断作了概述总结,并提出了今后的研究方向.     

家庭服务机器人情感计算模型的研究

根据基本情感理论建立了家庭服务机器人的情感状态概率空间模型,并应用马尔可夫链的特性,建立了基于隐马尔可夫模型的情感计算模型.详细地阐述了该情感计算模型中各参数的意义以及估算方法.通过仿真实验验证了该情感计算模型可以较好地模拟情感状态的自发转移,以及在外部刺激作用下的情感转移.通过对实验数据分析,发现机器人的情感经外部刺激作用或者自发演变,最终趋于稳定状态,这个稳定状态与情感转移概率矩阵有关,而与机器人所处的初始情感状态无关.     

基于深度学习的学生学习情感模型建立与分析

传统的情感模型仅仅关注学生学习表情与对应的学习情感之间的关系,而忽略了不同学习情感之间的关系,因而导致学生学习表情识别准确率相对较低。基于此,建立学生学习表情三维状态空间情感模型,并在其中引入Maxout神经元,从而构建优化的三维状态空间情感模型,进一步解决三维梯度弥散问题,更好地优化系统的训练过程,在本模型中还引入了情感分类器的概念,实现对学生学习表情情感状态的有效分类,从而进一步增强模型的泛化能力。另外,建立了愉悦、困惑、惊讶、中性和疲倦5种情感状态的模型,并依据所提出的模型进行了实际验证实验,实验结果表明所提出的优化后的三维状态空间情感模型相比于传统模型识别准确率提升了12.5个百分点。     

基于BGRU-FUS-NN神经网络的姿态情感计算方法研究

情感计算研究是近些年人机交互领域的热门研究方向,其相关研究目前主要集中在面部表情和语音模态,基于姿态模态的情感计算研究相对较少.文中提出了一种基于姿态的新型情感计算算法,利用虚拟现实(VR)设备来唤醒用户的情感,使用摄像机采集用户的非表演动作数据,重新定义了19个人体运动关键点,将用户动作数据转换为相应骨骼点的3D坐标.在已有的基本特征的基础上,加入了高级动态特征,构造了一个能够更加完善地描述肢体运动的80D特征列表.在融合神经网络模型(FUS-NN)的基础上,使用循环门控单元(GRU)替代长短期记忆神经网络(LSTM),并添加正规层(Layer-Normalization),丢弃层(Layer-Dropout)和减少堆叠层数等策略,提出了双向循环门控单元融合神经网络(BGRU-FUS-NN)模型.使用了基于唤醒(arousal)和效价(valence)的情感模型进行情感分类,针对4分类任务和8分类任务,准确率比FUS-NN模型分别提升了7.22%和5.15%.     

计算机会不会有情感?

该文从计算机会具有情感、计算机怎样理解人的情感、计算机的情感能用来做什么等三方面对情感计算进行论述,使人了解什么是情感计算、情感计算研究现状以及计算机如何通过赋予人类情感为我们工作、生活带来便利和体贴服务。