VALENCE: affective visualisation using EEG

VALENCE is an interactive visualisation controlled by live brainwave monitoring. We used a wireless EEG headset to monitor the player's alpha waves (an indicator of relaxation) and valence (an indicator of emotion or arousal). The game world is an emergent system of attractive and repulsive forces responding to EEG input.     

Dynamic evolution of collective emotions in social networks: a case study of Sina weibo

Emotion is a fundamental object of human existence and determined by a complex set of factors. With the rapid development of online social networks (OSNs), more and more people would like to express their emotion in OSNs, which provides wonderful opportunities to gain insight into how and why individual emotion is evolved in social network. In this paper, we focus on emotion dynamics in OSNs, and try to recognize the evolving process of collective emotions. As a basis of this research, we first construct a corpus and build an emotion classifier based on Bayes theory, and some effective strategies (entropy and salience) are introduced to improve the performance of our classifier, with which we can classify any Chinese tweet into a particular emotion with an accuracy as high as 82%. By analyzing the collective emotions in our sample networks in detail, we get some interesting findings, including a phenomenon of emotion synchronization between friends in OSNs, which offers good evidence for that human emotion can be spread from one person to another. Furthermore, we find that the number of friends has strong correlation with individual emotion. Based on those useful findings, we present a dynamic evolution model of collective emotions, in which both self-evolving process and mutual-evolving process are considered. To this end, extensive simulations on both real and artificial networks have been done to estimate the parameters of our emotion dynamic model, and we find that mutual-evolution plays a more important role than self-evolution in the distribution of collective emotions. As an application of our emotion dynamic model, we design an efficient strategy to control the collective emotions of the whole network by selecting seed users according to k-core rather than degree.     

游戏中图像内容情感语义的分析与研究

针对目前游戏中忽略情感因素的问题,在游戏场景中引入情感语义的概念,提出基于情感语义的游戏场景图像检索系统和情感计算研究情感信息的数字化处理方法,采用支持向量机算法建立场景图像内容和其所表达的情感语义之间的联系。来建立一个能感知识别人的情感,能对人的情感做出智能反应的游戏系统,从而使人机交互更加和谐化。     

广告创意之我见

广告创意犹如万花筒,可以千变万化任意发挥,但不论广告创意如何新颖,媒体运用如何灵活,如果没有正确的广告创意方法,就很难从时下广告信息泛滥的洪流中,脱颖而出,赢得消费者的青睐。本文就广告创意的一些基本方法进行了阐述,为广大初入广告业的从业人员提供一点广告创意的基本方法。     

新型消费文化趋势下的网络广告策略

网络技术发展和应用的日益广泛,促进了传统消费文化的快速变革,形成一种网络时代的新型消费文化。在这种新型消费文化的影响下,网络广告作为现代企业展开网络营销活动最重要的手段由此应运而生。网络广告设计理念也将具有全新的内涵,广告策略也将一改传统模式而独具特色,趋向于凝结市场、消费场所、审美情趣及生活方式等众多因素的整合,使得网络设计的视觉传达、技术应用、表现形式、运作模式等呈现出全新的面貌。     

创造运动品牌店面独特的消费体验

在体验经济时代,消费者更渴望在选购服装时能获得一种美好而难忘的体验。基于此,本文提出联想式符号陈列法,主要研究运动品牌店面各区域陈列如何以运动场所或运动项目为灵感,营造出一种运动品牌特有的购物氛围,通过该陈列法的展示来引发消费者对产品的注意,以及感受到相应的运动场景,引起消费者共鸣,使消费者获得特殊的运动品牌符号信息和消费体验。     

浅谈产品设计中色彩的魅力

色彩是产品设计中重要的视觉传达要素,反映了人们心理审美视觉感受,赋予产品情感,增添产品的艺术魅力。本文通过对色彩的心理情感联想的阐述,根据不同年龄阶段的消费群体对色彩的不同喜好感受,结合实例论述了色彩在产品设计中的应用,最后通过色彩的创新运用,展望色彩在未来产品设计中的发展。     

一种基于脉冲耦合神经网络的语音情感识别新方法

针对汉语语音情感识别问题,提出了一种基于脉冲耦合神经网络(PCNN)的识别方法。该方法将语音转化为语谱图后输入到PCNN,得到输出图像的神经元点火序列及其熵序列作为语音情感的特征,利用其特征实现语音情感识别。实验结果表明,该方法可以有效地识别“高兴”与“平常”这两种不同的情感。该方法将PCNN引入到语音情感识别的应用研究中,开拓了语音和图像信号结合处理的新领域,同时对于PCNN的理论研究和实际应用具有重要的现实意义。     

融合语音、脑电和人脸表情的多模态情绪识别

本文提出了一种多模态情绪识别方法, 该方法融合语音、脑电及人脸的情绪识别结果来从多个角度综合判断人的情绪, 有效地解决了过去研究中准确率低、模型鲁棒性差的问题. 对于语音信号, 本文设计了一个轻量级全卷积神经网络, 该网络能够很好地学习语音情绪特征且在轻量级方面拥有绝对的优势. 对于脑电信号, 本文提出了一个树状LSTM模型, 可以全面学习每个阶段的情绪特征. 对于人脸信号, 本文使用GhostNet进行特征学习, 并改进了GhostNet的结构使其性能大幅提升. 此外, 我们设计了一个最优权重分布算法来搜寻各模态识别结果的可信度来进行决策级融合, 从而得到更全面、更准确的结果. 上述方法在EMO-DB与CK+数据集上分别达到了94.36%与98.27%的准确率, 且提出的融合方法在MAHNOB-HCI数据库的唤醒效价两个维度上分别得到了90.25%与89.33%的准确率. 我们的实验结果表明, 与使用单一模态以及传统的融合方式进行情绪识别相比, 本文提出的多模态情绪识别方法有效地提高了识别准确率.     

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.