在HRI中对人类情绪进行分类:将全球优化模型应用于EEG脑信号

科学领域:

• 人与机器人的交互 (HRI)
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 社会机器人越来越多地被设计成更像人类,以获得更好的接受.
• 人们正在探索大脑-计算机接口 (BCI),使机器人能够理解人类的情绪.
• 通过BCI识别情绪的挑战包括主观性,上下文依赖性和噪音数据.

研究的目的:

• 在人机交互 (HRI) 期间,通过脑电图 (EEG) 来检测人类情绪状态.
• 用BCI来解决实时情绪识别方面的挑战.
• 为了提高对机器人行为反应人类心理状态分类的准确性.

主要方法:

• 收集了来自10名与Pepper机器人互动的参与者的EEG信号,这些机器人表现出不同的个性.
• 利用来自前脑非对称 (FBA) 的情绪价值和兴奋指标.
• 训练有素的机器学习模型,通过全球优化模型 (GOM) 来优化功能选择和超参数调整.

主要成果:

• 实现了高达92%的分类准确性,用于检测用户对EEG信号的情绪反应.
• 在人机交互过程中展示了实时情绪检测的可行性.
• 全球优化模型显著提高了分类器的性能.

结论:

• 这项研究通过使机器人能够解释用户的情绪来推进HRI中的思维理论 (ToM).
• 这些发现为开发更富同情和响应能力的社交和辅助机器人铺平了道路.
• 来自EEG信号的精确情绪检测对于更直观的人机协作至关重要.