从生理信号进行动态情绪强度估计,通过评估理论促进解释

科学领域:

• 认知科学 认知科学
• 情感计算是一种情感计算.
• 计算神经科学是一种神经科学.

背景情况:

• 情感识别研究往往忽视了情感过程的动态性质,限制了像舍勒的组件过程模型 (CPM) 这样的评估理论中的解释性.
• 现有的方法通常专注于离散的情绪分类,而不是捕捉情绪体验的连续动态.

研究的目的:

• 使用动态模型从生理特征估计情绪强度.
• 在CPM框架内调查生理动态和感知情绪强度之间的关系.
• 开发能够捕捉情绪动态的计算模型,以提高可解释性.

主要方法:

• 利用非线性自回归外源 (NARX) 模型来分析与CPM神经生理成分相关的生理信号.
• 诱导了不同强度的情绪和测量了生理信号,而参与者则实时报告了主观的感受.
• 在提取的生理特征上使用遗传算法训练了主体内和主体间的强度模型.

主要成果:

• 动态模型,特别是NARX,在估计情绪强度方面表现优于传统的滑动窗线性回归.
• 解释的NARX模型参数在跨主体模型中显示出一致的心率参数.
• 这些发现表明,在生理动力学中存在显著的时间贡献,这与CPM预测的变化保持一致.

结论:

• 动态建模提供了一个强大的方法来理解生理动态和感知情绪强度之间的联系.
• 纳克斯模型提供了与评估理论一致的可解释参数,增强了我们对情感过程的理解.
• 这项研究将计算建模和评估理论结合起来,为情绪的神经生理基础提供了洞察力.