游戏之外:游戏前,游戏期间和游戏后的多式情绪识别

科学领域:

• 人与计算机的交互 (HCI)
• 情感计算是一种情感计算.
• 机器学习用于情绪识别和识别.

背景情况:

• 了解用户在互动体验,特别是严游戏 (SG) 中的情绪反应,对于推进人机交互 (HCI) 至关重要.
• 多模式信号为准确的情绪识别提供了丰富的数据来源.
• 人工智能系统中的个性化需要强大的方法来检测用户的情绪状态.

研究的目的:

• 通过分析严重游戏 (SG) 参与期间的多式联络数据来探索和增强情绪识别 (ER).
• 调查生理信号,游戏日志 (GL),影响动态和个性特征 (PT) 之间的相互作用,以获得个性化的HCI.
• 在多式联运数据中识别不同的模式,以在交互场景中为准确的ER做出贡献.

主要方法:

• 利用BIRAFFE-2数据集,包括76名参与者在动态游戏和视听刺激过程中的数据.
• 从心电图 (ECG),皮电活动 (EDA),加速度计,陀螺仪,游戏日志 (GL),影响动态和人格特征 (PT) 中提取的特征.
• 应用各种机器学习模型,包括支持矢量机 (SVM),用于情感识别.

主要成果:

• 在不同的实验场景中,在情感识别方面取得了最先进的性能,在使用SVM的最佳游戏中负效应的准确率为0.967.
• 强调了情绪状态作为个性化HCI指标的重要性.
• 揭示了不同的数据模式,强调了心电图衍生的呼吸特征的作用以及过去情感对当前情绪状态的影响.

结论:

• 这项研究证明了多式联络信号分析在严游戏中准确识别情绪的有效性.
• 这些发现强调了通过整合生理数据,游戏日志和用户特征来开发适应性,对影响敏感的SG的潜力.
• 由多式联络信号获得的拟议的客观数字生物标志物可以在基于SG的干预过程中增强对情绪行为的临床理解.