情感计算 - 版本历史

2021年9月1日 (三) 12:25 唐糖糖

2021-09-01T12:25:33Z

唐糖糖：/* 其他链接 */

2021-09-01T12:25:06Z

其他链接

唐糖糖：/* 其他链接 */

2021-09-01T12:20:28Z

其他链接

唐糖糖：/* 语音情感 */

2021-09-01T12:16:32Z

语音情感

唐糖糖：/* 机器中的情感 */

2021-09-01T12:15:53Z

机器中的情感

2021年8月28日 (六) 16:36 唐糖糖

2021-08-28T16:36:43Z

唐糖糖：/* 面部肌电图 */

2021-08-28T16:30:28Z

面部肌电图

2021年8月28日 (六) 16:29 唐糖糖

2021-08-28T16:29:45Z

显示更改

唐糖糖：/* 皮肤电反应 */

2021-08-28T16:28:31Z

皮肤电反应

唐糖糖：/* 面部情感检测的挑战 */

2021-08-28T16:27:30Z

面部情感检测的挑战

@@ 第368行： / 第368行： @@
 *[https://web.archive.org/web/20110201001124/http://www.computer.org/portal/web/tac IEEE 情感计算会刊''（TAC）'']
 *[http://opensmile.sourceforge.net/ 流行的最先进的开源工具包，用于大规模的情感识别和计算语言学特征提取]
 ==参考文献==

@@ 第360行： / 第360行： @@
 ==其他链接==
-* [http://affect.media.mit.edu/ Affective Computing Research Group at the MIT Media Laboratory]
+* [http://affect.media.mit.edu/ MIT 媒体实验室情感计算研究小组]
-*[http://emotions.usc.edu/ Computational Emotion Group at USC]
+*[http://emotions.usc.edu/ USC 计算情感小组]
-*[http://emoshape.com/ Emotion Processing Unit – EPU]
+*[http://emoshape.com/ 情感处理单元-EPU]
-*[http://sites.google.com/site/memphisemotivecomputing/ Emotive Computing Group at the University of Memphis]
+*[http://sites.google.com/site/memphisemotivecomputing/ 曼菲斯大学情感计算小组]
-*[https://web.archive.org/web/20180411230402/http://www.acii2011.org/ 2011 International Conference on Affective Computing and Intelligent Interaction]
+*[https://web.archive.org/web/20180411230402/http://www.acii2011.org/ 2011年国际情感计算和智能交互会议]
-*[https://web.archive.org/web/20091024081211/http://www.eecs.tufts.edu/~agirou01/workshop/ Brain, Body and Bytes: Psychophysiological User Interaction] ''CHI 2010 Workshop'' （10–15, April 2010）
+*[https://web.archive.org/web/20091024081211/http://www.eecs.tufts.edu/~agirou01/workshop/ 大脑，身体和字节: 精神生理学用户交互 ''CHI 2010研讨会''（10-15,2010年4月）]
-*[https://web.archive.org/web/20110201001124/http://www.computer.org/portal/web/tac IEEE Transactions on Affective Computing] ''（TAC）''
+*[https://web.archive.org/web/20110201001124/http://www.computer.org/portal/web/tac IEEE 情感计算会刊''（TAC）'']
-*[http://opensmile.sourceforge.net/ openSMILE: popular state-of-the-art open-source toolkit for large-scale feature extraction for affect recognition and computational paralinguistics]
+*[http://opensmile.sourceforge.net/ 流行的最先进的开源工具包，用于大规模的情感识别和计算语言学特征提取]
 ==参考文献==

@@ 第368行： / 第368行： @@
 *[https://web.archive.org/web/20110201001124/http://www.computer.org/portal/web/tac IEEE Transactions on Affective Computing] ''（TAC）''
 *[http://opensmile.sourceforge.net/ openSMILE: popular state-of-the-art open-source toolkit for large-scale feature extraction for affect recognition and computational paralinguistics]
@@ 第386行： / 第378行： @@
 * IEEE 情感计算会刊（TAC）
 * openSMILE: 流行的最先进的开源工具包，用于大规模的情感识别和计算语言学特征提取
 ==参考文献==

←上一版本		2021年9月1日 (三) 12:16的版本
第81行：		第81行：


−	语音分析是一种有效的情感状态识别方法，在最近的研究中，语音分析的平均报告准确率为70%-80%.<ref name=":10">{{Cite journal\|last1=Neiberg\|first1=D\|last2=Elenius\|first2=K\|last3=Laskowski\|first3=K\|date=2006\|title=Emotion recognition in spontaneous speech using GMMs\|url=http://www.speech.kth.se/prod/publications/files/1192.pdf\|journal=Proceedings of Interspeech}}</ref><ref name=":11">{{Cite journal\|last1=Yacoub\|first1=Sherif\|last2=Simske\|first2=Steve\|last3=Lin\|first3=Xiaofan\|last4=Burns\|first4=John\|date=2003\|title=Recognition of Emotions in Interactive Voice Response Systems\|journal=Proceedings of Eurospeech\|pages=729–732\|citeseerx=10.1.1.420.8158}}</ref>。这些系统往往比人类的平均准确率（大约60%<ref name="Dellaert" />）更高，但是不如使用其他情绪检测方式准确，比如生理状态或面部表情。然而，由于许多言语特征是独立于语义或文化的，这种技术被认为是一个很有前景的研究方向。	+	语音分析是一种有效的情感状态识别方法，在最近的研究中，语音分析的平均报告准确率为70%-80%<ref name=":10">{{Cite journal\|last1=Neiberg\|first1=D\|last2=Elenius\|first2=K\|last3=Laskowski\|first3=K\|date=2006\|title=Emotion recognition in spontaneous speech using GMMs\|url=http://www.speech.kth.se/prod/publications/files/1192.pdf\|journal=Proceedings of Interspeech}}</ref><ref name=":11">{{Cite journal\|last1=Yacoub\|first1=Sherif\|last2=Simske\|first2=Steve\|last3=Lin\|first3=Xiaofan\|last4=Burns\|first4=John\|date=2003\|title=Recognition of Emotions in Interactive Voice Response Systems\|journal=Proceedings of Eurospeech\|pages=729–732\|citeseerx=10.1.1.420.8158}}</ref>。这些系统往往比人类的平均准确率（大约60%<ref name="Dellaert" />）更高，但是不如使用其他情绪检测方式准确，比如生理状态或面部表情。然而，由于许多言语特征是独立于语义或文化的，这种技术被认为是一个很有前景的研究方向。

←上一版本		2021年9月1日 (三) 12:15的版本
第59行：		第59行：


−	人工智能领域的计算机科学先驱之一[https://zh.wikipedia.org/wiki/%E9%A9%AC%E6%96%87%C2%B7%E9%97%B5%E6%96%AF%E5%9F%BA 马文•明斯基 Marvin Minsky]在[[wikipedia:The_Emotion_Machine\|~~《情绪机器（The~~ Emotion ~~Machine）》~~]]一书中将情绪与更广泛的机器智能问题联系起来。他在书中表示，情绪“与我们所谓的‘思考’过程并没有特别的不同。'"<ref name=":6">{{cite news\|url=https://www.washingtonpost.com/wp-dyn/content/article/2006/12/14/AR2006121401554.html\|title=Mind Over Matter\|last=Restak\|first=Richard\|date=2006-12-17\|work=The Washington Post\|access-date=2008-05-13}}</ref>	+	人工智能领域的计算机科学先驱之一[https://zh.wikipedia.org/wiki/%E9%A9%AC%E6%96%87%C2%B7%E9%97%B5%E6%96%AF%E5%9F%BA 马文•明斯基 Marvin Minsky]在[[wikipedia:The_Emotion_Machine\|《情绪机器 The Emotion Machine》]]一书中将情绪与更广泛的机器智能问题联系起来。他在书中表示，情绪“与我们所谓的‘思考’过程并没有特别的不同。'"<ref name=":6">{{cite news\|url=https://www.washingtonpost.com/wp-dyn/content/article/2006/12/14/AR2006121401554.html\|title=Mind Over Matter\|last=Restak\|first=Richard\|date=2006-12-17\|work=The Washington Post\|access-date=2008-05-13}}</ref>

	== 技术 ==		== 技术 ==

←上一版本		2021年8月28日 (六) 16:36的版本
第401行：		第401行：
	本课程中，我们以文本数据为中心探讨并验证了情绪心理与知识融合理论相结合的可能途径。		本课程中，我们以文本数据为中心探讨并验证了情绪心理与知识融合理论相结合的可能途径。

−
−	~~[https://campus.swarma.org/course/1063 情感分析（一）]~~
−	[[file:ab52760ebb4196d64d8c74dd87994ac6.png\|thumb\|right\|200px\|情感分析（一）讲师李嫣然。<br/>香港理工大学在读博士生，集智科学家社群成员，著名公众号"程序媛的日常" 的运营者之一，人称小S。<br/>研究方向为自然语言处理中的语义表达和语言生成，致力于利用深度学习、认知科学等相关领域的方法和成果探究人类语言习得和语言表达的奥秘。]]
−
−	如果一个人发表这样评论：“这个加湿器看起来不错，用起来差点”，该如何定义其对这款产品的情感?对类似问题的分析，需要用到细粒度情感分析的方法。基于属性的情感分析是一种细粒度的情感分析任务，比传统的句子级别、文章级别的情感分析任务更加复杂，首先需要识别句子或文章讨论的属性，然后识别具体属性的情感极性，得出结论。细粒度的情感分析具有巨大的商业应用价值，使其成为 NLP 实战竞赛项目的热门赛题。本课程中，将讲解基于属性的细粒度情感分析该如何实施。
−
−	~~课程大纲：~~
−	*多分类：情感分析的基础
−	*细粒度：基于属性的细粒度情感分析
−	*多媒介：社交网络等用户生成文本的情感分析
−
−
−	~~[https://campus.swarma.org/course/1064 情感分析（二）]~~
−
−	在移动互联网时代，人们已经习惯于在网络上表达对事物的评价，比如外卖平台对商家、菜品的评价，购物网站对商品的评价，社交媒体的话题出现等。这些评价中具有巨大的商业价值，其隐藏的情感，可以帮助决策者做出可靠的选择。情感分析具有巨大的工业应用价值。
−
−
−	~~本课程中，尹相志老师将分享在餐饮、服饰、汽车等领域的情感分析项目落地经验。~~
−
−	~~课程大纲:~~
−	*文字情绪分类的主要思路
−	*文字情绪分类以及如何标注数据
−	*通篇文章情绪与逐字情绪
−	*基于RNN与CNN的 Seq2Seq 情绪建模

	===集智文章===		===集智文章===

@@ 第260行： / 第260行： @@
 ==== 面部肌电图 ====
 面部肌电图是一种通过放大肌肉纤维收缩时产生的微小电脉冲来测量面部肌肉电活动的技术<ref name="Larsen JT 2003">Larsen JT, Norris CJ, Cacioppo JT, "[https://web.archive.org/web/20181030170423/https://pdfs.semanticscholar.org/c3a5/4bfbaaade376aee951fe8578e6436be59861.pdf Effects of positive and negative affect on electromyographic activity over zygomaticus major and corrugator supercilii]", （September 2003）</ref>。面部表达大量情绪，然而，有两个主要的面部肌肉群通常被研究来检测情绪： 皱眉肌和颧大肌。皱眉肌将眉毛向下拉成皱眉，因此是对消极的、不愉快的情绪反应的最好反映。当微笑时，颧大肌负责将嘴角向后拉，因此是用于测试积极情绪反应的肌肉。
-[[File:Gsrplot.svg.png|500px|thumb|在这里，我们可以看到一张皮肤阻力的图，测量使用 GSR 和时间，同时受试者玩一个视频游戏。在图中有几个明显的峰值，这表明 GSR 是区分性唤起和非性唤起状态的一个很好的方法。例如，在游戏开始的时候，通常没有多少激动人心的游戏，但是有一个高水平的电阻记录，这意味着低水平的电导率，因此唤起较少。这与游戏中玩家被杀的突然低谷形成鲜明对比，因为玩家在游戏中被杀时通常会感到非常紧张。|链接=Special:FilePath/Gsrplot.svg]]
+[[File:Gsrplot.svg.png|500px|thumb|在这里，我们可以看到一张皮肤阻力的图，测量使用 GSR 和时间，同时受试者玩一个视频游戏。在图中有几个明显的峰值，这表明 GSR 是区分性唤起和非性唤起状态的一个很好的方法。<br/>例如，在游戏开始的时候，通常没有多少激动人心的游戏，但是有一个高水平的电阻记录，这意味着低水平的电导率，因此唤起较少。这与游戏中玩家被杀的突然低谷形成鲜明对比，因为玩家在游戏中被杀时通常会感到非常紧张。|链接=Special:FilePath/Gsrplot.svg]]
 ==== 皮肤电反应 ====

@@ 第265行： / 第265行： @@
 ==== 皮肤电反应 ====
-皮肤电反应(Galvanic skin response，GSR)是一个过时的术语，更一般的现象称为[Electrodermal Activity，皮肤电活动]或 EDA。EDA 是皮肤电特性改变的普遍现象。皮肤受交感神经支配，因此测量皮肤的电阻或电导率可以量化自主神经系统交感神经分支的细微变化。当汗腺被激活时，甚至在皮肤出汗之前，EDA 的水平就可以被捕获(通常使用电导) ，并用于辨别自主神经唤醒的微小变化。一个主体越兴奋，皮肤导电反应就越强烈<ref name="Picard, Rosalind 1998" />。
+皮肤电反应(Galvanic skin response，GSR)是一个过时的术语，更一般的现象称为皮肤电活动（Electrodermal Activity）或 EDA。EDA 是皮肤电特性改变的普遍现象。皮肤受交感神经支配，因此测量皮肤的电阻或电导率可以量化自主神经系统交感神经分支的细微变化。当汗腺被激活时，甚至在皮肤出汗之前，EDA 的水平就可以被捕获(通常使用电导)，并用于辨别自主神经唤醒的微小变化。一个主体越兴奋，皮肤导电反应就越强烈<ref name="Picard, Rosalind 1998" />。
 皮肤导电反应通常是通过放置在皮肤某处的小型氯化银电极并在两者之间施加一个小电压来测量的。为了最大限度地舒适和减少刺激，电极可以放在手腕、腿上或脚上，这样手就可以完全自由地进行日常活动。
 ==== 面部颜色 ====

@@ 第227行： / 第227行： @@
 * FACS 不包括动态，而动态可以帮助消除歧义（例如，真正快乐的微笑往往与“尝试看起来快乐”的微笑具有不同的动态）。
 * FACS 组合与心理学家最初提出的情绪并不是一一对应的（这种缺乏 1:1 映射的情况也发生在具有同音异义词和许多其他歧义来源的语音识别中，可能通过引入其他信息渠道来缓解）。
-* 通过添加上下文提高了识别的准确性; 然而，添加上下文和其他模式增加了计算成本和复杂性
+* 通过添加上下文提高了识别的准确性; 然而，添加上下文和其他模式增加了计算成本和复杂性。
 === 身体姿势 ===