Классификация чувств: Классификация эмоций и чувств

Классификация эмоций и чувств

Чувства условно делятся на этические (моральные, нравственные), интеллектуальные (познавательные) и эстетические.
Интеллектуальные
— это чувства, связанные с познавательной деятельностью человека. Они возникают в процессе учебной и научной работы, а также в творческой деятельности в различных видах искусства, науки и техники. К интеллектуальным чувствам относят удивление, любознательность, сомнение, радость открытия, любовь к истине.
Этические — чувства, в которых отражается отношение человека к требованиям общественной морали. Они связаны с его мировоззрением, мыслями, идеями, принципами и традициями. К ним относятся: любовь, сострадание, доброжелательность, гуманность, преданность.
Эстетические — чувства, возникающие у человека в связи с удовлетворением или неудовлетворением его эстетических потребностей. К ним относятся чувства прекрасного и безобразного, возвышенного и низменного, чувство юмора и т. д.

Нравственные, интеллектуальные и эстетические чувства переживаются человеком в деятельности и в общении. Иногда они именуются как высшие ввиду того, что в них заключено все богатство эмоциональных отношений человека к действительности. В то же время следует подчеркнуть условность понятия «высшие чувства», так как к ним приходится относить не только нравственные, но и безнравственные чувства (себялюбие, жадность, зависть). Наконец, ввиду отсутствия точного классификационного критерия, нравственные, интеллектуальные и эстетические чувства с трудом могут быть отдифференцированы друг от друга при психологическом анализе. Чувство юмора, являясь эстетическим, вместе с тем может рассматриваться как интеллектуальное, если оно связано с умением подмечать противоречия в окружающей действительности. Все это подчеркивает единство эмоциональной сферы личности человека.

Эмоции условно делят на настроения, страсти и аффекты.
Настроение — это слабо выраженное эмоциональное переживание, отличающееся недостаточным осознанием причин и факторов, их вызывающих.
Аффект — кратковременное переживание большой силы (ярость, ужас, отчаяние), которое протекает быстро, бурно, сопровождается резко выраженными органическими изменениями и двигательными реакциями. Одним из распространенных видов аффекта является стресс — это состояние чрезмерно сильного и длительного психологического напряжения, которое возникает у человека, когда его нервная система получает эмоциональную перегрузку. Стресс оказывает отрицательное воздействие на сердечно-сосудистые и кишечно-желудочные заболевания.

Страсти — сильные, глубокие, длительные и устойчивые переживания с ярко выраженной направленностью на достижение цели. Страсть — сплав эмоций, мотивов и чувств, сконцентрированных вокруг определенного вида деятельности или предмета. Объектом страсти может стать человек.

Настоящая любовь — духовная связь одного человека с другим, подобным ему существом, которая не сводится к физическому влечению и страсти.

Классификация чувств: эстетические, правовые, интеллектуальные

Классифицировать чувства можно по-разному.

Рисунок 1. Основы классификации чувств

По влиянию на деятельность выделяются чувства стенические и астенические. Стенические чувства положительно влияют на деятельность и поведение человека, астенические, напротив, отрицательно. Чувства могут быть разнонаправленными: положительными(радость, оптимизм, восторг, умиление) и отрицательными (страх, тревога, неуверенность, угнетенность).

Классификация чувств по форме проявления

По форме проявления выделяют настроения, аффекты и страсти.

Определение 1

Настроения — эмоциональные состояния человека, которые длятся относительно недолго.

Определение 2

Аффекты — эмоции имеющие большую силу, носят кратковременный характер.

Такие кратковременные чувства можно назвать вспышками. К ним относятся: гнев, ненависть, паника, страх. В сознании происходят значительные изменения, нарушается волевой контроль. Причиной аффекта является неожиданный или большой силы раздражитель, к которому не может приспособиться человек. Часто этой причиной выступает конфликт с другими людьми, длительное игнорирование какой-то просьбы, усталость, переутомление. Аффект присущ людям неуравновешенным и слабохарактерным. Человек становится чрезмерно активным, эта активность не соответствует ситуации. Он жестикулирует, громко говорит, его речь сопровождается возгласами и восклицаниями. Либо, наоборот, человек впадает в оцепенение, его движения замедленны, речь заторможена. Усилием воли возможно погасить вспышку. Чем больше развиты волевые качества, тем меньше человек подвержен аффекту. Предупредить, замедлить аффект может отвлечение или переключение внимания. С точки зрения психологии сильное нервное возбуждение переносится на другие участки мозга.

Определение 3

Страсти — сильные, глубокие переживания.

Они довольно устойчивы и длительны. Если страсть направлена на общественно важную цель, она обогащает человека, ведет к успехам, может даже к выдающимся достижениям. Любовь к науке, искусству, чрезмерная, всезахватывающая — тоже страсть.

Морально-политические чувства

Морально-политические чувства относятся к социальным. Сюда можно отнести чувства любви к своей Родине, ненависти к врагу, позитивного отношения к труду. Честь, достоинство, совесть — тоже морально-политические чувства. Перечисленные эмоции тесно связаны с мировоззренческой позицией человека, с политическими и нравственными убеждениями. Проявление этих чувств является важной мотивацией поведения человека.

Нужна помощь преподавателя?

Опиши задание — и наши эксперты тебе помогут!

Описать задание

Правовые чувства

Большое место в жизни человека занимают правовые чувства.  При помощи них человек выражает свое отношение к поступкам, нормам, правилам. Если правовые чувства высоко развиты, человек является законопослушным гражданином, он соблюдает предписания права. Чувства уважения к закону, уверенность в его справедливости следует относить к правовым чувствам. Правосознание формируется при помощи воспитания, получения человеком правовых знаний.

Интеллектуальные чувства

Когда человек осуществляет познавательную деятельность, возникают интеллектуальные чувства. Это отношение человека к мыслям. Любознательность, удивление,ясность, понимание, уверенность, сомнение, ощущение нового — это чувства, возникающие при приобретении знаний и умений. Они стимулируют мышление, побуждают человека дойти до истины, разобраться в непонятном.

Эстетические чувства

У человека есть эстетические потребности. В зависимости от того удовлетворены они или нет возникают эстетические чувства разной направленности: чувство прекрасного и безобразного, возвышенного и низменного, трагического и комического. У каждого человека свои нормы прекрасного, эстетические оценки, они имеют под собой мировоззренческую основу.

Выделяют чувства профессиональные, семейно-бытовые, религиозные и др.

Успех в профессии зависит от любви к ней, гордости, уверенности, коллективизма, а также ответственности, исполнительности, инициативности.

3. Классификация чувств

3.1 ВЫСШИЕ ЧУВСТВА

Высшие социальные чувства отражают высшие социальные потребности.

Эти потребности подвержены сравнительно быстрым изменениям в ходе исторического развития; они не одинаковы у людей, воспитанных в различных общественных формациях, в различные эпохи, принадлежащим к различным общественным группировкам и классам.

Высшие чувства возникают у человека на базе удовлетворения или неудовлетворения его высших духовных потребностей. К высшим чувствам относятся моральные, интеллектуальные и эстетические чувства.

А) Моральные чувства:

  • чувство справедливости

  • чести

  • долга

  • ответственности

  • патриотизма

  • солидарности

  • творческое вдохновение

  • трудовой энтузиазм

Оценка человеком своих поступков (самооценка) связана с переживанием такого чувства как совесть. Если человек, исходя из чувства собственного долга, сознает правоту своих поступков, то он переживает состояние спокойной совести. Спокойная совесть связана с переживанием большого морального удовлетворения и радости, она дает человеку силу и уверенность в правоте своих действий.

Б) Интеллектуальные чувства связаны с умственной, познавательной деятельностью человека и постоянно сопровождают ее. Они выражают отношение человека к своим мыслям, процессам и результатам интеллектуальной деятельности. К ним можно отнести:

Чувство удивления наступает тогда, когда человек встречается с чем-то новым, необычным, неизвестным. Способность удивляться — очень важное чувство, стимул познавательной деятельности. Чувство сомнения возникает при несоответствии гипотез и предложений с некоторыми фактами и соображениями. Чувство уверенности рождается от сознания истинности и убедительности фактов, предположений и гипотез, которые выяснились в результате их проверки. Результативная работа вызывает чувство удовлетворения.

В) Большое место в жизни человека занимают эстетические чувства. Источник эстетических чувств — произведения искусства: музыка, живопись, скульптура, художественная проза и поэзия, а также произведения архитектуры и достижения в области технических сооружений. Глубокие эстетические переживания люди могут испытывать при созерцании природы. К эстетическим чувствам можно отнести:

Помимо этих групп можно выделить и специфические группы, которые появляются с развитием общества. Например, с формированием частной собственности стали формироваться чувства, выражающие отношение к ней.

Критерий, по которому чувства причисляют к «высшему этажу»,- высокая степень участия корковых и особенно второсигнальных процессов Чувства чести, долга, справедливости и другие — это комплексы эмоционально подкрепленных представлений. Если человек действует в согласие с привитыми ему понятиями чести и долга, то его высшие социальные чувства проявляются в сочетании с удовлетворенностью собой, с сознанием своей правоты.

3.2 НИЗШИЕ ЧУВСТВА (ЭМОЦИИ)

Это эмоции, которые менее других подверглись изменениям в процессе развития человечества. К ним можно отнести:

  • голод

  • боль

  • усталость

  • жажда

Одна из особенностей «низших эмоций»- отчетливая локализация, или «анатомическая привязка».

3.3 ЧУВСТВА ПРОМЕЖУТОЧНОГО КЛАССА

Этот класс чувств можно подразделить на три группы.

А) Положительные чувства:

удовольствие, самодовольство, радость, чувство удовлетворенности собою, блаженство, восторг, уверенность, ликование, доверие, восхищение, симпатия (приязнь), уважение, спокойная совесть, нежность, чувство облегчения, любовь (половая), любовь (привязанность), чувство безопасности, предвкушение, умиление, злорадство, благодарность, чувство удовлетворенности, мести, гордость.

Б) Отрицательные чувства:

Неудовольствие, ярость, горе, презрение, отчаяние, возмущение (негодование), тоска, неприязнь, печаль (грусть), зависть, уныние, злоба, скука, злость, огорчение, разочарование, ненависть, тревога, неуверенность (сомнение), боязнь, испуг, растерянность, недоверие, страх, ужас, смущение, стыд, жалость сострадание, неудовлетворенность собою, раскаяние, сожаление, досада, угрызение совести, нетерпение, досада, обида, горечь,

чувство оскорбления, отвращение, гнев, омерзение, ревность.

В) Нейтральные чувства:

безразличие, состояние спокойного, удивление, созерцание, изумление.

Нейтральные чувства возникают тогда, когда человек находясь в ясном сознании, не испытывает ни приятных, ни неприятных чувств. Но все же в этом состояние он переживает свое отношение к миру и к самому себе.

Разделение чувств на положительные и отрицательные сделано не потому, что с точки зрения сегодняшней морали одни чувства благородны, а другие низменны, а исключительно по признаку доставляемого удовольствия или неудовольствия. Физиологи установили, что приятные чувства сопровождаются возбуждением преимущественно парасимпатического отдела вегетативной нервной системы, а неприятные- преимущественно симпатического ее отдела. Поэтому злорадство относится к положительным чувствам, а сострадание к отрицательным.

Некоторые чувства, отнесенные к отрицательным, в ряде ситуаций все же приятны (например, гнев, раскаяние, жалость — в тех случая, когда эти чувства могут быть «излиты», то есть активно выявлены в поведении). Отрицательных чувств гораздо больше чем положительных.

3.4 ДРУГИЕ ВИДЫ ЧУВСТВ

Словом чувство обозначают не только те или иные переживания, но и более сложные психические реакции — такие, как чувство интереса, чувство правды, чувство красоты и чувство юмора. Эти четыре чувства представляют собой единую группу эмоциональных явлений, выражающих самое общее активно-положительное отношение человека к жизни.

Это сложные психические реакции; воздействовать на них можно с разных принципиальных точек.

3. Классификация эмоций и чувств

В науке предпринимались различные попытки классифицировать эмоции и чувства. Например, немецкий философ И. Кант делил эмоции на стенические и астенические. Стенические эмоции стимулируют деятельность, увеличивают энергию и напряжение сил человека. И наоборот, когда переживания вызывают своеобразную скованность, пассивность — это астенические эмоции. Также известно, что основоположник науч­ной психологии Вильгельм Вундт предложил характеризовать эмоции по трем пара­метрам: 1) удовольствие — неудовольствие; 2) напряжение — разряжение; 3) возбуж­дение — торможение.

Американский исследователь эмоций К. Изард считает, что существуют фунда­ментальные и производные (образующие комплекс производных) эмоции. К фунда­ментальным эмоциям ученый отнес:

  1. интерес — положительное эмоциональное состояние, способствующее разви­тию навыков и умений, приобретению знаний, мотивирующих обучение;

  2. радость — положительное эмоциональное состояние, связанное с возмож­ностью достаточно полно удовлетворить актуальную потребность;

  3. удивление — не имеющая четко выраженного положительного или отрицатель­ного знака эмоциональная реакция на внезапно возникающие обстоятельства. Удив­ление тормозит все предыдущие эмоции, направляя внимание на объект, его вызвав­ший, и может переходить в интерес;

  4. страдание — отрицательное эмоциональное состояние, связанное с получен­ной достоверной (или кажущейся таковой) информацией о невозможности удовлет­ворения важнейших жизненных потребностей, которое до этого момента представля­лось более или менее вероятным;

  5. гнев — отрицательное эмоциональное состояние, протекающее в форме аф­фекта, вызванное внезапным возникновением серьезного препятствия на пути удов­летворения исключительно важной для субъекта потребности;

  6. отвращение — отрицательное эмоциональное состояние, вызванное объекта­ми (предметами, людьми, обстоятельствами), соприкосновение с которыми вступает в противоречие с идеологическими, нравственными или эстетическими принципами и установками;

  7. презрение — отрицательное эмоциональное состояние, возникающее в меж­личностных взаимоотношениях и порождаемое рассогласованием жизненных пози­ций, взглядов и поведения субъекта с жизненными позициями, взглядами и поведе­нием субъекта чувства. Последние представляются субъекту как низменные, не со­ответствующие нравственным нормам;

  8. страх — отрицательное эмоциональное состояние, проявляющееся при полу­чении субъектом информации о возможной угрозе его жизненному благополучию, реальной или воображаемой опасности. В отличие от страдания — это лишь вероят­ный прогноз возможного неблагополучия;

  9. стыд — отрицательное эмоциональное состояние, которое выражается в осоз­нании несоответствия собственных помыслов, поступков, внешности ожиданиям ок­ружающих или своим представлениям о подобающем поведении и внешнем облике.

В представленной классификации эмоций выделяются положительные и отрица­тельные эмоциональные переживания. Положительные эмоции и чувства возникают при удовлетворении потребностей или надежде на их удовлетворение. В приведен­ном выше перечне К. Изарда к положительным эмоциональным переживаниям чело­века относятся радость и интерес. Отрицательные эмоции и чувства возникают при неудовлетворении потребностей. К. Изард относил к ним страдание, гнев, отвраще­ние, презрение, страх, стыд. Иногда также выделяют неопределенные эмоции и чув­ства, которые возникают в незнакомой ситуации, характеризуются неустойчивостью и легкостью смены положительных и отрицательных эмоций. К неопределенным эмо­циям и чувствам можно отнести удивление, растерянность Б.И. Додонов в своей работе «Эмоции как ценность» отмечал, что отрицательные эмоции выполняют бо­лее важную биологическую функцию по сравнению с положительными. Отрицатель­ные эмоции — это сигнал тревоги, крик организма о том, что данная ситуация для него гибельна. Положительная эмоция — сигнал возвращения благополучия.

В жизни часто наблюдаются ситуации, когда человек одновременно испытывает противоположные эмоции и чувства (радость — грусть, удовольствие — страдание и др.). Сочетание двух несогласованных, противоречивых эмоциональных отноше­ний получило название амбивалентности.

Далее рассмотрим классификацию чувств. Выше отмечалось, что чувства пред­ставляют собой особую форму эмоциональных переживаний, в которых заключено все богатство подлинно человеческих отношений. В зависимости от высших потреб­ностей чувства подразделяются на нравственные, эстетические и интеллектуальные.

Нравственные (моральные) — чувства, переживаемые людьми при восприятии явлений действительности и сравнении этих явлений с нормами, выработанными обществом. Через них выражается отношение человека к другим людям и обществу в целом. Проявление этих чувств предполагает, что человеком усвоены нравствен­ные нормы и правила. К нравственным чувствам можно отнести чувство долга, гу­манность, доброжелательность, любовь, эмпатию. Соответственно, к аморальным чувствам относят жадность, эгоизм, жестокость.

Эстетические чувства представляют собой эмоциональное отношение человека к прекрасному в природе, жизни людей, искусстве (чувство трагического, вдохнове­ние, восторг). Эстетические чувства проявляются в художественных оценках и вку­сах. Некоторые исследователи выделяют в качестве особой группы праксические чувства, связанные с деятельностью человека.

Интеллектуальные чувства — переживания, возникающие в процессе познава­тельной деятельности человека. Интеллектуальные чувства не только сопровожда­ют познавательную деятельность человека, но и стимулируют ее, влияют на скорость и продуктивность мышления, содержательность и точность знания. Эти чувства выс­тупают как своеобразный регулятор умственной деятельности. К интеллектуальным чувствам относят удивление, сомнение, любознательность, чувство юмора. В чув­стве юмора проявляется беззлобно-насмешливое отношение к чему-нибудь или кому-нибудь. В юморе смех сочетается с симпатией к тому, на что он направлен. Чувство иронии — тонкая насмешка, выраженная в скрытой форме, остро критическое отно­шение к миру людям, самому себе. Ирония не щадит никого и ничего. Сарказм — язвительная насмешка, гневная ирония. Цинизм — издевка, насмешка, основанные на чувстве озлобленности мелкого человека против всего, что лучше и выше его.

КЛАССИФИКАЦИЯ ЧУВСТВ — ПСИХОЛОГИЯ.  КУРС ЛЕКЦИЙ

Классификация чувств можно рассмотреть по нескольким основаниям.

1.   По содержанию чувства обычно классифицируют по видам чувств. Принято выделять следующие виды чувств:

Ø  моральные,

Ø  интеллектуальные

Ø  эстетические.

Моральные, или нравственные чувства – это чувства, в которых проявляется отношение человека к поведению людей и своему собственному (чувства симпатии и антипатии, уважения и презрения, а также чувства товарищества, долга, совести и патриотизма).

Моральные чувства переживаются людьми в связи с выполнением или нарушением принятых в данном обществе принципов морали, которые определяют, что нужно считать во взаимоотношениях людей хорошим и дурным, справедливым и несправедливым.

Интеллектуальные чувства возникают в процессе умственной деятельности и связаны с познавательными процессами. Они отражают и выражают отношение человека к своим мыслям, к процессу познания, его успешности и не успешности, к результатам интеллектуальной деятельности.

Внимание!

Если вам нужна помощь в написании работы, то рекомендуем обратиться к профессионалам. Более 70 000 авторов готовы помочь вам прямо сейчас. Бесплатные корректировки и доработки. Узнайте стоимость своей работы.

К интеллектуальным чувствам относят: любопытство, любознательность, удивление, уверенность, неуверенность, сомнение, недоумение, чувство нового.

Эстетические чувства переживаются в связи с восприятием ‘предметов, явлений и отношений окружающего мира и отражают отношение субъекта к различным фактам жизни и их отображению в искусстве. В эстетических чувствах человеком переживаются красота и гармония (либо, наоборот, дисгармония) в природе, в произведениях искусства, в отношениях между людьми. Эти чувства проявляются в соответствующих оценках и переживаются как эмоции эстетического наслаждения, восторга или презрения, отвращения. Это чувство красивого и безобразного, грубого; чувство величия или, наоборот, низости, пошлости; чувство трагического и комического.

2.        Чувства различаются по скорости возникновения, силе и продолжительности.

Так, иногда чувства возникают очень быстро, например, в виде вспышек радости, гнева, но иногда те же чувства проявляются медленно («не сразу обрадовался»). Существуют эмоциональные переживания, скорость возникновения которых определить трудно или совсем невозможно (большинство наших настроений).

Эмоциональные переживания могут происходить с различной силой. Сила чувств – это прежде всего сила переживания приятного или неприятного («очень приятно», «малоприятно»).

Эмоциональные переживания также различаются по продолжительности (устойчивости). Чувства называются устойчивыми, когда возникшее переживание продолжается в течение длительного периода.

Поможем написать любую работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту

Узнать стоимость

Классификация чувств

   Многогранность чувств, их проявление на различных уровнях отражения и деятельности, способность к слиянию и сочетанию, их приспособительный характер исключают возможность простой линейной их классификации.

Чувства различаются по модальности, по интенсивности, продолжительности, глубине, осознанности, генетическому происхождению, сложности, условиям возникновения, выполняемым функциям, воздействию на организм, формы своего развития, по уровням проявления в строении психического ()gвысшие-низшие), по психическим процессам, с которыми они связаны, по потребностям, по предметному содержанию и направленности, по особенностям их выражения, нервному субстрату.

Существующие классификационные схемы различаются соотношением своей теоретической и эмпирической обоснованности.

Наиболее распространенная классификация чувств выделяет отдельные их подвиды по видам деятельности, в которых они проявляются. Особую группу составляют высшие чувства, в которых заключено все богатство эмоциональных отношений человека к социальной действительности. К области нравственных чувств относится все то, что определяет отношение человека к социальным учреждениям, к государству, к определенному классу, к другим людям, к самому себе.

Познавательная деятельность порождает у человека познавательные или интеллектуальные чувства. Их предметом является как сам процесс приобретения знаний, так и его результат; вершиной интеллектуальных чувств является обобщенное чувство любви к истине. Среди высших чувств важное место занимают практические чувства, связанные с деятельностью: трудом, учением, спортом. К высшим чувствам относятся также эстетические чувства, предполагающие осознанную или неосознанную способность при восприятии явлений окружающей действительности руководствоваться понятиями прекрасного. Интеллектуальные, практические, эстетические чувства возникают в единстве с нравственными чувствами и обогащаются в связи с ними.

По степени обобщенности предметного содержания чувства подразделяются на:

— конкретные (например, чувство к ребенку, произведению искусства),

— обобщенные (чувства к детям вообще, к музыке),

— абстрактные (чувство справедливости, трагического).

Примером эмпирической классификации может служит различение десяти «фундаментальных» эмоций, выделенных на основе комплексного критерия, охватывающего их нервный субстрат, экспрессию и субъективное качество (К. Изард). К ним относят следующие:

— интерес,

— волнение,

— радость,

— удивление,

— горе-страдание,

— гнев,

— отвращение,

— презрение,

— страх,

— стыд,

— вина.

Эмоции (следовательно и чувства) можно классифицировать в зависимости от субъективной ценности возникаемых переживаний. Б. И. Додоновым выделены следующие виды подобных «ценностных» эмоций:

— альтруистические (связанные с бескорыстной помощью другим людям),

— коммуникативные (вызванные потребностью в общении),

— глорические (связанные с желанием прославиться),

— праксические (вызываются ситуациями конкретной практической деятельности),

— пугнические (переживание «острых ощущений»),

— романтические (связанные с «амурными» делами),

— гностические (вызванные познанием, расширением кругозора),

— эстетические (восприятие красивого),

— гедонистические (связанные с удовлетворением физиологических потребностей),

— аквизитивные (переживания, связанные с приобретением тех или иных товаров, услуг).

Отсутствие исчерпывающей классификации чувств объясняется большим их разнообразием, а также их исторической изменчивостью.

 


См. также

Эмоции, чувства

 


   RSS     [email protected] 

Понятие о чувствах. Виды чувств.

Чувство – особая форма отношения человека к явлениям действительности, обусловленная их соответствием или несоответствием потребностям человека, отличающаяся относительной устойчивостью. Благодаря чувству можно выяснить эмоциональное отношение человека к тем или иным вещам, определить его моральные убеждения и особенности внутреннего мира человека.

Всё новое происходящее в жизни и деятельности человека воспринимается и выражается в новых чувствах и переживаниях. Формирование чувств является необходимым условием развития человека как личности. Они формируются по мере развития индивидуального сознания под влиянием воспитательных воздействий семьи, образования, культуры и других факторов.

Функции чувств:

  1. мотивационная – чувства мотивируют поведение;
  2. сигнальная – чувства сигнализируют человеку о потребностной значимости объектов и побуждают направлять на них деятельность;
  3. оценочная – чувства помогают определить значимость всего, что происходит;
  4. функция синтезирующая основы образа — отражает разнообразие раздражителей в виде целых и структурных образований;
  5. экспрессивная функция – обеспечивает невербальную коммуникацию.

Классификация чувств: чувства различают по модальности, по интенсивности, по продолжительности, глубине, осознанности, генетическому происхождению, сложности, условиям возникновения, выполняемым функциям, воздействию на организм, по формам и условиям своего развития, по психическим процессам, с которыми они связаны, по потребностям, по предметному содержанию. Существующие классификации различаются по своей теоретической и эмпирической обоснованности.

Принято выделять низшие и высшие чувства:

  • Низшие чувства связаны с удовлетворение или неудовлетворением физических или физиологических потребностей человека.
  • Особую группу чувств составляют высшие чувства: нравственные, эстетические, интеллектуальные. Высшие чувства отражают духовный мир человека и связаны с анализом, осмыслением и оценкой происходящего и определяющего его личность.

Нравственные или моральные чувства – это форма переживания ценности или наоборот, недопустимости иных действий, поступков, мыслей, намерений человека с точки зрения требуемого от него отношения к обществу, к интересам общества, к нормам поведения, выработанным обществом. Эти переживания могут возникнуть лишь на основе соотнесения действий, поступков людей с нормами, выражающими общественные требования к поведению человека. Они зависят от знания норм поведения, требований морали, принятой в данном обществе, выражают отношение человека к другим людям. К таким чувствам относятся чувства товарищества, дружбы, любви, отражающие различную степень привязанности к определённым людям, потребность в общении с ними. Отношение к своим обязанностям, принятым на себя человеком по отношению к другим людям, к обществу называется долгом. Несоблюдение этих обязанностей приводит к возникновению отрицательного отношения к себе, выражающегося в чувство вины, стыда и в угрызениях совести. Также к ним относятся чувство жалости, зависти, ревности и другие проявления отношения к человеку.

Эстетические чувства представляют собой переживание чего-либо как прекрасного. В наиболее типичной и яркой форме они возникают при восприятии произведений искусства (явления природы, действия людей, вещи). Развиваются они в связи с развитием искусства. Именно музыка и пробуждает у нас музыкальное чувство. Эти чувства – это отношение человека к прекрасному и уродливому, связанное с пониманием красоты, гармонии, возвышенного и трагического. К ним относятся чувство юмора, ирония, злоба, издёвка, сарказм, чувство трагического, драматического.

Интеллектуальные чувства связаны с познавательной деятельностью людей, с удовлетворением любознательности, познавательных интересов, с поисками истины, с решением мыслительной задачи.

Классификация эмоций


Есть много разных способов, которыми ученые разбили классификацию эмоций, но до сих пор нет четкого консенсуса.


Психологам еще предстоит полностью ответить на вопрос «Сколько у нас эмоций?»

Отчасти трудность заключается в том, что наш опыт настолько сложен и включает в себя так много разных факторов, поэтому отличить одну эмоцию от другой очень похоже на рисование линий песка в пустыне.Иногда бывает сложно определить, где кончаются одни эмоции или начинается другая.

Хотя было доказано, что способность маркировать свои эмоции улучшает психическое здоровье, мы также должны осознавать и принимать эмоциональную сложность нашей повседневной жизни.

Когда мы анализируем такие здравые эмоции, как «счастье» или «гнев», мы знаем из повседневного опыта, что эти эмоции бывают разных степеней, качеств и интенсивности.

Кроме того, наш опыт часто состоит из нескольких эмоций одновременно, что добавляет еще одно измерение глубины и сложности нашим эмоциональным переживаниям.

Несмотря на то, насколько сложными могут быть эти различия, многие психологи пытались разделить наши эмоции на разные категории.

Ранняя философия разума утверждала, что все эмоции можно разделить либо на «удовольствие», либо на «боль», но с тех пор были выдвинуты более глубокие теории.

Вот основные теории эмоциональной категоризации, которые были исследованы на данный момент.

Список основных эмоций Экмана

Экман составил свой список основных эмоций после исследования множества различных культур.Он описывал ситуацию и просил людей выбрать наиболее подходящее выражение лица. Он также показывал фотографии различных выражений лица и просил людей определить эмоции. Во всех изученных культурах Экман обнаружил 6 основных эмоций:

  • Гнев
  • Отвращение
  • Страх
  • Счастье
  • Печаль
  • Сюрприз

Как вы понимаете, пять из них представлены в фильме Pixar «Наизнанку» (Радость, Печаль, Страх, Гнев и Отвращение), который может стать отличным знакомством с эмоциями для детей.

Экман добавил к этому списку в 1990-х годах, но заявил, что не все из них можно закодировать с помощью мимики:

  • Развлечение
  • Презрение
  • Удовлетворенность
  • Смущение
  • Волнение
  • Вина
  • Гордость за достижение
  • Рельеф
  • Удовлетворение
  • Чувственное удовольствие
  • Позор

Колесо эмоций Плутчика

Роберт Плутчик создал новую концепцию эмоций в 1980 году.Он назвал это «колесо эмоций», потому что оно показало, как разные эмоции могут сливаться друг с другом и создавать новые эмоции. Плутчик первым предложил 8 основных биполярных эмоций: радость против печали; гнев против страха; доверие против отвращения; и удивление против ожидания. Отсюда Плутчик определил более продвинутые эмоции, основываясь на их разнице в интенсивности. Если вы посмотрите на диаграмму ниже, вы увидите, как каждая эмоция соотносится с другой:


Классификация эмоций у попугаев

На данный момент наиболее тонкой классификацией эмоций, вероятно, является теория Попугаев 2001 года.Попугай выделил более 100 эмоций и представил их в виде древовидного списка:



Исследование эмоций будущего

Как вы понимаете, существует много различий в том, как исследователи группируют различные эмоции. Для меня удивительно, что, несмотря на все технологические и научные достижения, которые мы сделали, у нас до сих пор нет однозначного ответа на вопрос, сколько эмоций способен переживать человеческий разум.

Я предполагаю, что будущие исследования будут основываться на вышеупомянутых теориях и начнут определять нейронные корреляты между каждой эмоцией (измеренные с помощью сканирования мозга с помощью фМРТ).Нейробиология, вероятно, единственный способ определить «объективную» меру того, какие эмоции мы испытываем и как они связаны друг с другом.

К сожалению, предстоит еще много исследований, поэтому нам, вероятно, придется сидеть и ждать, пока мы не сможем больше узнать о полном эмоциональном диапазоне человеческого разума.


Будьте в курсе новых статей и ресурсов по психологии и самосовершенствованию:

Классификация чувств на основе данных

Мы определяем «чувство» как субъективное, аффективное переживание эмоции или настроения.Люди ищут положительные чувства, потому что для них это полезно. Из этого следует, что производители брендовых товаров должны беспокоиться о чувствах, которые предрасполагают потребителей к покупке их товаров, а также о чувствах, которые их товары помогают потребителям достигать, сохранять, увеличивать, уменьшать или рассеивать в погоне за вознаграждением. Для этого требуются практические процедуры, которые позволят исследователям фиксировать преобладающие чувства, которые люди испытывают в определенный момент времени, и отслеживать переходы, вызванные продуктами, брендами, рекламой и т. Д.Для разработки и применения таких исследовательских инструментов исследователям необходим соответствующий и хорошо сфокусированный лексикон, с помощью которого они могут получить доступ к чувствам и исследовать их.

Это исследование описывает классификацию чувств на основе данных. Первоначальный список слов, состоящий из 544 терминов, из которых 209 были положительными, а 335 — отрицательными, был разработан на английском, французском, немецком и итальянском языках. На этапе 1 исследования было набрано около 350 респондентов во Франции, Германии, Италии и Великобритании для участия в опросе по самоотчету о чувствах.Это дало 55 кластеров чувств, из которых 23 были условно положительными, а 32 — отрицательными. На этапе 2 исследования 60 типовых терминов на английском языке были извлечены из предыдущего кластерного анализа и подверглись сортировке по сходству с участием 70 респондентов из Великобритании. В результате было получено 25 кластеров более низкого уровня и 12 кластеров более высокого уровня, все из которых можно было интуитивно интерпретировать, а также карта, полученная с использованием MDS, которая напоминала кольцевой комплекс с обычными размерами аффекта и возбуждения.

Подсчет частот, основанный на самооценках респондентов, показал, что 64% ​​одобрений были условно положительными, а 36% — условно отрицательными. Это подтверждает предыдущие выводы о том, что большинство людей в целом пребывают в позитивном настроении. Результаты были одинаковыми во всех четырех странах.

Ключевые результаты этого исследования — лексика чувств, состоящая из 59 терминов на английском, французском, немецком и итальянском языках, а также интуитивно понятная классификация этих терминов на 25 кластеров низшего порядка и 12 кластеров высшего порядка.Предполагается, что лексика и схема классификации найдут применение в исследованиях потребителей, а также при разработке брендов и продуктов.

Классификация эмоций на основе мозговых волн: исследование | Информатика и информатика, ориентированные на человека

В этой статье классификация эмоций мозговых волн делится на две категории: использование методов линейной классификации и методов нелинейной классификации. В настоящее время большинство исследований эмоций, связанных с мозговой волной, основано на источнике звука, короткометражном фильме, который служит источником стимуляции.Эти стимулы используются, чтобы стимулировать испытуемых к лучшей работе [11].

Линейный классификатор

Линейные классификаторы определяются линейной комбинацией признаков для принятия решений по классификации. Взгляд с точки зрения двухмерного пространства. Если это разделить особенность на две категории. Линейный классификатор — это прямая линия. Эта линия может оставлять точки двух типов, как показано на рис. 1. Выражение определяется как \ ({\ text {y}} = {\ text {ax}} + {\ text {b}} \).Распространенными линейными классификаторами являются линейная регрессия, линейный дискриминантный анализ (LDA), линейная машина опорных векторов, однослойная сеть персептронов и простой байесовский классификатор (наивный байесовский классификатор). В следующих разделах описывается использование различных линейных классификаторов для аффективной классификации волн мозга. Сравнение различных сценариев показано в таблице 2.

Рис. 1 Таблица 2 Сравнение различных схем линейного классификатора
Метод Li et al.[15]

Li et al. Для анализа эмоций волн мозга используется 62-канальный прибор для анализа волн мозга. Целью эксперимента было классифицировать две эмоции человеческого счастья и печали. Чтобы уравновесить различия в физиологических факторах человека. Средний возраст выбранных испытуемых составил 25 лет. Чтобы классифицировать две эмоции счастья и печали. Авторы используют общие пространственные паттерны (CSP) для извлечения признаков мозговых волн [16] и классификации признаков по машинам линейных опорных векторов (LINER-SVM).{T} \ sum W} \ right)} \ right). \) Где \ (Var \ left (\ cdot \ right) \) вычисляется для каждого метода столбца, \ ({\ text {diag}} \ left ( \ cdot \ right) \) — диагональ матрицы.

Метод Murugappan et al. [11]

Murugappan et al. использовала 64-канальный инструмент мозговых волн для сбора сигналов мозговых волн. Целью эксперимента было классифицировать пять видов человеческих эмоций. Пятью эмоциями были отвращение, радость, удивление, страх, нейтралитет. В экспериментах используются два вида методов классификации: линейный дискриминантный анализ и метод K ближайшего соседа.Эта схема сначала разлагает волновой сигнал мозга посредством вейвлет-преобразования на пять видов волн. Затем выполняется выделение признаков этих пяти типов волн. Сигнал предварительной обработки ЭЭГ рассчитывается по формулам 2 и 3 для достижения цели выделения признаков. Наконец, для эмоциональной классификации черт используются две линейные классификации. Схема эксперимента показана на рис. 2. Результаты эксперимента Классификатор KNN дает хорошие результаты. KNN имеет средний уровень распознавания эмоций 79.{2}}} {\ omega} d \ omega <\ infty. $$

(3)

Рис. 2

Блок-схема метода Murugappan et al.

Метод Wang et al. [18]

Wang et al. Используйте 62-канальный прибор для измерения мозговых волн для получения сигнала мозговых волн. Цель эксперимента — классифицировать два вида человеческих эмоций. Эти две эмоции — это положительные эмоции и отрицательные эмоции соответственно. Классификация эмоций с помощью классификатора машины опорных векторов (SVM).Процесс эксперимента показан на рис. 3. Эта схема сначала снижает вычислительную сложность за счет предварительной обработки сигнала мозговых волн. Затем для выделения признаков используются спектр мощности, вейвлет и нелинейный динамический анализ. Затем с помощью линейной динамической системы (LDS) извлекаются признаки псевдоконтрафактности. После псевдо-подделки через LDS не зависящая от эмоций информация в функции будет отфильтрована. Мозговая волна характеризуется данными большого размера, поэтому уменьшение размерности признаков является очень важным шагом в анализе данных ЭЭГ.Wang et al. использовали методы трехмерного уменьшения, чтобы добиться уменьшения размеров элементов. Анализ основных компонентов (PCA), линейный дискриминантный анализ (LDA) и соответствующий селектор функций (CFS) — это три известных метода уменьшения размерности, соответственно.

Рис. 3

Блок-схема метода Wang et al.

Цель SVM — максимизировать расстояние между двумя типами эмоций в гиперпространственном пространстве. Супер-самолет двух разных классов разделяет Формула 4.{\ left (k \ right)}. $$

(5)

Метод Петрантонакиса и др. [19]

Метод мозговых волн, использованный Петрантонакисом и соавт. отличается от других исследований. Большинство электрических полюсов, используемых при исследовании мозговых волн, представляют собой 64 канала. Точки электродов, используемые в этой программе, представляют собой 3 канала, а именно FP1, FP2, и биполярный канал с положениями F3 и F4 в соответствии с системой 10–20. В этой схеме количество электрических полюсов в мозговом волновом приборе для других исследований меньше.То есть вычислительная сложность этого сценария невысока. Цель этой схемы — классифицировать шесть видов человеческих эмоций. Шесть видов эмоций: счастье, удивление, гнев, страх, отвращение и печаль. Программа использует четыре метода классификации, а именно квадратичный дискриминантный анализ (QDA), k-ближайший сосед (KNN), расстояние Махаланобиса (MD) и векторные машины (SVM). Схема эксперимента показана на рис. 4. На этой схеме были получены три метода для получения собственных векторов мозговых волн (FVS), которые представляли собой статистические значения [20], вейвлет-преобразование [21] и пересечения более высокого порядка (HOC).FV классифицирует шесть эмоций с помощью четырех классификаторов. Результаты экспериментов показывают, что средний уровень классификации SVM составляет 83,33%. Лучшие результаты SVM дает по четырем классификаторам.

Рис. 4

Блок-схема метода Петрантонакиса и др.

Метод Duan et al. [22]

Duan et al. предложили новую характеристическую дифференциальную энтропию (ДЭ) ЭЭГ для сигналов мозговых волн. De для обозначения характеристик, связанных с эмоциональным состоянием. Для доказательства de — это характеристика корреляции эмоций.Эта схема сравнивается с комбинацией его симметричных электродов (дифференциальная асимметрия, dasm; и рациональная асимметрия, rasm) с традиционными характеристиками частотной области (энергетический спектр, ES). Данные мозговых волн — это данные высокой размерности, поэтому для повышения скорости и стабильности вычислений необходимо уменьшение размерности. Экспериментальный поток этой схемы показан на рис. 5.

Рис. 5

Блок-схема метода Duan et al.

При извлечении признаков в этой схеме используется функция частотной области и ее комбинация, а именно ES, DE, dasm и Rasm.ES — средняя энергия сигнала ЭЭГ. De определяется как Формула 6. DASM определяется как Формула 7. RASM определяется как Формула 8. Эта схема удаляет независимые от эмоций особенности с помощью метода LDS [23]. Классификатор использует два типа классификаторов, а именно линейную векторную машину поддержки ядра (SVM) и алгоритм K ближнего соседа (KNN). Целью эксперимента было разделить две эмоции: отрицательные и положительные. Эта схема использует алгоритм анализа главных компонентов (PCA) и алгоритм минимальной избыточности-максимальной релевантности (MRMR) [24] — два метода для достижения уменьшения размерности.{right}} \ right)}}. $$

(8)

Нелинейный классификатор

Границы классификации нелинейных классификаторов не ограничены. Нелинейные классификаторы можно разделить на две большие категории. Первый большой класс основан на дискриминантных функциях. Границей классификации этого типа нелинейного классификатора может быть поверхность или комбинация нескольких кривых (рис. 6). Взгляд с точки зрения двухмерного пространства.Если это разделить особенность на две категории. Нелинейный классификатор — это кривая. Второй по величине класс не основан на дискриминантной функции, то есть граница классификации нелинейного классификатора не может быть описана линейной зависимостью.

Фиг.6

Общие нелинейные классификаторы — это k-ближайший сосед (KNN), машины опорных векторов, многослойные датчики и дерево решений (DT). В следующих разделах описывается использование различных нелинейных классификаторов для аффективной классификации волн мозга.Сравнение различных вариантов приведено в таблице 3.

Таблица 3 Сравнение различных схем нелинейных классификаторов
Метод Лю и др. [25]

Liu et al. использовать инструмент мозговых волн 14 каналов. Цель этой схемы — классифицировать шесть видов человеческих эмоций. Шесть эмоций: грусть, разочарование, страх, удовлетворение, приятное и счастливое. Эта схема имеет другую систему аффективной классификации для классификации эмоций. В этой схеме принята двумерная классификация размера возбуждения и валентности.Лю и др. использовать пробуждение и размер цены для разработки двумерных моделей эмоций, как показано на рис. 7. Экспериментальная последовательность этой схемы показана на рис. 8. Программа предлагает подход к распознаванию эмоций, основанный на фрактальной размерности [26,27,28] , с помощью фрактального анализа Fractal Dimension (FD) [29] может быть определено рассчитанное значение FD для пробуждения настроения и уровня цен.

Рис.7

Двумерная модель возбуждения и валентности

Рис. 8

Блок-схема метода Лю и др.

Метод Лю и др. [30]

Liu et al. используйте две разные схемы для выбора электрических полюсов прибора мозговых волн. Одним из них является использование 32-канальной ЭЭГ и извлечение признаков через остаточную сеть (реснет). Другой — выбрать 2-канальную ЭЭГ с помощью линейного частотно-инвертированного спектрального коэффициента (LFCC) для извлечения этой особенности. Метод аффективной классификации классифицируется по модели валентного возбуждения (ВА). VA-модель — это двухмерная модель, которая может классифицировать четыре вида эмоций, как показано на рис.9. В этой схеме используются семь различных классификаторов: K-ближайший сосед (KNN), машины (SVM), логическая регрессия (LR), случайный лес (RF), наивный байесовский (NB), дерево решений (DT) и полносвязная нейронная сеть (FC) с 3-мя плотными слоями и 2-мя выпадающими слоями. Процесс эксперимента показан на рис. 10.

Рис. 9

ВА модель — четыре вида эмоций

Рис. 10

Блок-схема метода Лю и др.

Для этого сценария есть три тестовых задачи: (1) низкая / высокая валентность.(2) Низкое / высокое возбуждение. (3) Низкое возбуждение, низкая валентность / высокое возбуждение, низкая валентность / низкое возбуждение, высокая валентность / высокое возбуждение, высокая валентность. Целью первого задания было классифицировать положительные и отрицательные эмоции. Результат второго задания представляет собой степень эмоциональной стимуляции. Можно также сказать, что результат третьей задачи синтезирует результаты первых двух задач. Третье задание вызывает множество эмоций.

Метод Zheng et al. [31]

Zheng et al. Используйте 62-канальный инструмент мозговых волн для сбора сигналов мозговых волн.Цель этой программы — различать три разные человеческие эмоции. Три эмоции были положительными, нейтральными и отрицательными. Программа использует сети глубоких убеждений (четыре классификатора). Рассмотрим сложность непрерывной случайной величины [32] эмоций. В этой схеме для выделения признаков используется дифференциальная энтропия (DE) [33, 34]. Кроме того, соответствующие исследования показали, что [35, 36] при асимметричной мозговой активности, по-видимому, эффективен при лечении эмоций.Извлечение признаков также добавляет функцию асимметрии (dasm), разумной асимметрии (rasm) [34]. Для того, чтобы сравнить три вышеупомянутых функции. Схема также извлекает обычную спектральную плотность мощности (PSD) в качестве базовой линии. Схема эксперимента показана на рис. 11. Средняя точность DBN, SVM, LR и KNN в этом эксперименте составляет 86,08%, 83,99%, 82,70% и 72,6%.

Рис. 11

Блок-схема метода Zheng et al.

Метод Nie et al. [37]

Nie et al. используйте 62-канальный инструмент мозговых волн.Цель этой схемы — классифицировать два типа положительных и отрицательных эмоций. Используйте машинный классификатор опорных векторов для классификации эмоций. Данные мозговых волн извлекаются с помощью быстрого преобразования Фурье (БПФ). Потому что эта схема использует инструменты мозговых волн каналов, чтобы уменьшить влияние несвязанных эмоций. Таким образом, наиболее важные эмоции проявляются в линейных динамических системах (LDS). Процесс эксперимента показан на Рис. 12.

Рис. 12

Блок-схема метода Nie et al.

Метод Zheng et al. [5]

Zheng et al. использовали инструменты мозговых волн каналов для сбора сигналов мозговых волн. Целью эксперимента было классифицировать три типа аффективных типов мозговых волн: отрицательные, положительные и нейтральные. Извлечение признаков с использованием спектральной плотности мощности (PSD), дифференциальной энтропии (DE), дифференциальной асимметрии (dasm), рациональной асимметрии (rasm), симметрии (ASM) и дифференциальной каудальности (DCAU) шести различных функций и комбинаций электродов.Чтобы уменьшить размер объекта, скорость вычислений увеличена. В программе используется алгоритм минимальной избыточности и максимальной релевантности (MRMR) [24]. В программе приняты четыре классификатора для K ближайшего соседа (KNN) [38], логистической регрессии (LR) [39], графической векторной машины (SVM) [40] и регуляризованного экстремального обучения (машина) [41]. Процесс эксперимента показан на рис. 13. Экспериментальные результаты Классификатор Gelm превосходит другие классификаторы.

Рис. 13

Блок-схема метода Zheng et al.

Метод Lu et al. [42]

Lu et al. сопоставили результаты предыдущего исследования эмоций, связанных с мозговой волной, и сравнили эффективность 10 видов классификаторов. К 10 классификаторам относятся: регуляризованная логистическая регрессия с (LL1) [43], линейный дискриминантный анализ (LDA), квадратичный дискриминант Ана Лисис (QDA), алгоритм классификатора k-ближайших соседей (KNN) с использованием евклидова расстояния, векторная машина (SVM) [40, 44], гауссовский наивный байесовский классификатор (GNB), дерево решений (DT), регуляризованные линейные модели с обучением стохастическим градиентным спуском (SGD) [45, 46], случайные леса (RF) [47], повышение градиента (GB) ).Экспериментальный процесс показан на рис. 14. Дифференциальная энтропия (DE) используется для выделения признаков этой схемы. Цель эксперимента состояла в том, чтобы классифицировать три типа эмоций волн мозга: отрицательные, положительные и нейтральные. Результаты экспериментов показывают, что LR с классификатором Norm L2 имеет хорошую среднюю точность 81,26%.

Рис. 14

Блок-схема метода Лу и др.

Классификация эмоций | Психология вики

Оценка | Биопсихология | Сравнительный | Познавательная | Развивающий | Язык | Индивидуальные различия | Личность | Философия | Социальные |
Методы | Статистика | Клиническая | Образовательная | Промышленное | Профессиональные товары | Мировая психология |

Когнитивная психология: Внимание · Принимать решение · Обучение · Суждение · Объем памяти · Мотивация · Восприятие · Рассуждение · Мышление — Познавательные процессы Познание — Контур Показатель


Способы, с помощью которых мы отличаем одну эмоцию от другой, являются предметом горячих споров в исследованиях эмоций и аффективной науке.На этой странице представлены некоторые из основных теорий.

Основные и сложные эмоции []

Многие теоретики определяют одни эмоции как базовые, а другие — как сложные. Утверждается, что основные эмоции являются биологически фиксированными, врожденными и, как следствие, универсальными для всех людей и многих животных. В таком случае сложные эмоции являются либо утонченными версиями основных эмоций, культурно специфическими или идиосинкразическими. Тогда основной вопрос состоит в том, чтобы определить, какие эмоции являются основными, а какие — сложными.

Одна из проблем здесь заключается в том, что нет единого мнения о методе определения основных эмоций.Теоретики могут указать на универсалии выражения лица (например, Экмана), отличительные физиологические симптомы (например, смущенный румянец) или ярлыки, общие для разных языков. Более того, должна быть какая-то правдоподобная история развития о том, как различные неосновные эмоции могут быть основаны на основных.

  • Ли Чи: Радость, гнев, печаль, страх, любовь, неприязнь и симпатия (Китайская энциклопедия 1-го века до нашей эры, цитируется по Russell 1991: 426).
  • Стоики: Удовольствие / восторг, страдание, аппетит и страх (Цицерон, Tusculan Disputations , iv: 13-15).
  • Рене Декарт: Чудо, любовь, ненависть, желание, радость и печаль ( Страсти, , 353).
  • Барух Спиноза: Удовольствие, боль и желание ( Этика , ч. III, проп. 59).
  • Томас Гоббс: Аппетит, желание, любовь, отвращение, ненависть, радость и горе ( Левиафан, , ч. I, гл. 6).
  • Пол Экман (1972): Гнев, отвращение, страх, счастье, печаль и удивление.
  • Пол Экман (1999): Развлечение, гнев, презрение, удовлетворение, отвращение, смущение, волнение, страх, вина, гордость за достижения, облегчение, грусть / страдание, удовлетворение, чувственное удовольствие и стыд.
  • Джесси Принц (2004): Разочарование, паника, беспокойство, физическое отвращение, дистресс разлуки, аверсивное самосознание, удовлетворение, стимуляция и привязанность. [1]

Социальные отличия от несоциальных []

Эмоции также можно разделить на те, которые могут возникать, когда человек находится в одиночестве и не думает о других, и на те, которые кажутся более социально направленными. Примеры предлагаемых социальных эмоций включают ревность, любовь, ненависть, вину и благодарность.

Размерные модели эмоций []

Как по теоретическим, так и по практическим причинам некоторые исследователи определяют эмоции по одному или нескольким параметрам. Популярной версией этого является размерная или циркумплексная модель Рассела (1979), в которой используются модели с возбуждением и с валентностью . Совсем недавно были предложены другие параметры, например «сила» или «сила».

Модель Плутчика []

Роберт Плутчик предлагает трехмерную модель, которая представляет собой гибрид категорий базового и комплексного и пространственных теорий.Он объединяет эмоции в концентрические круги, где внутренние круги более простые, а внешние — более сложные. Примечательно, что внешние круги также образуются путем смешения эмоций внутреннего круга. [1]

Культурно-специфические эмоции []

Одним из препятствий на пути к систематизации эмоций является то, что разные культуры не всегда распознают одни и те же эмоции на своих языках. В некоторых случаях экспрессивное поведение, суждения или соответствующие реакции, связанные с термином эмоции, различаются.Более того, в ряде культур есть термины для эмоций, которые не имеют прямого эквивалента в английском языке. Ниже приводится список терминов эмоций, которые считаются культурно специфичными в этом смысле:

  • Gezellig (Нидерланды): Значение, сходное с английским словом «уютный», но происходящее в присутствии других людей (Harre, 1986, Doi, 1973, цит. По: Prinz 2004: 131). Очень похоже на немецкое слово Gemütlich .
  • Amae (Япония): Чувство зависимости, подобное тому, которое младенцы испытывают по отношению к своим матерям.Важно для привязки людей друг к другу и заветным учреждениям. (Принц 2004: 131).
  • Ijirashii (Япония): Возникает, когда видишь, как достойный похвалы человек преодолевает препятствие (Matsumoto 1994, цит. По: Prinz 2004: 140).
  • Лигет (люди-илонготы): Возбужденные ситуациями горя, но тесно связанные с гневом, могут вдохновлять на охоту за головами (Розальдо 1980, цитируется в Prinz 147).
  • Schadenfreude (Германия): Чувство радости, вызванное ощущением страдания.
  • Acedia (Европа, Средневековье и Возрождение): Духовное оцепенение или отвращение к религиозным образам, предположительно вызванное скукой, вызванной повторяющимся характером поклонения, (Харре 1986, цит. По: Prinz 2004: 148).
  • Малу (Дусун Багук, Малайзия): Перекрытие стыда и смущения может быть вызвано присутствием человека более высокого ранга (цит. По Фесслеру 1999 по Prinz 2004: 156)
  • Awumbuk (Baining of Papua New Guinea): Печаль, усталость или скука, вызванные отъездом посетителей, друзей или родственников (Russell 1991: 432).
  • Песня (народ ифалук, Микронезия): Близка к гневу или увещеванию, с моралистическим подтекстом и отсутствием склонности к мести. (Lutz 1988, цит. По: Prinz 2004: 147).
  • Fago (Ifaluk): Сочетание любви, сострадания и печали (Lutz 1988, цитируется по Prinz 2004: 147).
  • Ker (Ifaluk): Приятный сюрприз (цитируется по Goldie 2000: 91).
  • Rus (Ifaluk): Неприятный сюрприз, цитируется по Goldie 2000: 91).
  • Nginyiwarrarringu (аборигены пинтупи пустыни Западной Австралии): Внезапный страх, который заставляет встать, чтобы увидеть, что его вызвало (Russell 1991: 431).
  • Sram (Россия): «Стыд», в первую очередь, касается сексуальной непристойности, происходящей из религиозного дискурса. Также может использоваться как существительное, обозначающее pudenda, или как префикс названия места, в котором происходит сексуальная активность (например, квартал красных фонарей).
  • Vergüenza Ajena (Испания): Также известен как «Испанский позор». Чувство стыда за другого человека, даже если этот человек сам не испытывает стыда. Например, съеживание при просмотре очень плохого комикса.Эмоции обычно более сильны, когда другой вам хорошо известен, хотя это вполне возможно, когда вы не любите другого человека. Очень похоже на голландский термин plaatsvervangende schaamte .

Prinz 2004 также ссылается на патриотизм как на эмоцию, характерную для западных культур.

Культурно-специфические фобии или эмоциональные синдромы []

  • Витико / Виндиго (индейцы-алгонкины): Страх, что человек превратился в монстра-людоеда, (Trimble, Monson, Dinges & Medicine 1984, цит. По: Prinz 2004: 135).
  • Па-лен (Китай): Болезненный страх холода даже в жаркую погоду, связанный с дисбалансом инь-ян (слишком мало ян), (Kleinman 1980, цитируется по Prinz 2004: 136).
  • Латах (Малайзия): Поражает женщин среднего возраста, выраженный рефлекс испуга, вспышки ненормативной лексики и склонность повторять все, что они слышат. Ср. Мали-Мали на Филиппинах, юаней в Бирме, икота в Сибири, прыжковая мания у французских канадцев на Майне (Simons 1996, цитируется по Prinz 2004: 136).
  • Pibloktoq (Greenland Intuits): Страх, заставляющий больных кричать, рвать одежду, ломать вещи, есть фекалии перед приступами, за которыми следует глубокий сон и потеря памяти об инциденте (Yap 1974, цит. По Prinz 2004 : 135). Ср. amok в Малайзии и phii bod в Таиланде. (Саймонс и Хьюз 1993, цит. По: Prinz 2004: 136).
  • Коро (Ассам и Южный Китай): Сильное беспокойство по поводу того, что пенис, грудь или вульва втянутся в тело (Yap 1965, цитируется по Prinz 2004: 136).
  • Синдром дикой свиньи (Гурурумба, Новая Гвинея): Считается, что этот синдром возникает, когда его укусили призраки их предков. Этот синдром поражает молодых мужчин, вступающих в зрелость, которые в течение нескольких дней начинают бегать, красть и стрелять стрелами. Лечение заключается в том, чтобы держать его над дымящимся огнем (Averill 1980, Griffiths 1997, Newman 1965, цит. По: Prinz 2004: 136).

Prinz 2004 также называет нервную анорексию культурно-специфическим синдромом, встречающимся в западных культурах. См. Также этот список фобий, некоторые из которых могут быть культурно специфическими.

Библиография []

  • Экман П. (1972). Универсалии и культурные различия в выражении эмоций на лице. В изд. J. Cole. Симпозиум по мотивации в Небраске . Линкольн, Небраска: University of Nebraska Press: 207-283.
  • Экман П. (1992). Аргумент в пользу основных эмоций. Познание и эмоции , 6, 169-200.
  • Экман П. (1999). Основные эмоции. В T. Dalgleish и T. Power (Eds.) Справочник по познанию и эмоциям Стр.45–60. Сассекс, Великобритания: John Wiley & Sons, Ltd.
  • Fontaine, J. et al. (2007). Мир эмоций не двумерен. Психологические науки , 18 (12), 1050-1057.
  • Голди, П. (2000). Эмоции: философское исследование . Оксфорд: Clarendon Press.
  • Prinz, J. (2004). Реакции кишечника: теория восприятия эмоций . Оксфорд: Издательство Оксфордского университета.
  • Рассел, Дж. А. (1979). Аффективное пространство биполярное. Журнал личности и социальной психологии , 37, 345-356.
  • Рассел, Дж. А. (1991). Культура и категоризация эмоций, Психологический бюллетень , № 110: 426-450.

Примечания и ссылки []

  1. ↑ Джесси Принц Реакции кишечника: перцептивная теория эмоций (Oxford: Oxford University Press, 2004): стр. 157.

Отображение страстей: к многомерной систематике эмоционального опыта и выражения

Что может включать всеобъемлющий атлас человеческих эмоций? В течение 50 лет ученые пытались сопоставить связанные с эмоциями переживания, выражения, физиологию и признание с точки зрения «основных шести» — гнева, отвращения, страха, счастья, печали и удивления.Утверждения о взаимосвязи между этими шестью эмоциями и прототипными конфигурациями лица послужили основой для давних дебатов о диагностической ценности выражения (для обзора и последней статьи в этой дискуссии см. Barrett et al., P. 1). Основываясь на недавних эмпирических открытиях и методологиях, мы предлагаем альтернативный концептуальный и методологический подход, который раскрывает более обширную таксономию эмоций. Десятки различных разновидностей эмоций надежно различаются по языку, вызываются в определенных обстоятельствах и воспринимаются в различных выражениях лица, тела и голоса.Традиционные модели — базовая шестерка и аффективно-циркумплексная модель (валентность и возбуждение) — улавливают часть систематической изменчивости эмоциональной реакции. Напротив, эмоциональные реакции (например, смущенная улыбка, торжествующие позы, сочувственные вокализации, смешение различных выражений) могут быть объяснены более богатыми моделями эмоций. Принимая во внимание эти изменения, мы обсуждаем, почему тесты шести базовой модели эмоций не являются тестами диагностической ценности выражения лица в более общем смысле.Определение полной степени того, что может сказать нам мимика, частично и в сочетании с другими поведенческими и контекстными сигналами, потребует сопоставления многомерного непрерывного пространства лицевых, телесных и голосовых сигналов с богато многогранными переживаниями с использованием крупномасштабных статистических данных. методы моделирования и машинного обучения.

Ключевые слова: оказывать воздействие; эмоция; выражение; лицо; смысловое пространство; сигнал; голос.

Анализ данных для классификации эмоций на основе биоинформации о самоуправляемых транспортных средствах

Все лица, находящиеся в беспилотном транспортном средстве, хотели бы получать каждую услугу. Для этого система должна знать состояние человека по эмоциям или стрессу, а чтобы знать состояние человека, она должна улавливать, анализируя биоинформацию человека. В этой статье мы предлагаем систему для вывода эмоций с использованием ЭЭГ, пульса, артериального давления (систолическое и диастолическое артериальное давление) пользователя и рекомендации цвета и музыки в соответствии с эмоциональным состоянием пользователя для обслуживания пользователя в беспилотном транспортном средстве.Предлагаемая система предназначена для классификации четырех эмоциональных данных (стабильность, расслабление, напряжение и возбуждение) с использованием данных ЭЭГ для вывода и классификации эмоционального состояния в зависимости от стресса пользователя. Алгоритм SVM использовался для классификации биоинформации по индексу стресса с использованием данных мозговых волн нечеткой системы управления, пульса и данных артериального давления. Когда 80% данных были изучены в соответствии с соотношением обучающих данных с использованием алгоритма SVM для классификации данных ЭЭГ, артериального давления и частоты пульса на основе биометрической информации об эмоциях, максимальная эффективность составила 86 баллов.Показан 1%. Система классификации биоинформации, основанная на индексе стресса, предложенном в этой статье, поможет изучить взаимодействие между человеком и компьютером (HCI) во время 4-й промышленной революции путем классификации эмоционального цвета и эмоционального звука в соответствии с эмоциями пользователя. .

1. Введение

В последние годы в связи с наступлением эпохи четвертой промышленной революции появилась новая технология будущего, называемая эмоциональным искусственным интеллектом (ИИ).В частности, технология эмоциональных вычислений на основе ИИ, которая может интерпретировать и анализировать человеческие эмоции, быстро развивается благодаря конвергенции информационных и коммуникационных технологий (ИКТ) и областей когнитивной науки [1, 2]. Соответственно, технология интерфейса человек-компьютер (HCI) становится все более важной, и наряду с прогрессом, достигнутым в исследованиях HCI, все чаще проводятся исследования компьютерных реакций, основанных на эмоциональном выводе или намерении пользователя, а не на компьютерных реакциях, вызванных прямыми действиями. входы пользователя [3].В частности, технология интерфейса мозг-компьютер (BCI) анализирует, передает или управляет сигналами электроэнцефалографии (ЭЭГ) в частотной области, которые были измерены на коже черепа человека. Различные исследования проводятся для обеспечения взаимодействия между людьми и компьютерами путем объединения информации об эмоциях пользователя и информации об окружающей среде на основе технологии BCI [4, 5]. Эмоции — это когнитивные способности человека и реакция на внешнее сенсорное раздражение. Люди эмоционально реагируют в соответствии с различными социальными и культурными факторами и соответственно испытывают различные эмоции.Технология распознавания эмоций — это средство принятия разумных решений, которые могут способствовать правильному поведению, извлекая такую ​​информацию, как выражения лица или жесты тела пользователя, на основе данных об эмоциях [6]. Таким образом, для компьютеров чрезвычайно важно иметь способность распознавать эмоции, чтобы обрабатывать человеческие эмоции посредством обучения и адаптации, чтобы более эффективно обрабатывать взаимодействие между людьми и компьютерами. В современном обществе психические стрессы, такие как различные стрессы, связанные с работой, конфликты в межличностных отношениях и финансовые проблемы, превратились в социальные проблемы, и предпринимаются активные усилия по улучшению качества физической и психологической жизни [7].Таким образом, важно измерять уровень эмоционального стресса пользователей с помощью ЭЭГ и биосигналов в объективных числовых значениях с точки зрения психологического состояния, и необходимы усилия по снятию таких стрессов, распознавая последующие физические изменения. Поскольку цвета и музыка формируются за короткое время и надолго сохраняются в памяти, они могут играть жизненно важную роль в понимании и анализе человеческих эмоций. Таким образом, это исследование направлено на разработку системы, которая выводит эмоции с помощью биометрических данных пользователя, таких как ЭЭГ, частота пульса и артериальное давление (систолическое и диастолическое артериальное давление), и которая рекомендует цвета и музыку на основе эмоционального состояния пользователя. , я.е., индекс напряжения. Система, предложенная в этой статье, распознает эмоции пользователя путем изучения и моделирования реакций, возникающих в соответствии с эмоциональным состоянием пользователя, и классифицирует биометрическую эмоциональную информацию в соответствии с индексом стресса. Была разработана нечеткая система с использованием данных ЭЭГ для классификации биометрических данных по биометрической информации об эмоциях в соответствии с индексом стресса. Кроме того, он был разработан для получения данных о частоте пульса и артериального давления (систолического и диастолического артериального давления) в отдельных пакетах отдельно и для отправки их в базу данных.Таким образом, после получения биометрических данных биометрическая информация об эмоциях классифицируется в соответствии с индексом стресса с помощью алгоритма машины опорных векторов (SVM). Как правило, к системам поддержки принятия решений применяются различные алгоритмы обучения. Однако, поскольку биометрические данные, используемые в этом исследовании, состоят из данных ЭЭГ, частоты пульса и артериального давления (систолическое артериальное давление и диастолическое артериальное давление), которые имеют нелинейные структуры данных, алгоритм SVM использовался для решения проблемы нелинейной дискриминации в многослойная структура персептрона.В зависимости от классифицированной стрессовой эмоции классифицируются данные, соответствующие цветовым и музыкальным значениям. Эта статья организована следующим образом. В разделе 2 обсуждаются связанные исследования, а в разделе 3 описывается конфигурация и конструкция системы. Затем в разделе 4 представлены оценка производительности и экспериментальные результаты. Наконец, в разделе 5 обсуждаются выводы исследования и направления будущих исследований.

2. Сопутствующие исследования
2.1. Когнитивная наука

Когнитивная наука изучает когнитивные процессы человека и животных, такие как восприятие, язык, обучение и эмоции.В этой области изучаются методы применения этих когнитивных процессов при разработке роботов, электронных продуктов, зданий и так далее [8, 9]. В последнее время, когда когнитивная наука начала привлекать внимание, проводятся исследования по обнаружению, обработке и анализу различных типов сигналов, генерируемых физической активностью. В частности, активно ведутся исследования структуры и функций мозга. В этих исследованиях используются различные биометрические данные не только для медицинских диагнозов, но и для изучения когнитивных и эмоциональных состояний людей посредством анализа с помощью определенных алгоритмов.

2.2. Эмоциональная инженерия

Эмоции — это психологические переживания высокого уровня, которые возникают у людей через их чувства и познание в ответ на внешние физические стимулы. Это часто меняющиеся психологические эффекты, которые возникают у людей из-за сложных чувств, таких как комфорт, удовольствие, беспокойство и дискомфорт. Это настроения и чувства, которые связаны с выразительным поведением во время эмоциональных реакций и физиологических изменений. Кроме того, они представляют собой динамический аспект мысли.Эмоциональная инженерия — это область, изучающая эмоции и имеющая дело с ними на практике. Это объединяет области, связанные с человеческими психологическими реакциями и их приложениями, такие как инженерия человеческого фактора, когнитивная наука, наука о поведении, прагматическая эстетика и психология окружающей среды [10]. Изменения психологического состояния людей внешне выражаются в виде чувств или эмоций. В прошлом психологические состояния и эмоции людей в основном анализировались и использовались в качестве клинических данных для постановки медицинского диагноза и лечения.Однако в настоящее время они используются в самых разных областях, таких как здания, которые включают в себя психотерапевтическое искусство и автоматическое освещение, которое отражает эмоции, автомобили, которые предотвращают сонливость, и роботы, которые понимают человеческие чувства и реагируют на них. Исследователи изучают эмоционально интеллектуальные компьютерные технологии, которые могут понимать психологические состояния, чувства и эмоции. Эмоционально интеллектуальные вычисления позволяют компьютерам распознавать чувства и эмоции людей и выполнять действия, соответствующие обстоятельствам.Это влечет за собой автономные системы, которые могут выполнять подходящие действия на основе предыдущих знаний или текущего психологического состояния. В последнее время, по мере развития технологий носимых компьютеров, они могут более точно измерять биосигналы, такие как электроэнцефалография (ЭЭГ), электрография (ЭМГ), электрокардиограмма (ЭКГ) и кожно-гальванический ответ (GSR), и дает более точные результаты распознавания предметов. психические состояния, эмоции и физиологические состояния [11].

2.3. Эмоционально-когнитивная технология на основе биологических тенденций

В целом эмоции, испытываемые людьми, можно различить по реакциям центральной нервной системы или вегетативной нервной системы, т.е.е. такую ​​информацию, как ЭКГ, ЭЭГ, температура кожи (SKT) и GSR. Технологию распознавания биосигналов эмоций, которая изучалась до сих пор, можно разделить на исследования с использованием статистических методов и исследования с использованием методов машинного обучения. Исследования методов, основанных на правилах, анализируют многие биосигналы и выделяют эмоциональные особенности, которые выражают эмоции. Затем для каждой эмоции устанавливаются пороговые значения, соответствующие правилам, и эмоции классифицируются в соответствии с этими пороговыми значениями. Методы распознавания эмоций, использующие машинное обучение, основаны на таких методах, как нейронная сеть (NN), машина опорных векторов (SVM), k-ближайший сосед (kNN), многослойный персептрон (MLP), модель смеси Гаусса (GMM), решение дерево (DT) и байсовская сеть (BN) [12–14].Для обучения биосигналам необходимо собрать большой объем данных об особенностях и выполнить обучение, необходимое для распознавания эмоций. Таким образом, объем собранных данных об особенностях и их надежность имеют значительное влияние на последующую работу системы распознавания. Однако большинство систем распознавания эмоций, которые были изучены до сих пор, используют данные с инсценированными и преувеличенными эмоциями. Поскольку легко получить искусственно полученные данные обучения, которые включают эмоции, это основной фактор, ухудшающий работу систем распознавания эмоций в реальных ситуациях.Поэтому сбор надежных биометрических данных считается необходимым для распознавания эмоций на основе биосигналов. Однако при сборе биосигналов эмоциональные состояния пользователя могут легко меняться в зависимости от условий окружающей среды или психологического состояния пользователя, и очень трудно точно распознать эмоции пользователя на основе одного биосигнала. Поэтому вместо распознавания эмоций с использованием только одного биосигнала исследователи исследуют методы, которые используют несколько биосигналов в сочетании или используют дополнительные индикаторы эмоционального измерения, такие как голос и мимика.Технология распознавания эмоций с помощью мозговых волн — одна из наиболее активно изучаемых областей биотехнологии. В отличие от других биосигналов, мозговые волны показывают состояние центральной нервной системы. Известно, что альфа- и бета-волны, возникающие в зависимости от состояния мозговой активности, связаны с эмоциями. Альфа-волны обычно указывают на стабильное или расслабленное состояние, и они усиливаются во время положительных эмоций. С другой стороны, бета-волны усиливаются во время негативных эмоциональных состояний [14]. Помимо мозговых волн, реакции вегетативной нервной системы возникают при получении команд из мозга, и они указывают на телесные изменения, когда человек удивлен или сталкивается с опасностью.Эти реакции включают учащенное сердцебиение, жесткость лицевых мышц, потливость ладоней и задней части шеи, а также изменения температуры тела или температуры в определенных частях тела. Эти телесные изменения контролируются вегетативной нервной системой, и поэтому эмоциональные состояния могут быть выведены из биосигналов, обнаруживая реакции вегетативной нервной системы. Биосигналы, которые можно измерить после реакций вегетативной нервной системы, включают ЭКГ, ЭМГ, GSR и SKT. Исследования использовали вариабельность сердечного ритма (ВСР) и частоту сердечных сокращений (ЧСС) для распознавания эмоций.Низкая частота пульса указывает на расслабленное состояние, а высокая частота пульса может указывать на стресс, разочарование и неудовлетворенность. Таким образом, частота пульса часто используется для анализа данных. Эмоции можно классифицировать, рассчитав ВСР по сердцебиению и извлекая характеристики. Однако сложно точно распознать эмоции только по сердцебиению [15]. Распознавание эмоций с помощью ЭМГ в основном состояло из исследований распознавания эмоций через движение лицевых мышц. Движение лицевых мышц можно измерить с помощью ЭМГ лица, и это можно использовать для измерения высокого напряжения, напряжения и т. Д., А также для распознавания эмоций.В напряженном / возбужденном состоянии ЭМГ увеличивается, а в расслабленном — уменьшается. Однако абсолютные уровни мышечного напряжения варьируются в зависимости от измеряемой части мышцы. Таким образом, этот сигнал требует точного измерения. GSR в основном относится к проводимости кожи, которая увеличивается, когда на коже присутствует пот. Это можно использовать как индикатор возбуждения или стресса. Амплитуда GSR увеличивается при возбуждении или отрицательных эмоциях. Скорость реакции (латентность) высокая во время чувствительной стимуляции.Чувствительность реакции (крутизна) велика при внезапной или чувствительной стимуляции. Следовательно, GSR можно использовать как хороший индикатор для измерения отрицательных эмоций. SKT отличается от температуры тела тем, что это температурный индекс для определенных частей тела. Это не обычный индикатор основного биосигнала, но его можно использовать как медленный индикатор изменений эмоционального состояния. На него значительно влияют факторы внешней среды. В целом, когда амплитуда сигнала SKT большая, это свидетельствует о расслабленных и приятных положительных эмоциях.Когда он маленький, это указывает на напряженные или неприятные отрицательные эмоции. В последнее время внезапно возник интерес к множеству различных областей в попытках контролировать изображение, голос, биометрические данные, данные мозговых волн и тела и извлекать эмоции для предоставления эмоциональных прикладных услуг. Технологии обслуживания эмоциональных приложений развиваются и демонстрируют значительный потенциал для использования в различных областях, таких как развлечения, здравоохранение, анализ рынка, онлайн-образование, автомобили, маркетинг для клиентов и общее домашнее использование.

2.4. Стресс и биоинформация

В предыдущих исследованиях биосигналы использовались как метод выявления стрессовых состояний у людей. Баккер и др. [16], Хили и Пикард [17], а также Юнг и Юн [18] собрали биосигналы от рабочих, водителей и пожилых людей, соответственно, для оценки уровня стресса. Setz et al. [19], Melillo et al. [20] и Kurniawan et al. [21] проводили тесты, которые требовали способности к обучению для создания экспериментальной среды, а затем выявляли стрессовые состояния.Однако эти предыдущие исследования были ограничены тем фактом, что они рассматривали идентификацию апостериорных состояний и не рассматривали комбинации функций, которые подходят для снятия стресса с помощью эмоций. В этой главе предыдущие исследования по идентификации стрессовых состояний с помощью биосигналов перечислены по их назначению, используемым биосигналам и методам анализа, как показано в таблице 1. Предыдущие исследования идентифицировали стрессовые состояния с использованием различных комбинаций биосигналов, таких как ЧСС, GSR, ЭКГ, ЭМГ и мозговые волны.Из них данные сердцебиения чаще всего использовались для выявления стресса. Однако, поскольку вариабельность сердцебиения может возникать в различных контекстах, помимо стресса, это используется в сочетании с другими данными [22]. Sun et al. [23] использовали данные сердцебиения вместе с данными GSR и акселерометра для определения стресса во время физических нагрузок. Однако, поскольку GSR более чувствителен к движению, чем другие биосигналы, трудно получить точные данные в ситуациях с большим движением. Курниаван и др.проводили эксперименты с использованием голосовых данных для анализа слов, произносимых испытуемыми, и выявления стресса [21]. В исследованиях Setz et al. и Melillo et al., испытуемым давали тесты, которые требовали способности к обучению для создания экспериментальной среды. Таким образом, предыдущие исследования столкнулись с трудностями при адекватном измерении и анализе стресса пользователя без использования различных биометрических данных. Кроме того, цели исследований стресса с использованием биометрии были сосредоточены только на измерении и анализе.Таким образом, исследований стресса и эмоций, измеряемых с помощью биометрии, не проводилось. В этом исследовании рассматриваются ограничения предыдущей работы и используются биометрические данные пользователя, такие как мозговые волны, пульс и артериальное давление (систолическое и диастолическое артериальное давление). Кроме того, он предлагает систему, которая использует биосигналы для определения стрессового состояния пользователя и определения эмоций, чтобы предлагать цвета и звуки в соответствии с эмоциональным состоянием пользователя, то есть его индексом стресса.


Объекты (темы) Используемые сигналы Методологии анализа Ссылки

Окно адаптации сотрудников Автоматическая идентификация причин стресса сотрудников
GS Баккер и др.[16]
Обнаружение реального стресса при вождении ЧСС, ЭМГ, дыхание Непрерывные корреляции Хили и Пикард [17]
Многоуровневая модель оценки для мониторинга состояния здоровья пожилых людей HR, ЭЭГ, ЭКГ SVM, DT, Максимизация ожидания Jung and Yoon [18]
Персональная система здравоохранения для выявления стресса GSR Скрытое распределение дирихле, SVM Setz et al.[19]
Выявление стресса при обследовании HR Скрытое распределение дирихле Melillo et al. [20]
Voice, GSR DT, SVM, K-Means Kurniawan [21]
Обнаружение психического стресса с учетом активности (сидя, стоя и ходьба) HR, GSR, Accelemeter DT, SVM, сеть Байеса Sun et al. [23]
Автоматическое определение плача в раннем детстве Голос Нежное повышение Руволо и Мовеллан [24]
Автоматическая классификация плача младенцев для раннего выявления заболеваний Голос Генетический отбор нечеткая модель Rosales-Pérez et al.[25]
Автоматическое определение фаз выдоха и вдоха в криковом сигнале новорожденного Голос Скрытая марковская модель Abou-Abbas et al. [26]

3. Конфигурация и дизайн системы

Чтобы вывести и классифицировать эмоциональное состояние пользователя в соответствии со стрессом пользователя, в этом исследовании была разработана нечеткая система с использованием данных ЭЭГ. после получения данных ЭЭГ, частоты пульса и артериального давления от датчиков, а также данные частоты пульса и артериального давления (систолическое и диастолическое артериальное давление) были произведены отдельными пакетами и отправлены в базу данных.Алгоритм SVM использовался для классификации биометрической информации об эмоциях в соответствии с индексом стресса с использованием полученных данных ЭЭГ, частоты пульса и артериального давления нечеткой системы управления. Биометрическая информация об эмоциях классифицируется по цветовым значениям, соответствующим эмоции, на основе 20 цветовых моделей эмоций, выбранных с помощью HP «Значение цвета», а что касается музыки, были собраны музыкальные произведения, предоставленные «Samsung Idea» для музыкальной терапии, классифицированы и использованы [27]. На рисунке 1 показана конфигурационная схема системы, предложенной в этой статье, которая выполняет эмоциональную классификацию и рекомендации на основе биометрических данных и индекса стресса.


В этом исследовании была разработана нечеткая система для классификации биометрической информации об эмоциях в соответствии с индексом стресса пользователя с использованием данных ЭЭГ. Информацию об эмоциях стресса, выражаемую нечеткой системой управления, можно разделить на четыре типа: стабильная, расслабленная, напряженная и возбужденная. BIOPAC MP 150 использовался для измерения ЭЭГ пользователя, и измерения проводились в соответствии с Международной системой размещения электродов 10–20 [28, 29]. При проведении измерения выборка производилась с частотой 256 Гц только для данных ЭЭГ, прошедших через режекторный фильтр с частотой 60 Гц с точки зрения оборудования.Отобранные данные фильтровались в полосе частот 0,5–50 Гц. Для анализа данных ЭЭГ использовались данные за 60 с, которые считаются разделом анализа стабильного состояния для анализа ЭЭГ, за исключением каждой 30-секундной части начала и конца. Во-первых, данные ЭЭГ, которые представляют собой данные во временной области, были преобразованы в частотную область с использованием быстрого преобразования Фурье, как показано в уравнении (1), для их анализа.

Чтобы извлечь абсолютный размер по каждой частоте, данные были преобразованы в частотную область с помощью процесса преобразования Фурье.Кроме того, для сравнения и анализа использовался метод анализа спектра мощности [30]. Метод анализа спектра мощности — широко используемый метод анализа во многих областях, включая биосигналы. В зависимости от способа выражения он делится на односторонний и двусторонний. Одна сторона показывает только 0 и положительную частотную область, а вторая показывает частотную область {отрицательная, 0, положительная}. В этом исследовании получены абсолютные значения спектра мощности для полос частот,,, и с использованием метода одностороннего анализа спектра мощности.Обратное преобразование Фурье показано в формуле. (2)

После получения абсолютных значений с обеих сторон уравнения (2), если они возведены в квадрат и сложены, то создается уравнение (3). Здесь можно подтвердить, что сумма квадратов сигнала, подвергшегося преобразованию Фурье, такая же, как сумма квадратов исходного сигнала. Здесь сумма преобразования Фурье или сумма квадратов исходного сигнала называется значением полной мощности. Другими словами, это указывает на то, что значение полной мощности идентично как в частотном, так и во временном пространстве.Это называется теоремой Парсеваля [31].

Метод одностороннего анализа спектра, который удовлетворяет теореме Парсеваля, показан в

. В этом исследовании были извлечены абсолютные значения спектра мощности тета (4–8 Гц), альфа (8–14 Гц), бета (14–14 Гц). 30 Гц) и гамма (30–50 Гц) с помощью одностороннего анализа спектра мощности и использовали его в качестве входного значения нечеткой системы управления для классификации эмоций.

Чтобы классифицировать эмоции пользователя, нечеткая модель должна быть построена путем количественной оценки физической информации, которая может идентифицировать эмоции пользователя по данным ЭЭГ.С этой целью была исследована корреляция значений,, и, то есть абсолютных значений мощности, полученных от пользователя, с эмоциями пользователя, чтобы определить правила. Затем была реализована нечеткая модель, как показано на рисунке 2. Другими словами, биометрическая классификация эмоций (стабильность, расслабление, напряжение и возбуждение) была выполнена с применением четырех нечетких правил с использованием значений абсолютной мощности,, и, полученных из данные ЭЭГ пользователя в качестве входных значений. Правила нечеткого контроля выражаются в виде лингвистических правил контроля формата «IF Ai THEN Bi».Чтобы создать набор правил управления, собираются несколько правил, и путем вывода на основе правил получается выходное значение. В таблице 2 показано нечеткое условие для выражения выходного значения в соответствии с входной переменной с использованием данных ЭЭГ.



Если тета высокая, а альфа, бета, гамма низкая, то эмоции — это стабильность
Если альфа высокая, а бета, тета, гамма низкая, тогда эмоции релаксация
Если бета высокая, а альфа, тета, гамма низкая, тогда эмоции — это напряжение
Если гамма высокая, а альфа, бета, тета низкая, то эмоции — это возбуждение

Дефаззификация относится к процессу преобразования нечеткого количественного результата, который получается из нечеткого вывода, в репрезентативное значение.В этом исследовании для нечеткого вывода использовался метод центра тяжести [32, 33]. Уравнение (5) показывает функцию вывода вывода, дефаззифицируемую четырьмя нечеткими правилами.

Для измерения частоты пульса и данных артериального давления пользователя в этом исследовании использовалась беспроводная сенсорная сеть ZigBee. ZigBee из IEEE 802.15.4 относится к технологии беспроводной связи малого радиуса действия, которая ориентирована на приложения, требующие низкого энергопотребления, низкой скорости и низкой стоимости [34]. Для сбора данных использовался сенсорный модуль, объединяющий датчики частоты пульса и артериального давления.Кроме того, данные были измерены с использованием серии платформ Telos в качестве платы обработки, MCU MSP430 и CC256XQFNEM. Если данные о частоте пульса и артериальном давлении вырабатываются отдельными пакетами и используются отдельно, энергия потребляется на основе дополнительного трафика и передачи данных. Поэтому они были объединены в один пакет, а затем отправлены в базу данных. На рисунке 3 показана структура считываемых биометрических данных. MSG показывает тип биометрической информации и позволяет выделить тип частоты пульса, т.е.е. систолическое или диастолическое артериальное давление. GroupID показывает информацию о датчике, и каждый датчик имеет GroupID. Отметка времени — это время, когда датчик измерял данные. При чтении фактически измеренные значения данных выражаются в 2-х шестнадцатеричных байтах.


Различные алгоритмы обучения используются для сопоставления биометрической информации об эмоциях в соответствии с индексом стресса. Тем не менее, в этом исследовании использовался алгоритм SVM, который может решить проблему нелинейной дискриминации многослойной структуры персептрона, поскольку данные ЭЭГ, частоты пульса и артериального давления, используемые в этом исследовании, состоят из нелинейных структур данных.Цель алгоритма SVM — найти границу классификации путем максимизации разницы между ближайшими значениями наблюдения (векторами поддержки) в двух классах. Более того, даже когда линейное разделение затруднено, классификация упрощается за счет использования нелинейной гиперплоскости через функцию ядра, и, следовательно, она используется в различных областях, таких как биология, а также распознавание изображений и текста. Чтобы оптимизировать уровень производительности обучающих данных, большинство традиционных методов распознавания образов основаны на методе минимизации рисков.В случае алгоритма SVM он основан на методе структурного риска для минимизации вероятности неправильной классификации данных, имеющих фиксированное, но неизвестное распределение вероятностей [35]. Когда данные не могут быть линейно разделены, как данные этого исследования, т. Е. Когда они имеют шаблон, который не может быть полностью разделен, потому что они перекрываются друг с другом на границе линейного разделения, используется переменная резерва с учетом случая неправильной классификации, как показано в уравнениях.(6) и (7)

Однако C является компромиссным параметром, и функция Лагранжа выражается как

. Вышеприведенное уравнение (8) может быть преобразовано в уравнения. (9) и (10) с помощью метода лагранжевой оптимизации.

Если вышеуказанные уравнения решены, можно получить решающую функцию, как показано в уравнении. (11

Алгоритм SVM, разработанный для двоичной классификации, имеет много трудностей при решении задач с множеством классов в реальной среде, были предложены методы «один против всех» и «один против одного».Среди них метод один на один состоит из количества алгоритмов SVM, когда вводятся k классов. Кроме того, для соответствующих данных обучения, которые состоят из данных, показывающих две группы, к которым они принадлежат, поскольку количество используемых данных обучения мало при выполнении обучения, скорость обучения высокая [35, 36]. Поэтому в этом исследовании были проведены эксперименты с использованием метода один против одного для повышения эффективности обучения и составлен алгоритм SVM, как показано в таблице 3.


Алгоритм: SVM
Количество данных для обучения:
Входные данные: образец для классификации набора данных:
Классифицируйте с помощью алгоритма SVM, получите результат в виде действительного числа.

Поскольку различные виды эмоций могут быть выражены в зависимости от внешней среды, эффективно заранее определить цвета эмоций и музыку, которые будут использоваться.Соответственно, для классификации цветов эмоций в этом исследовании было выбрано 20 цветовых моделей эмоций в качестве репрезентативных элементов из программы HP «Значение цвета». С помощью цветовой таблицы HP и результатов сопоставления словаря эмоций, исследованных в этом исследовании, классификация была проведена на основе общего словаря эмоций, как показано в таблице 4.


Цвет Значение Цвет Значение

Ярко-красный Оптимистичный, динамичный, бодрящий, возбуждающий, сексуальный, интенсивный, стимулирующий, агрессивный, мощный, энергичный, опасный Оранжевый Амбиции, веселый, счастливый, энергичный , баланс, яркость, тепло, энтузиазм, щедрость, яркий, экспансивный, органический
Международное значение: Китай = удача; Индия = чистота; Восточные культуры = означает радость в сочетании с белым цветом Международное значение: Ирландия = религиозное значение (протестантское)
Бордовый Энергия, элегантность, богатство, утонченность, лидерство, зрелость, дороговизна Голубой Мир, спокойствие , тихий, прохладный, чистый, мягкий, чистый, понимание
Синий Истина, исцеление, спокойствие, стабильность, мир, гармония, мудрость, доверие, спокойствие, уверенность, защита, безопасность, верность Фиолетовый Духовность , королевская власть, тайна, мудрость, трансформация, независимость, просвещение, уважение, богатство
Международное значение: Китай = бессмертие; Индусы = цвет Кришны Флот Достоинство, надежность, сила, авторитет, консервативность, надежность, традиционный, тихий, уверенный, безмятежный
Зеленый Природа, зависть, исцеление, плодородие, удача, надежда, стабильность , успех, щедрость Бежевый Землистый, классический, нейтральный, теплый, мягкий, мягкий, меланхоличный
Международное значение: Китай и Франция = отрицательное значение для упакованных товаров; Индия = цвет ислама; некоторые тропические страны = опасность Зеленовато-желтый Терпкий, фруктовый, кислый, ревнивый
Лайм Терпкий, фруктовый, кислый, освежающий, живой, восстанавливающий
Коричневый Стабильность, мужественность , выносливость, простота, дружба Терракота Полезный, землистый, деревенский, гостеприимный, тепло, стабильность, осень, урожай
Международное значение: Колумбия = препятствует продажам; Индия = цвет траура Лаванда Очарование, ностальгия, нежность, цветочный, сладкий, мода
Светло-розовый Любовь, романтика, мягкость, нежность, сладость, дружба, нежность, верность, сострадание Бирюзовый синий Эмоциональное исцеление, приятное, богатое, защита, уникальное, дорогое
Ярко-желтый Веселость, радость, действие, оптимизм, счастье, идеализм, лето, надежда, воображение, солнечный свет, философия, молодость, Оливковое зеленый Традиционный цвет мира, камуфляж, классический, приключенческий
Международное значение: Азия = священное, имперское Международное значение: Военное
Фуксия Горячий, чувственный, захватывающий, яркий, веселый, энергичный, женский Нейро-серый Нейтральный, корпоративный, классический, практичный, крутой, вневременной, тихий, качественный
9 0005

Это исследование классифицировало цвета и музыку, соответствующие биометрической информации об эмоциях, в соответствии с индексом стресса с использованием длины волны, которая является общей характеристикой информации об эмоциях, цвета и звука.Поскольку длина волны и частота имеют обратно пропорциональную зависимость в физике и математике, они могут быть преобразованы друг в друга математически. Основываясь на C (на музыкальной шкале), соотношение длин волн D и E составляет 1: 4/5: 2/3. Это соотношение согласуется с соотношением соответствующих длин волн трех основных цветов, то есть красного, зеленого и синего: 650 нм, 520 нм и 433 нм. Таким образом, C, D и E подобны трем основным цветам, которые можно использовать для создания бесчисленных цветов путем соответствующего смешивания.Следовательно, если отношение длин волн додекатонической шкалы, основанное на одинаковом темпераменте, последовательно соответствует частоте цветов, которые могут быть созданы с помощью комбинации трех основных цветов, цвета и звуки могут быть связаны [37].

Путем анализа значений измерения цвета и музыкальной гаммы оптимальные цвета и список музыки, соответствующие биометрической информации об эмоциях, определяются в соответствии с индексом стресса. Музыка, которая является важной информацией об эмоциях для понимания и анализа эмоций, может исцелить эмоции пользователя и снять стресс.Поэтому, чтобы рекомендовать музыку на основе биометрического эмоционального состояния в соответствии с индексом стресса, в этом исследовании был составлен список музыки для музыкальной терапии на основе данных, собранных с помощью «Samsung Idea». Таблица 5 классифицирует биометрическую информацию об эмоциях в соответствии с индексом стресса и показывает классификацию соответствующих цветов и музыки.

Стабильность 1 Желтый, Коричневый

Индекс стресса Информация о биоэмоциях Соответствующие цвета эмоций Соответствующая музыка эмоций

Франц Петер Шуберт — 10 песен помимо колыбельных
Этап 2 (31–60) Расслабление Красный Антонио Вивальди — 10 других песен помимо четырех сезонов (весна)
Stage 3 (61–70) Tension Blue Franz Peter Schubert — 10 песен, кроме Ave Maria
Stage 4 (71–100) Excitement Green Robert Alexander Schumann — 10 песен кроме мечты

4.Оценка эффективности и результаты экспериментов

В этом исследовании эксперименты проводились с использованием ЭЭГ, частоты пульса и артериального давления в качестве входных данных для классификации биометрической информации об эмоциях в соответствии с индексом стресса. Таблица 6 классифицирует четыре состояния (стабильность, расслабление, напряжение и возбуждение) на основе стандарта классификации биометрической информации об эмоциях в соответствии с индексом стресса [38, 39].


Индекс стресса Биоэмоциональная информация ЭЭГ Пульс Артериальное давление
Гц Время / мин.
Стадия 1 Стабильность Тета (4–7) 70–80 80 120
Стадия 2 Расслабление Alpha (8–14) 81–89 121–139
Стадия 3 Напряжение Бета (14–30) 80–90 90–99 140–159
4 Ступень 4 Волнение Гамма (30–50) До 60 лет, старше 90 Более 100 Более 160

Тхи В исследовании использовался алгоритм SVM для разработки и оценки классификации соответствующих эмоций.Алгоритм SVM — это алгоритм классификации, который определяет границу дискриминации, чтобы иметь наибольшее расстояние между границей дискриминации и каждым классом. Ядром алгоритма SVM, использованного в этом исследовании, было ядро ​​радиальной базисной функции; радиус ядра был установлен на 1, а запас алгоритма SVM был установлен на 1 [40, 41]. На рисунке 4 показан результат точности классификации по четырем типам биометрической информации об эмоциях с помощью алгоритма SVM.Когда 80% данных были изучены в соответствии с соотношением данных обучения, была показана самая высокая производительность — 86,1%. Кроме того, в таблице 7 показана матрица ошибок, когда было изучено 80% данных. Результаты классификации составили 90,4% для стабильного, 83,4% для расслабленного, 84,5% для напряженного и 85,7% для возбужденного.


.4

Тип Истинное состояние
Стабильность Релаксация Напряжение 11,4 0,0 0,0
Релаксация 9,6 83,4 3,4 0,5
Напряжение 0,0 5,2 905 905 905 905 905 0,0 0,0 12,1 85,7

Кроме того, для оценки эффективности отслеживания предлагаемой системы, которая рекомендует цвета и музыку в соответствии с биометрической информацией об эмоциях и индексом стресса, 10 -кратная перекрестная проверка была проведена, что минимизировало влияние обучающих данных и обеспечило надежность.10-кратная перекрестная проверка делит все данные на десять равных частей и использует девять частей в качестве данных обучения, а оставшуюся часть — в качестве данных тестирования. 10-кратная перекрестная проверка повторяет обучение и тестирование в общей сложности десять раз для оценки общей производительности, и каждый раз изменяется одна равная часть данных, используемых для теста. На рисунке 5 показан пример 10-кратной перекрестной проверки.


В этом исследовании экспериментальные данные разделились на данные оценки и данные проверки с использованием соотношения 7: 3.Кроме того, система была оптимизирована с использованием метода исключения по одному. В таблице 8 показана средняя точность 86,4% в результате данных валидации, полученных в результате оценки производительности. Следовательно, эффективность рекомендательной системы высока.

7905 905 905 905 905

Складной номер. Точность (единицы:%)

1 84,8
2 87.5
3 88,6
4 86,4
5 87,3
6 83,3
9 83,2
10 85,6

На рис. информация об эмоциях и индекс стресса.Цвета эмоций и музыка эмоций классифицируются по соответствующим элементам в соответствии с биометрической информацией об эмоциях и индексом стресса.


5. Заключение

Это исследование было направлено на то, чтобы классифицировать и рекомендовать цвета эмоций и музыку эмоций, соответствующие эмоциям пользователя, путем измерения биометрической информации. Соответственно, после измерения данных ЭЭГ, частоты пульса и артериального давления (т.е. биометрической информации) цвета эмоций и музыка эмоций классифицируются в соответствии с текущей биометрической информацией об эмоциях и индексом стресса пользователя посредством анализа эмоций в реальном времени.Чтобы классифицировать данные ЭЭГ по четырем типам биометрической информации об эмоциях (стабильность, расслабление, напряжение и возбуждение), была разработана нечеткая система управления, а данные о частоте пульса и артериальном давлении были собраны в отдельные пакеты и отправлены в базу данных. Когда 80% данных были изучены в соответствии с соотношением обучающих данных с использованием алгоритма SVM для классификации данных ЭЭГ, артериального давления и частоты пульса на основе биометрической информации об эмоциях, максимальная эффективность составила 86 баллов.Показан 1%. Кроме того, полученные результаты классификации матрицы ошибок составили 90,4% для стабильного, 83,4% для расслабленного, 84,5% для напряженного и 85,7% для возбужденного, что подтверждает высокую эффективность. Кроме того, когда была проведена 10-кратная перекрестная проверка для оценки эффективности отслеживания системы, которая рекомендует цвета эмоций и музыку эмоций в соответствии с биометрической информацией об эмоциях и индексом стресса, была продемонстрирована средняя точность 86,4%, подтверждая, что производительность рекомендательной системы был высоким.В этом исследовании была предложена система классификации биометрической информации об эмоциях с использованием индекса стресса для интеллектуальной классификации цветов эмоций и эмоциональной музыки на основе эмоций пользователя. Таким образом, ожидается, что он внесет свой вклад в исследования HCI в эпоху четвертой промышленной революции. В будущем исследовании эмоции будут классифицироваться на основе ситуационных факторов и факторов окружающей среды, а также биометрической информации пользователя. Кроме того, точность и эффективность предлагаемой системы будут повышены за счет использования различных типов биометрической информации в дополнение к ЭЭГ, частоте пульса и артериальному давлению, используемым в этом исследовании, в качестве мер для определения биометрических эмоций.

Доступность данных

Данные ЭЭГ BIOPAC MP 150, использованные для подтверждения результатов этого исследования, были депонированы в BrainAmp компанией Brain Products, Мюнхен, Германия.

Конфликт интересов

Авторы заявляют, что у них нет конфликта интересов в отношении публикации этой статьи.

Благодарности

Это исследование было поддержано грантом Национального исследовательского фонда Кореи (NRF), финансируемым правительством Кореи (MSIT) (No.2019R1F1A1041186). Это исследование было поддержано Корейским MSIT (Министерством науки и ИКТ) в рамках Национальной программы совершенствования ЕО (2017-0-00137) под надзором IITP (Институт планирования и оценки информационных и коммуникационных технологий).

Сравнение контролируемых и неконтролируемых подходов к категоризации эмоций в человеческом мозге, теле и субъективном опыте

  • 1.

    Джеймс У. Принципы психологии (Генри Холт и компания, Нью-Йорк, 1890).

    Google ученый

  • 2.

    Wundt, W. M. и Judd, C.H. Outlines of Psychology (Scholarly Press, Cambridge, 1897).

    Google ученый

  • 3.

    Бейкер Л. Р. Народная психология. В MIT Encyclopedia of Cognitive Science (ред. Wilson, R. & Keil, F.) (MIT Press, Cambridge, 1999).

    Google ученый

  • 4.

    Черчленд, П. М. Нейровычислительная перспектива: природа разума и структура науки (MIT Press, Кембридж, 1989).

    Google ученый

  • 5.

    Селларс У. Эмпиризм и философия разума (издательство Гарвардского университета, Кембридж, 1956).

    Google ученый

  • 6.

    Стич С. и Равенскрофт И. Что такое народная психология ?. Познание 50 (1–3), 447–468 (1994).

    CAS PubMed Google ученый

  • 7.

    Стич С. П. От народной психологии к когнитивной науке: доводы против веры (MIT Press, Cambridge, 1983).

    Google ученый

  • 8.

    Smith, S. et al. Соответствие функциональной архитектуры мозга во время активации и отдыха. Proc. Natl. Акад. Sci. 106 , 13040–13045 (2009).

    ADS CAS PubMed PubMed Central Google ученый

  • 9.

    Cowen, A. S. & Keltner, D. Самоотчет охватывает 27 различных категорий эмоций, соединенных непрерывными градиентами. Proc. Natl. Акад. Sci. 114 (38), E7900 – E7909 (2017).

    CAS PubMed PubMed Central Google ученый

  • 10.

    Андерсон, М. Л. Повторное использование нейронов: фундаментальный принцип организации мозга. Behav. Brain Sci. 33 (4), 245–266 (2010).

    PubMed Google ученый

  • 11.

    Андерсон М. Л. и Финли Б. Л. Распределение структуры по функциям: сильные связи между нейропластичностью и естественным отбором. Фронт. Гм. Neurosci. 7 , 918 (2014).

    PubMed PubMed Central Google ученый

  • 12.

    Барретт, Л. Ф. Будущее психологии: подключение разума к мозгу. Перспектива. Psychol. Sci. 4 (4), 326–339 ​​(2009).

    PubMed PubMed Central Google ученый

  • 13.

    Барретт, Л. Ф. и Сатпуте, А. Б. Крупномасштабные сети мозга в аффективной и социальной нейробиологии: На пути к интегративной функциональной архитектуре мозга. Curr. Opin. Neurobiol. 23 (3), 361–372 (2013).

    CAS PubMed PubMed Central Google ученый

  • 14.

    Барретт, Л. Ф. и Сатпуте, А. Б. Исторические ловушки и новые направления в нейробиологии эмоций. Neurosci. Lett. 693 , 9–18 (2017).

    PubMed PubMed Central Google ученый

  • 15.

    Цисек, П. Ресинтезирование поведения посредством филогенетического уточнения. Atten. Восприятие. Психофизика. 81 (7), 2265–2287 (2019).

    PubMed PubMed Central Google ученый

  • 16.

    Кларк-Полнер, Э., Джонсон, Т. Д. и Барретт, Л. Ф. Анализ мультивоксельных паттернов не дает доказательств, подтверждающих существование основных эмоций. Cereb. Cortex 27 (3), 1944–1948 (2017).

    PubMed Google ученый

  • 17.

    Hommel, B. & Colzato, L. S. Уроки истории: необходимость синтетического подхода к человеческому познанию. Фронт. Psychol. 6 , 1435 (2015).

    PubMed PubMed Central Google ученый

  • 18.

    Линдквист, К. А. и Барретт, Л. Ф. Функциональная архитектура человеческого мозга: новые идеи из науки об эмоциях. Trends Cogn. Sci. 16 (11), 533–540 (2012).

    PubMed PubMed Central Google ученый

  • 19.

    Адольфс Р. и Андерсон Д. Неврология эмоций: новый синтез (Princeton University Press, Princeton, 2018).

    Google ученый

  • 20.

    Барретт, Л. Ф. Являются ли эмоции естественными ?. Перспектива. Psychol. Sci. 1 (1), 28–58 (2006).

    PubMed Google ученый

  • 21.

    Ленч, Х.С., Флорес, С.А. и Бенч, С.В. Дискретные эмоции предсказывают изменения в познании, суждениях, опыте, поведении и физиологии: метаанализ экспериментального выявления эмоций. Psychol. Бык. 37 , 834–855 (2011).

    Google ученый

  • 22.

    Крагель, П. А., Кобан, Л., Барретт, Л. Ф. и Вейджер, Т. Д. Представление, информация о паттернах и сигнатуры мозга: от нейронов до нейровизуализации. Нейрон 99 (2), 257–273 (2018).

    CAS PubMed PubMed Central Google ученый

  • 23.

    Коуэн, А.С., Эльфенбейн, Х.А., Лаукка, П. и Келтнер, Д. Отображение 24 эмоций, передаваемых короткими человеческими вокалами. Am. Psychol. 74 (6), 698 (2019).

    PubMed Google ученый

  • 24.

    Кассам К.С., Марки А.Р., Черкасский, В. Л., Левенштейн, Г. и Джаст, М. А. Идентификация эмоций на основе нейронной активации. PLoS ONE 8 (6), e66032 (2013).

    ADS CAS PubMed PubMed Central Google ученый

  • 25.

    Крагель П. А. и Лабар К. С. Многомерная классификация паттернов раскрывает автономные и эмпирические репрезентации дискретных эмоций. Эмоция 13 (4), 681–690 (2013).

    PubMed PubMed Central Google ученый

  • 26.

    Kragel, P. A. & LaBar, K. S. Многофакторные нейронные биомаркеры эмоциональных состояний категорически различны. Soc. Cogn. Оказывать воздействие. Neurosci. 10 (11), 1437–1448 (2015).

    PubMed PubMed Central Google ученый

  • 27.

    Нумменмаа, Л. и Сааримяки, Х. Эмоции как отдельные модели системной активности. Neurosci. Lett. 693 , 3–8 (2019).

    CAS PubMed Google ученый

  • 28.

    Nummenmaa, L., Hari, R., Hietanen, J. K. & Glerean, E. Карты субъективных чувств. Proc. Natl. Акад. Sci. 115 (37), 9198–9203 (2018).

    CAS PubMed PubMed Central Google ученый

  • 29.

    Saarimäki, H. et al. Дискретные нейронные сигнатуры основных эмоций. Cereb. Cortex 26 (6), 2563–2573 (2016).

    PubMed Google ученый

  • 30.

    Saarimäki, H. et al. Распределенное аффективное пространство представляет собой множество категорий эмоций в человеческом мозгу. Soc. Cogn. Оказывать воздействие. Neurosci. 13 (5), 471–482 (2018).

    PubMed PubMed Central Google ученый

  • 31.

    Стивенс К. Л., Кристи И. К. и Фридман Б. Х. Вегетативная специфика основных эмоций: данные классификации паттернов и кластерного анализа. Biol. Psychol. 84 (3), 463–473 (2010).

    PubMed Google ученый

  • 32.

    Wager, T. D. et al. Байесовская модель категориально-зависимых эмоциональных реакций мозга. PLoS Comput. Биол. 11 (4), e1004066 (2015).

    ADS PubMed PubMed Central Google ученый

  • 33.

    Botvinik-Nezer, R. et al. Вариабельность в анализе одного набора данных нейровизуализации многими командами. Nature 582 , 84–88 (2020).

    ADS CAS PubMed PubMed Central Google ученый

  • 34.

    Elliott, M. et al. Какова надежность повторных тестов обычных функциональных МРТ-измерений? Новые эмпирические данные и метаанализ. Psychol. Sci. 31 , 792–806 (2020).

    PubMed PubMed Central Google ученый

  • 35.

    Барретт, Л. Ф. Разнообразие — изюминка жизни: психологический конструктивный подход к пониманию изменчивости эмоций. Cogn. Эмот. 23 , 1284–1306 (2010).

    Google ученый

  • 36.

    Сатпуте, А. Б. и Линдквист, К.A. Роль сети по умолчанию в дискретных эмоциях. Trends Cogn. Sci. 23 (10), 851–864 (2019).

    PubMed PubMed Central Google ученый

  • 37.

    Welvaert, M. & Rosseel, Y. Об определении отношения сигнал / шум и отношения контраст / шум для данных фМРТ. PLoS ONE 8 , e77089 (2013).

    ADS CAS PubMed PubMed Central Google ученый

  • 38.

    Чиказо, Дж., Ли, Д. Х., Кригескорте, Н. и Андерсон, А. К. Популяционное кодирование аффекта в зависимости от стимулов, модальностей и индивидуумов. Nat. Neurosci. 17 (8), 1114 (2014).

    CAS PubMed PubMed Central Google ученый

  • 39.

    Скерри, А. Э. и Сакс, Р. Общий нейронный код для воспринимаемых и предполагаемых эмоций. J. Neurosci. 34 (48), 15997–16008 (2014).

    CAS PubMed PubMed Central Google ученый

  • 40.

    Обрист, П. А. Психофизиология сердечно-сосудистой системы: перспектива (Пленум Пресс, Нью-Йорк, 1981).

    Google ученый

  • 41.

    Обрист, П. А., Уэбб, Р. А., Саттерер, Дж. Р. и Ховард, Дж. Л. Сердечно-соматические отношения: некоторые изменения формулировок. Психофизиология 6 (5), 569–587 (1970).

    CAS PubMed Google ученый

  • 42.

    Siegel, E.H. et al. Эмоциональные отпечатки пальцев или эмоциональные популяции? Метааналитическое исследование характеристик вегетативной нервной системы категорий эмоций. Psychol. Бык. 144 (4), 343–393 (2018).

    PubMed PubMed Central Google ученый

  • 43.

    Барретт, Л. Ф., Адольфс, Р., Марселла, С., Мартинес, А. М. и Поллак, С. Д. Пересмотр эмоциональных выражений: проблемы определения эмоций по движениям лица человека. Psychol. Sci. Общественные интересы 20 (1), 1–68 (2019).

    CAS PubMed PubMed Central Google ученый

  • 44.

    Le Mau, T. et al. Раскрытие эмоциональной структуры в 604 экспертных изображениях опыта. (На рассмотрении).

  • 45.

    Линдквист, К. А., Вейджер, Т. Д., Кобер, Х., Блисс-Моро, Э. и Барретт, Л. Ф. Мозговая основа эмоций: метааналитический обзор. Behav.Brain Sci. 35 (3), 121 (2012).

    PubMed PubMed Central Google ученый

  • 46.

    Уилсон-Менденхолл, К. Д., Барретт, Л. Ф. и Барсалоу, Л. В. Разнообразие эмоциональной жизни: внутрикатегориальная типичность эмоциональных переживаний связана с нейронной активностью в крупномасштабных сетях мозга. Soc. Cogn. Оказывать воздействие. Neurosci. 10 (1), 62–71 (2014).

    PubMed PubMed Central Google ученый

  • 47.

    Raz, G. et al. Динамика функциональной связи во время просмотра фильма раскрывает общие сети для различных эмоциональных переживаний. Cogn. Оказывать воздействие. Behav. Neurosci. 16 (4), 709–723 (2016).

    PubMed Google ученый

  • 48.

    Touroutoglou, A., Lindquist, K. A., Dickerson, B.C. & Barrett, L.F. Внутренняя связность человеческого мозга не раскрывает сети для «основных» эмоций. Soc. Cogn. Оказывать воздействие. Neurosci. 10 (9), 1257–1265 (2015).

    PubMed PubMed Central Google ученый

  • 49.

    Гиллори, С. А. и Буярски, К. А. Изучение эмоций с помощью инвазивных методов: обзор внутричерепной электрофизиологии человека за 60 лет. Soc. Cogn. Оказывать воздействие. Neurosci. 9 (12), 1880–1889 (2014).

    PubMed PubMed Central Google ученый

  • 50.

    Гендрон М. и Фельдман Барретт Л. Реконструкция прошлого: век идей об эмоциях в психологии. Emot. Ред. 1 (4), 316–339 ​​(2009).

    PubMed PubMed Central Google ученый

  • 51.

    Уилсон-Менденхолл, К. Д., Барретт, Л. Ф. и Барсалоу, Л. В. Нейронные свидетельства того, что человеческие эмоции разделяют основные аффективные свойства. Psychol. Sci. 24 (6), 947–956 (2013).

    PubMed Google ученый

  • 52.

    Hoemann, K. et al. Выборка опыта с учетом контекста показывает масштаб вариации эмоционального опыта. Sci. Отчетность 10 , 12459 (2020).

    ADS CAS PubMed PubMed Central Google ученый

  • 53.

    Wilson-Mendenhall, C., Henriques, A., Barsalou, L. W. & Barrett, L.F. Первичная интероцептивная активность коры головного мозга при моделировании телесных ощущений. J. Cogn. Neurosci. 31 , 221–235 (2019).

    PubMed Google ученый

  • 54.

    Vu, H., Kim, H.-C. И Ли, J.-H. Трехмерная сверточная нейронная сеть для выделения признаков и классификации объемов фМРТ. В международном семинаре 2018 по распознаванию образов в нейровизуализации (PRNI) 1–4 (IEEE, Нью-Йорк, 2018).

  • 55.

    Бишоп, К. М. Распознавание образов и машинное обучение (Springer, Berlin, 2006).

    MATH Google ученый

  • 56.

    Гарг, Г., Прасад, Г., Гарг, Л. и Койл, Д. Модели смеси Гаусса для обнаружения активации мозга по данным фМРТ. Внутр. J. Bioelectromagn. 13 (4), 255–260 (2011).

    Google ученый

  • 57.

    Рёге, Р. Э., Мадсен, К. Х., Шмидт, М. и Мёруп, М. Неконтролируемая сегментация областей, активируемых заданием, в фМРТ. В 2015 г. 25-й международный семинар IEEE по машинному обучению для обработки сигналов (MLSP) 1–6 (IEEE, Нью-Йорк, 2015 г.).

  • 58.

    Vul, E., Lashkari, D., Hsieh, P.-J., Golland, P. & Kanwisher, N. Управляемая данными функциональная кластеризация показывает преобладание селективности лица, места и тела в вентральный зрительный путь. J. Neurophysiol. 108 (8), 2306–2322 (2012).

    PubMed PubMed Central Google ученый

  • 59.

    Мэннинг, Дж. Р., Ранганат, Р., Норман, К. А. и Блей, Д. М. Анализ топографических факторов: байесовская модель для вывода сетей мозга из нейронных данных. PLoS ONE 9 (5), e94914 (2014).

    ADS PubMed PubMed Central Google ученый

  • 60.

    Джоллифф, И. Т. и Кадима, Дж.Анализ главных компонентов: обзор и последние разработки. Philos. Пер. R. Soc. Математика. Phys. Англ. Sci. 374 (2065), 20150202 (2016).

    ADS MathSciNet МАТЕМАТИКА Google ученый

  • 61.

    Шварц Г. Оценка размеров модели. Ann. Стат. 6 (2), 461–464 (1978).

    MathSciNet МАТЕМАТИКА Google ученый

  • 62.

    Рассел, Дж. Кор аффект и психологическое построение эмоции. Psychol. Ред. 110 , 145–172 (2003).

    PubMed Google ученый

  • 63.

    de Geus, E., Willemsen, G., Klaber, C. & van Doornen, L. Амбулаторные измерения респираторной синусовой аритмии и частоты дыхания. Biol. Psychol. 41 , 205–227 (1995).

    PubMed Google ученый

  • 64.

    Эрнст Дж., Литвак Д., Лозано Д., Качиоппо Дж. И Бернсон Г. Импедансная пневмография: шум как сигнал в импедансной кардиографии. Психофизиология 36 , 333–338 (1999).

    CAS PubMed Google ученый

  • 65.

    Фернандес, А., Гарсия, С., Эррера, Ф. и Чавла, Н. В. Смут для обучения на основе несбалансированных данных: прогресс и проблемы, посвященный 15-летнему юбилею. J. Artif. Intell.Res. 61 , 863–905 (2018).

    MathSciNet МАТЕМАТИКА Google ученый

  • 66.

    Blei, D. M. et al. Вариационный вывод для технологических смесей Дирихле. Байесовский анал. 1 (1), 121–143 (2006).

    MathSciNet МАТЕМАТИКА Google ученый

  • 67.

    Блей, Д. М., Нг, А. Ю. и Джордан, М. И. Скрытое размещение Дирихле. J. Mach. Учиться. Rese. 3 , 993–1022 (2003).

    MATH Google ученый

  • 68.

    Хорн, Дж. Л. Обоснование и критерий количества факторов в факторном анализе. Психометрика 30 (2), 179–185 (1965).

    CAS PubMed МАТЕМАТИКА Google ученый

  • 69.

    Гендрон, М., Кривелли, К. и Барретт, Л. Ф. Пересмотр универсальности: разнообразие значений выражений лица. Curr. Реж. Psychol. Sci. 27 , 211–219 (2018).

    PubMed PubMed Central Google ученый

  • 70.

    Gendron, M. et al. Восприятие эмоций у хадзинских охотников-собирателей. Sci. Отчет 10 , 1–7 (2020).

    Google ученый

  • 71.

    Hoemann, K. et al. Контекст облегчает выполнение классической кросс-культурной задачи по восприятию эмоций. Эмоция 19 , 1292–1313 (2019).

    PubMed Google ученый

  • 72.

    Барретт Л. Ф. Как возникают эмоции: Тайная жизнь мозга (Houghton Mifflin Harcourt, Бостон, 2017).

    Google ученый

  • 73.

    Барретт, Л. Ф. Теория сконструированной эмоции: активный вывод интероцепции и категоризации. Soc. Cogn. Оказывать воздействие. Neurosci. 12 (1), 1–23 (2017).

    PubMed Google ученый

  • 74.

    Дарвин, К. О происхождении видов посредством естественного отбора (Джон Мюррей, Лондон, 1859).

    Google ученый

  • 75.

    Барретт, Л.Ф. Премия Джона П. Макговерна Лекция по поведенческим наукам: вариативность — это норма: популяционное мышление Дарвина и наука об эмоциях.Ежегодное собрание Американской ассоциации развития науки 2020 г., 2020 г. URL https://www.youtube.com/watch?v=FUohKL5WWi8.

  • 76.

    Кашдан, Т. Б., Барретт, Л. Ф. и Макнайт, П. Э. Распаковка дифференциации эмоций: преобразование неприятных переживаний путем восприятия различий в негативности. Curr. Прямой. Psychol. Sci. 24 (1), 10–16 (2015).

    Google ученый

  • 77.

    Hoemann, K., Гендрон, М. и Барретт, Л. Ф. Смешанные эмоции в прогнозирующем мозге. Curr. Opin. Psychol. 15 , 51–57 (2017).

    Google ученый

  • 78.

    Клор, Г. Л. и Ортони, А. Теории оценки: как формы познания влияют на эмоции. В справочнике эмоций (ред. Льюис, М. и др. ) 628–642 (2008).

  • 79.

    Клор, Г. Л. и Ортони, А. Психологическая конструкция в модели эмоций OCC. Emot. Ред. 5 (4), 335–343 (2013).

    PubMed PubMed Central Google ученый

  • 80.

    Адольфс Р. Как нейробиологии следует изучать эмоции? Различая эмоциональные состояния, концепции и переживания. Soc. Cogn. Оказывать воздействие. Neurosci. 12 (1), 24–31 (2017).

    PubMed Google ученый

  • 81.

    Лазарь, Р.С. и Лазарус Р. С. Эмоции и адаптация (Издательство Оксфордского университета по запросу, Оксфорд, 1991).

    MATH Google ученый

  • 82.

    Баккер М., ван Дейк А. и Вичертс Дж. М. Правила игры называются психологической наукой. Перспектива. Psychol. Sci. 7 (6), 543–554 (2012).

    PubMed Google ученый

  • 83.

    Кнопка, К.S. et al. Сбой питания: почему небольшой размер выборки подрывает надежность нейробиологии. Nat. Rev. Neurosci. 14 (5), 365 (2013).

    CAS Google ученый

  • 84.

    Максвелл, С. Э. Устойчивость недостаточно эффективных исследований в области психологических исследований: причины, последствия и средства правовой защиты. Psychol. Методы 9 (2), 147 (2004).

    PubMed Google ученый

  • 85.

    Szucs, D. & Ioannidis, J. P. Эмпирическая оценка опубликованных величин и мощности эффектов в недавней литературе по когнитивной нейробиологии и психологии. PLoS Biol. 15 (3), e2000797 (2017).

    PubMed PubMed Central Google ученый

  • 86.

    Gonzalez-Castillo, J. et al. Комплексная активация с синхронизацией по времени с простыми задачами, выявленными с помощью массового усреднения и анализа без использования моделей. Proc. Natl. Акад. Sci. 109 (14), 5487–5492 (2012).

    ADS CAS PubMed PubMed Central Google ученый

  • 87.

    Кокс, Р. В. Афни: Программное обеспечение для анализа и визуализации функциональных магнитно-резонансных нейровизуальных изображений. Comput. Биомед. Res. 29 (3), 162–173 (1996).

    ADS CAS Google ученый

  • 88.

    Мисаки, М., Лю, В. и Бандеттини, П. А. Эффект пространственного сглаживания на фМРТ-декодирование организации столбчатого уровня с помощью линейной машины опорных векторов. J. Neurosci. Методы 212 , 355–361 (2013).

    PubMed Google ученый

  • 89.

    Шривастава Н., Хинтон Г., Крижевский А., Суцкевер И. и Салахутдинов Р. Выпадение: простой способ предотвратить переоснащение нейронных сетей. Дж.Мах. Учиться. Res. 15 (56), 1929–1958 (2014).

  • Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *