Классификация эмоций: Классификация эмоций

в сердце эмоциональных вычислений / Хабр

Эмоциональный искусственный интеллект, помимо очевидной связи с машинным обучением и нейронными сетями, имеет прямое отношение к психологии и в частности к науке об эмоциях. В этой области сегодня остро стоят несколько вызовов. Один из них — формирование точной и полноценной классификации эмоциональных состояний, от которой в том числе напрямую зависит процесс аннотирования — сопоставления наблюдаемых выражений лица и других невербальных сигналов с определенными эмоциями и аффективными состояниями.



Классификация эмоций

Сегодня широко используются три подхода к категоризации эмоциональных данных: дискретная и многомерная модели, а также гибридная, объединяющая два первых типа.

Дискретный подход основан на категоризации эмоций, которую мы обнаруживаем в естественном языке. Каждая эмоция связана с семантическим полем — конкретным значением или набором значений, которые мы приписываем некоторому эмоциональному состоянию. Теория базовых эмоций — один из самых известных примеров дискретного подхода.

Первое упоминание на нечто похожее на то, что подразумевается под базовыми, или первичными, эмоциями, можно найти в ранних философских текстах, например, греческого или китайского наследний. Платон в знаменитом труде “Республика” относил эмоции к основным составляющим человеческого разума. В функциональной теории эмоций Аристотеля разум, эмоции и добродетели взаимосвязаны, и эмоциональная жизнь каждого здорового человека всегда (или почти всегда) согласована с разумом и добродетелями, осознает он это или нет. В китайском конфуцианстве мы находим от четырех до семи «Цин» — эмоций естественных для любого человека.

В XX веке тема оказалась в фокусе научного интереса, и ряд авторов, в том числе Пол Экман, автор наиболее распространенной теории базовых эмоций, предложили собственное видение количества таких эмоций. Экман предположил, что базовые эмоции должны быть универсальными, в том смысле, что их проявление одинаково для всех культур. В разных теориях мы можем найти от 6 до 22 эмоций (Ekman, Parrot, Frijda, Plutchik, Tomkins, Matsumoto — подробности см. у Cambria et al., 2012).

Существование базовых эмоций на сегодняшний день остается спорным вопросом (см., например, Barret & Вагер, 2006; или Crivelli & Fridlund, 2018). Ряд исследований показал связь базовых эмоций с активностью отдельных структур мозга (например, Murphy et al., 2003, и Phan et al., 2002), хотя в других работах такая корреляция не подтверждается (см. Barrett & Wage, 2006). Интересно, что некоторые исследования восприятия эмоций в изолированных этнических группах не поддерживают гипотезу межкультурной универсальности эмоций. Одним из примеров являются тробрианцы из Папуа-Новой Гвинеи (см. Crivelli & Fridlund, 2018, и Gendron et al., в печати). В эксперименте представителям племени показали фотографию лица, выражающего страх, однако тробрианцы воспринимали это выражение как сигнал об угрозе.


Атлас эмоций, предложенный Полом Экманом: atlasofemotions.org. Первоначальная версия 1999 года также включала “удивление”.

Сегодня многие решения в области эмоциональных вычислений основаны на дискретных моделях и включают в себя только базовые эмоции, чаще всего в соответствии с теорией Экмана (например, решения компании Affectiva, пионера эмоционального ИИ). Это означает, что автоматические системы обучаются распознавать довольно ограниченное количество аффективных состояний, хотя в жизни мы постоянно переживаем большое количество эмоций, включая сложные смешанные эмоции, а в межличностном общении пользуемся многочисленными социальными сигналами (например, жестами).

Другой подход —

многомерный — представляет эмоции в координатном многомерном пространстве. Поскольку это пространство является неразрывным, существуют эмоции, имеющие одну и ту же природу, но различающиеся по ряду параметров. В аффективной науке эти параметры (или измерения) чаще всего выражены валентностью (valence) и активацией (arousal), например, в датасете RECOLA авторства Ringeval et al. Также часто используется и интенсивность (intensity) эмоций. Таким образом, печаль можно рассматривать как менее интенсивную версию горя и более выраженную задумчивость, в то же время больше похожую на отвращение, чем, например, на доверие. Количество измерений может варьироваться в зависимости от модели. В колесе эмоций Плутчика всего 2 измерения (сходство (similarity) и интенсивность), в то время как Фонтейн постулирует 4 измерения (валентность, потенция (potency), активация, непредсказуемость (unpredictability). Любая эмоция в таком пространстве будет обладать рядом характеристик, измеряющихся величиной, с которой она присутствует в определенном измерении.

Гибридные модели объединяют как дискретные, так и многомерные подходы. Хорошим примером гибридной модели являются «Песочные часы эмоций», предложенные Камбрией, Ливингстоном, Хуссейном (Cambria et al., 2012). Каждое аффективное измерение характеризуется шестью уровнями силы, с которой выражены эмоции. Эти уровни также обозначаются как набор из 24 эмоций. Таким образом, любая эмоция может рассматриваться как фиксированное состояние и как часть континуума, связанная с другими эмоциями нелинейными отношениями.

Эмоции в эмоциональных вычислениях

Итак, почему классификация эмоций имеет такое важное значение для эмоциональных вычислений? В начале статьи мы сделали акцент на том, что классификация эмоций и тот подход, которого мы придерживаемся, напрямую влияют на процесс аннотирования — разметки аудиовизуального эмоционально окрашенного контента. Чтобы обучить нейронную сеть распознавать эмоции, необходим набор данных. Но разметка этого набора полностью зависит от нас, людей, и от того, какие эмоций мы ассоциируем, например, с конкретным выражением лица.

Сегодня распространены несколько инструментов для аннотирования. Это ANNEMO (Ringeval et al.), используемый для многомерных моделей, ANVIL (Kipp) и ELAN (Институт психолингвистики Макса Планка), используемые для дискретных систем. В ANNEMO аннотирование доступно по 2 аффективным измерениям: активация и валентность, значения которой варьируются от -1 до +1. Таким образом, любому эмоциональному состоянию могут быть присвоены значения, характеризующие его интенсивность и позитивность/негативность. Социальные измерения также можно оценивать по 7-балльной шкале в 5 измерениях: согласие (agreement), доминирование (dominance), заинтересованность (engagement), проявление (performance) и взаимопонимание (rapport).

ANVIL и ELAN позволяют использовать собственные фильтры для разметки аудиовизуального эмоционального контента. Фильтры, или маркеры, могут быть представлены словами, предложениями, комментариями или любым другим текстом, имеющим отношение к описанию аффективного состояния. Эти маркеры имеют статический характер и не могут быть выражены величиной.

Выбор подхода и системы аннотирования зависит от целей. Многомерные модели позволяют избежать известной проблемы, когда некоторые слова существуют в каких-то языках, в то время как в других может не быть слов для описания этих эмоций. Это делает процесс аннотирования контекстуально- и культурно-зависимым. Тем не менее дискретные модели — полезный инструмент для категоризации эмоций, поскольку объективно оценивать изменение величин как валентность или активация, сложно, а разные аннотаторы будут давать разные оценки выраженности этих величин.

Бонус: робототехника

Кстати, классификация эмоций широко используется не только в сфере распознавания эмоций, но и для их синтеза. К примеру, в робототехнике. Эмоциональный спектр, доступный роботу, может быть интегрирован в многомерное пространство эмоций. Affect system — система эмоциональных состояний, между которыми может переключаться, вероятно, самый милый робот в индустрии ИИ — Kismet разработки МТИ (MIT), основан именно на многомерном подходе. Каждое измерение эмоционального пространства (активация, валентность и состояние (stance), то есть готовность к общению) сопоставляется с набором лицевых экспрессий. Как только будет достигнута необходимая величина, робот будет переключаться на следующую эмоцию.


Видео: Как работает робот Kismet

Ссылки
  • Barrett, L. F. & Wager, T. D. (2006). The structure of emotion evidence from neuroimaging studies. Current Directions in Psychological Science, 15 (2), 79–83. doi: 10.1111/j.0963–7214.2006.00411.x
  • Cambria, E., Livingstone, A., Hussain, A. (2012) The Hourglass of Emotions. Cognitive Behavioural Systems,144–157.
  • Chew, A. (2009). Aristotle’s Functional Theory of the Emotions. Organon F 16 (2009), №1, 5–37.
  • Crivelli, C., & Fridlund, A. J. (2018). Facial Displays Are Tools for Social Influence. Trends in Cognitive Sciences, 22(5), 388–399. doi.org/10.1016/j.tics.2018.02.006
  • Ekman, P. (1999). Basic Emotions. In T. Dalgleish and M. Power (Eds.). Handbook of Cognition and Emotion. Sussex, U.K.: John Wiley & Sons, Ltd.
  • Fu Ching-Sheue (2012). What are emotions in Chinese Confucianism? www.researchgate.net/publication/267228910_What_are_emotions_in_Chinese_Confucianism?
  • Gendron, M., Crivelli, C., & Barrett, L.F. (in press). Universality reconsidered: Diversity in making meaning of facial expressions. Current Directions in Psychological Science.
  • Harmon-Jones, E., Harmon-Jones, C., Summerell, E. (2017) On the Importance of Both Dimensional and Discrete Models of Emotion. Behav Sci (Basel). Sep 29;7(4)
  • Murphy, F.C., Nimmo-Smith, I., & Lawrence, A.D. (2003). Functional neuroanatomy of emotion: A meta-analysis. Cognitive, Affective, & Behavioral Neuroscience, 3, 207–233.
  • Phan, K.L., Wager, T.D., Taylor, S.F., & Liberzon, I. (2002). Functional neuroanatomy of emotion: A meta-analysis of emotion activation studies in PET and fMRI. Neuroimage, 16, 331–348.
  • Plutchik, R. (2001) The Nature of Emotions. American Scientist 89(4):344
  • Ringeval, F., Sonderegger, A., Sauer, J., & Lalanne, D. RECOLA & ANNEMO: diuf.unifr.ch/diva/recola/annemo.html
  • Kipp, M. ANVIL: www.anvil-software.org
  • Max Planck Institute for Psycholinguistics. ELAN: tla.mpi.nl/tools/tla-tools/elan
  • Emotion, Stanford Encyclopedia of Philosophy: plato.stanford.edu/entries/emotion

Классификация эмоций.

Виды эмоций по влиянию на деятельность человека:

1. Стенические эмоции стимулируют деятельность, увеличивают энергию и напряжение сил человека, побуждают его к поступкам, высказываниям. Человек готов «горы перевернуты».

2. Астенические эмоции ведут к скованности, пассивности.

В зависимости от ситуации и индивидуальных особенностей эмоции могут по-разному влиять на поведение.

Основные, «фундаментальные» эмоции:

1. Радость— положительное эмоциональное состояние, связанное c возможностью полно удовлетворить актуальную потребность.

2. Удивление — не имеющая четко выраженного положительного или отрицательного знака эмоциональная реакция на внезапно возникшие обстоятельства.

3. Страдание — отрицательное эмоциональное состояние, связанное c полученной достоверной или кажущейся таковой информацией о невозможности удовлетворения важнейших жизненных потребностей.

4. Гнев— эмоциональное состояние, отрицательное по знаку, протекающее в форме аффекта и вызываемое внезапным возникновением серьезного препятствия на пути удовлетворения важной для субъекта потребности.

5. Отвращение — отрицательное эмоциональное состояние, вызываемое объектами (предметами, людьми, обстоятельствами и т. д.), соприкосновение c которыми вступает в резкое противоречие c идеологическими, нравственными или эстетическими принципами и установками субъекта.

6. Презрение— отрицательное эмоциональное состояние, возникающее в межличностных взаимоотношениях и порождаемое рассогласованием жизненных позиций, взглядов и поведения субъекта c жизненными позициями, взглядами и поведением объекта чувства.

7. Страх — отрицательное эмоциональное состояние, появляющееся при получении субъектом информации о реальной или воображаемой опасности.

8. Стыд — отрицательное состояние, выражающееся в осознании несоответствия собственных помыслов, поступков и внешности ожиданиям окружающих и собственным представлении о подобающем поведении и внешнем облике.

Амбивалентность (двойственность) чувств — неоднозначность эмоциональных переживаний. Амбивалентность связана с тем, что отдельные особенности сложного объекта по-разному влияют на потребности и ценности человека.

Чувства — это вид эмоциональных состояний. Главное различие эмо­ций и чувств заключается в том, что эмоции носят характер ориентировочной реакции — несут первичную информацию о недостатке или избытке чего-либо, они бывают неопределенными и недостаточно осознаваемыми. Чувства предметны и конкретны. Другим различием эмоций и чувств является то, что эмоции связаны c биологическими процессами, а чувства — c социальной сферой. Еще одним различием эмоций и чувств является то, что эмоции связаны c областью бессознательного, а чувства представлены в сознании человека. Чувства человека всегда имеют определенное внешнее проявление, а эмоции не имеют.

Чувства и их виды.

Чувства — более длительные, чем эмоции, психические стояния, имеющие четко выраженный предметный характер. Они отражают устойчивое отношение к каким-либо конкретным объектам (реальным или воображаемым). Человек не может переживать чувства, если они не отнесены к кому-нибудь или чему-нибудь.

Чувства возникли и формировались в процессе культурно-исторического развития человека. Способы выражения чувств менялись в зависимости от исторической эпохи. В индивидуальном развитии человека чувства выступают как значимый фактор в формировании мотивационной сферы.

Чувства играют значимую роль и в построении контактов c окружающими людьми. Чувства всегда индивидуальны. Это объясняется тем, что чувства опосредуются системой ценностных установок конкретного человека.

Особая форма переживания — высшие чувства, в которых заключено все богатство подлинно человеческих отношений.

Виды чувств в зависимости от предметной сферы, к которой они относятся:

1. Нравственные, или моральные чувства-чувства, переживаемые людьми при восприятии явлений действительности и сравнении этих явлений c нормами, выработанными обществом. Проявление этих чувств предполагает, что человеком усвоены нравственные нормы и правила поведения в том обществе, в котором он живет. Нравственные нормы складываются и изменяются в процессе исторического развития общества в зависимости от его традиций, обычаев, религии, господствующей идеологии и т. д. Действия и поступки людей, соответствующие взглядам на нравственность в данном обществе, считаются моральными, нравственными; поступки, не соответствующие этим взглядам, считаются аморальными, безнравственными. К нравственным чувствам относятся чувство долга, гуманность, доброжелательность, любовь, дружбу, патриотизм, сочувствие и т. д. К аморальным чувствам относятся жадность, эгоизм, жестокость и т. д.

2. Моральнополитические чувства — группа чувств проявляется в эмоциональных отношениях к различным общественным учреждениям и организациям, к государству в целом. Одной из важнейших особенностей моральнополитических чувств является их действенный характер. Они могут выступать как побудительные силы героических дел и поступков. К моральнополитических чувствам относятся патриотизм, любовь к Родине и другие.

3. Интеллектуальные чувства — переживания, возникающие в процессе познавательной деятельности человека. Интеллектуальные чувства сопровождают познавательную деятельность человека и стимулируют, усиливают ее, влияют на скорость и продуктивность мышления, на содержательность и точность полученных знаний. К интеллектуальным чувствам относятся удивление, любопытство, любознательность, чувство радости по поводу сделанного открытия, чувство сомнения в правильности решения, чувство уверенности в правильности доказательства — является свидетельством взаимосвязи интеллектуальных и эмоциональных процессов. Интеллектуальныечувства выступают как своеобразный регулятор умственной деятельности.

4. Эстетические чувства — эмоциональное отношение человека к прекрасному в природе, в жизни людей и в искусстве. Эстетическое отношение проявляется через разные чувства: восторг, радость, презрение, отвращение, тоску, страдание и другие.

5. Праксические чувства — эмоциональный отклик на все богатство и разнообразие человеческой деятельности, достигающей различного уровня сложности и обладающей различной значимостью для человека. Праксические чувства— эмоционального отношение к разнообразным формам деятельности человека. Эти чувства характеризуются различным содержанием и различной степенью интенсивности переживания: от небольшой заинтересованности деятельностью до очень большой увлеченности процессом деятельности. Различия в сфере праксических чувств определяются характером (положительным или отрицательным) эмоциональной окраски осуществляемой деятельности.

Переживания, возникающие в процессе деятельности, имеющие свои характерные особенности, эмоционально видоизменяются от того, что они переосмысливаются в связи с осознанием роли данной деятельности для общества, с осознанием своего участия в этой деятельности.

Для содержания и характера, возникающих праксических чувств очень большую роль играет значимость для человека той деятельности, которую он осуществляет, с чем связывает ее для себя в отношении жизненных целей и планов, своих социальных запросов. Объект праксических чувств являются такие формы человеческой деятельности: труд, учение, спорт, игра.

Труд — основа существования человека, и среди высших чувств важное место занимает положительное эмоциональное отношение к труду: переживание его как сложного, но необходимого дела, как источника бодрости при встрече с препятствиями, как чувства радости от успешного завершения. Эти явления относятся к праксическим чувствам.

В сфере праксических чувств выделен тот вид чувств, который связан с творческим трудом. Он имеет ряд своеобразных черт: творческие чувства новатора производства, изобретателя, ученого, педагога, общественного деятеля, художника, писателя, шахматиста, актера и т. д.

К высшим проявлениям чувств относится страсть— вид сложных, качественно своеобразных и встречающихся только у человека эмоциональных состояний. Страсть — сплав эмоций, мотивов, чувств, сконцентрированных вокруг определенного вида деятельности или предмета.

Высшие чувства выражают духовный мир человека и выявляют его личность. Объекты высших чувств — это явления окружающей человека социальной действительности в широком смысле слова. Поступки людей и характер взаимоотношений между людьми, группами и целыми народами, предметы человеческой культуры, произведения искусства, учрежденные людьми законы, правила общежития, многообразные виды человеческой деятельности — все это может вызвать эмоциональный отклик, который имеет свои своеобразные качества.

Одно из ведущих чувств зрелого человека — чувство долга. Основу его составляет понимание и переживание потребностей общества. Это чувство переживается и при сознании необходимости действовать в интересах того узкого коллектива, в котором живет и работает человек: семьи, школы, предприятия, бригады, цеха и т. д. Человек знает и понимает, в чем заключаются его общественные обязанности, и переживает необходимость их выполнения, испытывает чувство стыда при уклонении от них.

Важное моральное чувство — любовь. Это чувство, связывающее мужчину и женщину, может характеризоваться многолетней длительностью и многообразной палитрой переживаний, включающей в себя и нежность, и заботу, и радость от совместного пребывания, и тоску при расставании и т. д.

Функции эмоций.

Мотивационнорегулирующая функция (Функция мобилизации) заключается в том, что эмоции участвуют в мотивации поведения человека, могут побуждать, направлять и регулировать. Эмоции могут заменять собой мышление в регуляции поведения.

Возникновение положительных эмоций усиливает потребности, а отрицательных — снижает их интенсивность.

Эмоции открывают человеку и окружающим истинные мотивы. Во время осуществления деятельности динамика эмоций сигнализирует об ее успешности или препятствиях.

Мобилизующая функция эмоций проявляется на физиологическом уровне: выброс в кровь адреналина при эмоции страха повышает способность к бегству, а понижение порога ощущения, как составляющая эмоции тревоги, помогает распознать угрожающие стимулы. Феномен «сужения сознания», который наблюдается при интенсивных эмоциональных состояниях, заставляет организм сосредоточить все усилия на преодолении негативной ситуации.

Функция компенсации информационного дефицита. Эмоции обладают совершенно экстраординарным значением в функционировании живых организмов и не заслуживают того, чтобы их противопоставляли «интеллекту». Эмоции сами представляют высший порядок интеллекта. Эмоция является своеобразным «запасным» ресурсом для решения задач. Возникновение эмоций как механизма, компенсирующего дефицит информации, объясняет гипотеза П. В. Симонова.

Коммуникативная функция заключается в том, что эмоции, точнее, способы их внешнего выражения, несут в себе информацию о психическом и физическом состоянии человека. Благодаря эмоциям люди лучше понимают друг друга.

Сигнальная функция. Жизнь без эмоций невозможна. Эмоционально-выразительные движения (мимика, жесты, пантомимика) выполняют функцию сигналов о том, в каком состоянии находится система потребностей человека.

Защитная функция выражается в том, что, возникая как моментальная, быстрая реакция организма, может защитить человека от опасностей.

Функция оценки. Эмоция дает возможность мгновенно оценить смысл изолированного раздражителя или ситуации для человека. Эмоциональная оценка предшествует развернутой сознательной переработке информации и поэтому как бы «направляет» ее в определенное русло.

Функция дезорганизации. Интенсивные эмоции способны нарушить эффективное протекание деятельности. Аффект оказывается полезен, когда человеку необходимо полностью мобилизовать свои физические силы.

Личность и чувства. Роль чувств в самосознании и самопознании.

Чувства человека составляют неотъемлемую часть его личности и сами имеют значение для становления его личности, для приобретения им известных качеств и черт.

Человек познает свои возможности в умственной деятельности, в работе памяти, в полете фантазии на основе тех актов и операций, которые он систематически осуществляет в сфере мышления, памяти и воображения. Благодаря такой деятельности он убеждается в том, на что он способен, в какой мере ему присущи те или другие качества ума, памяти и т. д. Процесс самопознания происходит и на основе переживания человеком ряда различных чувств.

Переживание чувства возникает как невольная эмоциональная реакция человека на то или иное происшествие, событие.

Возникшее сильное переживание по определенному поводу изменяет самого человека, может открыть самому человеку, что в мире для него существуют такие ценности, которые, как ему казалось, были для него безразличны, а на самом деле они для него значимы. На основе возникших переживаний человек лучше понимает, к чему он не безразличен, для него обнаруживаются отчетливо его собственные пристрастия и интересы, выявляет нечто новое для него в самом себе.

Многообразие испытанных переживаний, их содержание, сила выявляют некоторые присущие человеку качества личности: слабую или сильную эмоциональную восприимчивость к различному роду воздействиям, большую или малую эмоциональную заразительность и т. д.

На основе испытанных переживаний и изменений жизненного опыта человек начинает по-иному осознавать себя. А это влечет за собой некоторые сдвиги в его самосознании, самооценке и самоуважении.


Узнать еще:

Определение и классификация эмоций | Шпаргалка к написанию экзаменов


Обычно эмоцию определяют как особый вид психических процессов, которые выражают переживание человеком его отношения к окружающему миру и самому себе. Особенность эмоций состоит в том, что они в зависимости от потребностей субъекта непосредственно оценивают значимость действующих на индивид объектов и ситуаций. Эмоции выполняют функции связи между действительностью и потребностями.

По классификации эмоциональных явлений А.Н. Леонтьева выделяется три вида эмоциональных процессов: аффекты, собственно эмоции и чувства.

Аффекты — это сильные и относительно кратковременные эмоциональные переживания, сопровождающиеся резко выраженными двигательными и висцеральными проявлениями. У человека аффекты вызываются как биологически значимыми факторами, затрагивающими его физическое существование, так и социальными, например мнением руководителя, его отрицательной оценкой, принятыми санкциями. Отличительной особенностью аффектов является то, что они возникают в ответ на уже фактически наступившую ситуацию.

Собственно эмоции в отличие от аффектов представляют собой более длительно текущее состояние, иногда лишь слабо проявляются во внешнем поведении.

Третий вид эмоциональных процессов — это так называемые предметные чувства. Они возникают как специфическое обобщение эмоций и связаны с представлением или идеей о некотором бъекте, конкретном или отвлеченном (например, чувство любви к человеку, к родине, чувство ненависти к врагу и т.д.). Предметные чувства выражают устойчивые эмоциональные отношения.

Особое место среди эмоциональных явлений занимают так называемые общие ощущения. Так, П. Милнер считает, что, хотя и принято отличать эмоции (гнев, страх, радость и т.п.) от так называемых общих ощущений (голод, жажда и т.д.), тем не менее в них обнаруживается много общего и их разделение достаточно условно. Одна из причин, по которой их различают, — разная степень связи субъективных переживаний с возбуждением рецепторов. Так, переживание жары, боли субъективно связывается с возбуждением определенных рецепторов (температурных, болевых). На этом основании подобные состояния обычно и обозначают как ощущения. Состояние же страха, гнева трудно связать с возбуждением каких-либо рецепторных поверхностей, поэтому их относят к эмоциям. Другая причина, по которой эмоции противопоставляются общим ощущениям, состоит в нерегулярном их появлении. Эмоции часто возникают спонтанно и зависят от случайных внешних Факторов, тогда как голод, жажда, половое влечение следуют с определенными интервалами.

Функции эмоций

Исследователи, отвечая на вопрос о том, какую роль играют эмоции в жизнедеятельности живых существ, выделяют несколько регуляторных функций эмоций: отражательную (оценочную), побуждающую, подкрепляющую, переключательную, коммуникативную.

Отражательная функция эмоций выражается в обобщенной оценке событий. Эмоции охватывают весь организм и представляют почти мгновенную и интегральную оценку поведения в целом, что позволяет определить полезность и вредность воздействующих на человека факторов еще до того, как будет определена локализация вредного воздействия. Примером может служить поведение человека, получившего травму конечности. Ориентируясь на боль, он немедленно находит такое положение, которое уменьшает болевые ощущения.

Эмоция как особое внутреннее состояние и субъективное переживание выполняет функцию оценки обстоятельств ситуации. На основе возникшей потребности и интуитивного представления 0 возможностях ее удовлетворения. Эмоциональная оценка отличается от осознанных когнитивных оценочных операций ума, она выполняется на чувственном уровне.

Предвосхищающие эмоции успешно изучались в составе мыслительной деятельности при решении творческих задач (шахматных). Эмоции предвосхищения связаны с появлением переживания догадки, идеи решения, которая еще не вербализована.

П.В. Симонов выделяет у эмоций подкрепляющую функцию. Известно, что эмоции принимают самое непосредственное участие в процессах обучения и памяти. Значимые события, вызывающие эмоциональные реакции, быстрее и надолго запечатлеваются в памяти. Так, у сытой кошки нельзя выработать условные пищевые рефлексы. Для успешного обучения необходимо наличие мотивационного возбуждения, в данном случае отражающегося в чувстве голода. Однако соединения индифферентного раздражителя с голодовым возбуждением еще недостаточно для выработк условных пищевых рефлексов. Требуется третий компонент — воздействие фактора, способного удовлетворить существующую потребность, т.е. пищи.

Переключательная функция эмоций состоит в том, что они часто побуждают человека к изменению своего поведения.

Переключательная функция эмоций наиболее ярко обнаруживается в экстремальных ситуациях, когда возникает борьба между естественным для человека инстинктом самосохранения и социальной потребностью следовать определенной этической норме. Конфликт потребностей переживается в форме борьбы между страхом и чувством долга, страхом и стыдом. Исход зависит от силы побуждений, от личностных установок субъекта.

Важной функцией эмоций является коммуникативная функция. Мимика, жесты, позы, выразительные вздохи, изменение интонации являются «языком человеческих чувств» и позволяют человеку передавать свои переживания другим людям, информировать их о своем отношении к явлениям, объектам и т.д.

Классификация эмоций — Студопедия

Существует множество различных классификаций эмоций у человека. Они могут различаться по силе переживания, по влиянию их на жизнедеятельность и по содержанию. В основе другой классификации лежат два признака: длительность и степень выраженности того ияи иного чувства. В зависимости от этого различают настроение, страсть и аффект.

Настроением называется длительное эмоциональное состояние, не достигающее значительной интенсивности и не имеющее существенных колебаний в течение достаточно длительного периода. Период продолжительности настроения может быть различным — от 1/2-1 часа до нескольких дней и даже недель. При этом на всем протяжении данного настроения имеет имеет место довольно постоянный основной эмоциональный тон — либо отрицательный, либо положительный. Как основной чувственный тон, так и легкость, с которой развивается то или иное настроение, его длительность зависит и от характера раздражителей, и от особенностей нервной системы человека. Наиболее продолжительными, а вместе с тем и стойкими бывают такие настроения, которые связаны у человека с причинами социально-исторического порядка.

Например, настроение напряженного ожидания, максимальной концентрации духовных и физических сил сопутствовало всему периоду Великой Отечествнной войны 1941-1945 гг. Заметные изменения настроения советских людей происходили лишь в дни замечательных побед нашей армии или же были связаны с достижениями в труде десятков миллионов людей, ковавших победу в тылу. Резкий перелом в настроении совершился в то время, когда началось победное наступление по всему фронту. Наконец, День победы был отмечен всеобщим ликованием народа. Люди, пережившие эту войну, указывают, что за победой последовали недели и целые месяцы, когда, проснувшись утром, они ощущали подъем сил, неизменную бодрость, прилив энергии и другие чувства — обязательные признаки всякого положительного, хорошего настроения.

Страсть — достаточно длительная и одинаково достаточно интенсивная эмоция, имеющая для человека определенную значимость. Сильная и продолжительная страсть может касаться удовлетворения и высших и низших потребностей человека. Страсть, как правило, определяется и наличием элементов воли в своей психологической структуре, и ясно выраженной целеустремленностью. Она способна и организовать, и стимулировать деятельность человека. Та или иная страсть иногда определяет направление всей нашей жизни (страсть к определенному виду искусства, к спорту, в частности к тем его видам, которые требуют мужества и стойкости, предельного напряжения сил и упорства, например воздушный пилотаж, подводное плавание, альпинизм, парашютный спорт и т.п.).

Аффект — предельно выраженная, но кратковременная эмоция. Аффект представляет собой то исключение, когда возникшее чувство на короткое мгновение как бы ускользает от руководящего влияния рассудка. Причны аффекта — какие-нибудь сильные раздражители, хотя и действующие кратковременно. Поэтому аффект, в противоположность настроению, всегда конкретно направлен. Повышенная аффективность иногда бывает связана с предварительной астенизацией организма. Наблюдаются аффекты ярости, ревности, гнева, радости, горя и др. Аффект обычно сопровождается бурной двигательной реакцией, однако находящейся под контролем рассудка. Такой аффект носит название физиологического.

Ему противопоставляется патологический аффект, когда в ответ на довольно слабый раздражитель внезапно развивается бурная эмоциональная реакция, в такой степени, что на несколько секунд или минут глубоко помрачается сознание. Поэтому поступки человека, находящегося в состоянии патологического аффекта, носят нелепый характер, психологически необъяснимы. Выраженная вегетативная симптоматика наблюдается на протяжении всего времени патологического аффекта.

Кроме приведенного разделения наши чувства можно рассматривать с той точки зрения, насколько эмоция связана с волей и влияет на жизнедеятельность. В подобном аспекте чувства делятся на стенические и астенические (от греч. sthenos — сила). Те чувства, которые способствуют внутреннему подъему, появлению активности и придают человеку бодрость, энергию, уверенность в действиях, называются стеническими. Если же возникшая эмоция, переживание ослабляет или парализует волю, снижает жизнедеятельность и предрасполагает к пассивно-оборонительным действиям, ее следует отнести к разряду астенических.

Следовательно, страсть — это всегда стеническое чувство. Настроения и аффекты могут быть и астеническими, и стеническими.

Астенические и стенические чувства способны переходить одно в другое в зависимости от особенностей конкретной ситуации и качеств личности. Длительность их изменяется, так же как и интенсивность. В течение астенической или стенической эмоции возможны «срывы» в виде аффективных реакций, аффектов.

Наибольшее значение имеет разделение эмоций на высшие и низшие. Высшие (сложные) эмоции, или чувства, возникают в связи с удовлетворением общественных потребностей. Они появились в результате общественных отношений, трудовой деятельности. Различаются чувства интеллектуальные, моральные, эстетические и праксические. Последние связаны с процессом трудовой деятельности, с решением практических задач. Их разновидностью будут высшие эмоции, сопряженные с участием в спортивных играх и соревнованиях. Разумеется, деление высших человеческих чувств на чисто интеллектуальные и чисто праксические весьма условно.

Интеллектуальные чувства (от лат. intellectus — понимание, ум) возникают в процессе умственной деятельности: любознательность, радость открытия, сомнения в правильности решения задач и т.п.

Моральные чувства (от лат. moralis — нравственный) имеют социальную значимость, действенность, обусловлены мировоззрением и порождаются этическими нормами. К ним относятся: чувства симпатии и антипатии, любви и ненависти, долга и совести и т.п.

Эстетические чувства (от лат. aisthesis — чувственность) появляются при создании или восприятии прекрасного.

Праксические чувства (от лат. praxis — действие, деятельность) переживаются при любой трудовой деятельности — чувства успеха, удачи-неудачи и т.п.

Высшие эмоции, развиваясь на базе сознания, занимают по отношению к низшим господствующее положение, затормаживают инстинктивные порывы, подавляют низменные стремления. К высшим эмоциям относятся чувство патриотизма, морального, эстетического удовлетворения, личного достоинства, чувства долга, совести, осознание подавления одного из своих низших чувств и т.п.

Низшие (простые, элементарные) эмоции в отличие от высших вытекают из органических потребностей человека, основаны на инстинктах и являются их выражением. Среди низших эмоций выделяется группа витальных (от лат. vita — жизнь). Их относят к более глубоким и древним слоям эмоциональной сферы. Витальные эмоции связаны с жизненным тонусом и общим состоянием организма. К низшим эмоциям относится переживание удовольствия при ощущении сладкого, неудовольствия — горечи во рту; к витальным чувствам следует причислить голод и жажду (точнее, сопровождающие их эмоции), чувство самосохранения.

Другое разделение эмоций и чувств проводится на основании того, какое со стороны человека возникает отношение к объектам, явлениям внешнего иди внутреннего мира. Выделяются эмоции положительные, которые переживаются нами как удовольствие (родительское чувство, дружба), и отрицательные, появляющиеся в том случае, когда действительность не соответствует потребностям человека. Последние обычно приводят к пониженному настроению, иногда к раздражению и недовольству (чувство отвращения, антипатии, оскорбленного самолюбия, физической неполноценности и пр.).

В возникновении тех или иных чувств играют роль характер раздражителя и сама обстановка, в которой происходит контакт человека с эмоциогенным агентом. У детей в раннем возрасте эмоции возникают легко. Они нестойки и изменчивы, ребенок не в состоянии руководить ими.

Однако при соответствующих условиях разражители, как правило, вызывающие отрицательные эмоции, могут вызывать положительные чувства. Примером этому являются положительные эмоции на общение со змеями, воспитанные у шестилетней Аннет Эверс.

Весьма неустойчива эмоциональная жизнь подростков, что объясняется временной дисгармонией между корой и подкорковыми образованиями, свойственной периоду полового созревания. Обычно в этом периоде преобладает стеническая жажда деятельности, вера в себя и свои силы. Чувства острые, гамма их широка и разнообразна.

Но наибольшей сложностью отличаются эмоциональные переживания взрослого человека. В этом периоде жизни имеют огромное значение прошлый опыт, стойкая направленность личности, заинтересованность, соответствие раздражителей интеллекту, вкусам, профессии и т.п. Но нельзя не учитывать роль физиологических особенностей человека — типа нервной системы, в частности — баланса между корой и подкоркой. В связи с этим один и тот же эмоциогенный фактор у разных людей вызывает, как правило, реакции, разные как по внешнему проявлению, так и по их внутренним качествам.

Это можно видеть, например, если сравнить эмоции родственников тяжелобольного и его врача. Сложная гамма астенических отрицательных чувств, глубокое горе, иногда угрызения совести, самобичевание — все это и многое другое мы можем видеть в переживаниях родных и близких заболевшего. У врача, который научился владеть собой, в подобном случае должны преобладать стенические чувства; возникающие иногда отрицательные эмоции подавляются. В своих действиях, словах врач будет руководствоваться высшими чувствами, прежде всего стремлением помочь страдающему человеку, быть ему во всем полезным, желанием вселить бодрость, уверенность в благополучном исходе болезни, поддержать упавшие силы и настроение больного. При благополучном течении болезни у врача, естественно, появляется чувство выполненного долга, профессионального удовлетворения, гордости за медицинскую науку, у родственников — радостное настроение, рожденное картиной выздоровления родного, любимого человека, гибель которого переживалась бы как непоправимое несчастье.

В течение жизни взрослого человека имеют место изменения его эмоциональности. Год от года усложняются восприятие и осознавание происходящего, непрерывно пополняются запасы памяти, расширяются интеллектуальные возможности, интересы становятся вполне определенными, растут запросы, совершенствуются жизненные стереотипы и т.д. Все это ведет к тому, что степень сложности чувств растет. К раздражителям, которые ранее вызывали бурный аффект, человек теперь относится более спокойно — «срабатывают тормоза». С другой стороны, объекты чувств выбираются самим человеком более активно и вполне сознательно. В этом выборе, так же как и вообще в эмоциях взрослого человека, проявляются особенности его личности.

Эмоциональные особенности обусловлены типом высшей нервной деятельности — это эмоциональная возбужденность, импульсивность, аффективность, устойчивость, сила, темп, ритм, эмоциональный тонус.

Большая эмоциональная возбудимость сочетается с большой или слабой эмоциональной устойчивостью, в то время как слабая эмоциональная возбудимость сочетается с большой или слабой эмоциональной устойчивостью. Эмоциональные свойства личности могут проявляться в аффективности, впечатлительности, сентиментальности, страстности, холодности, добродушии, альтруизме, эгоизме и т.д.

Подобно нашим знаниям, восприятия, чувства забываются. И если знания можно освежить в памяти, восприятия подкрепить, то и чувства удается иногда «оживить» интеллектуальным усилием. В других случаях возникает обратная картина: несмотря на все доводы разума случайно возникшее чувство в дальнейшем становится весьма прочным. Иногда эмоции вообще появляются совершенно неожиданно для человека и на первый взгляд как будто бы и не связаны с раздражителем. О подобных переживаниях Н. Островский писал: «Чайковский открывает в моей душе такие итимные чувства, вызывает такие нежные мысли, о существовании которых я раньше и не подозревал». В определенных жизненных ситуациях человеку, как правило, свойственны и иллюзорные эмоциональные реакции.

Здоровый человек способен регулировать свои движения, действия и поступки. Значительно труднее научиться руководить собственными эмоциями. В связи с этим следует считать не всегда правильным выражение «власть над своими чувствами». Ибо можно воздержаться от тех или иных слов, жестов, движений — возможных последствий эмоций, проконтролировать предполагаемые действия, но сами чувства при этом не всегда исчезают.

Чувства украшают личность человека, делают ее привлекательнее и ярче. Наоборот, в наше время неестествен вид сухого формалиста и педанта, не проявляющего эмоциональных реакций в соответствующей обстановке. Эмоции обогащают нас, способствуют творческому подъему, интенсифицируют интеллектуально-мнестические процессы, способствуют стойкости внимания и т.п. Несомненно, что положительные чувства оказывают благоприятное влияние и на наш организм. Особенно это важно иметь в виду врачу, психологу, педагогу, долг которых — помогать человеку.

Хорошо известно благотворное действие некоторых эмоций на течение болезни, так же как и отрицательное, которое способно привести к осложнениям или переходу болезни в хроническую форму. В этом отношении представляют интерес многочисленные работы, специально посвященные изучению эмоциональной сферы у больных сердечно-сосудистыми заболеваниями, туберкулезом, различными вялотекущими инфекциями и др. Воспитание чувств больного — неотъемлемая часть работы врача и психодога, ибо она предполагает наиболее эффективное психотерапевтическое воздействие на его личность.

Обзор книги В.О. Леонтьева «Классификация эмоций»

Фрагменты текста книги

 

Любые вопросы, связанные с книгой, пожалуйста, высылайте по адресу [email protected]

 

Основная цель книги — построение классификации эмоций, решается в первых главах. Во второй половине книги рассматривается применение построенной классификации к описанию типов Юнга. В последнем разделе описываются недостатки типологии Юнга, и предлагается более точная типология на основе структуры поведенческого акта П.К. Анохина.

Вопрос о классификации эмоциональных состояний является одним из самых актуальных в психологии эмоций, также как вопрос о классификации поведенческих черт в теории личности. Несмотря на многочисленные попытки такой классификации в российской и западной психологии, ни одна из них не завершилась построением логически стройной системы, включающей в себя достаточно большое число эмоций. В большинстве случаев эти попытки приводили к разбиению всего множества эмоций на несколько групп с нечетко описанным содержимым и границами. Другой подход, наметившийся в американской психологии в последние годы, привел к классификации не более двух десятков эмоциональных состояний с помощью избыточно большого числа признаков.

О необходимости построения логически стройной классификации писали практически все ведущие психологи, занимавшиеся этим вопросом: П.В. Симонов, Г.А. Вартанян, В.К. Вилюнас, И.А. Васильев. В этой книге на основе небольшого числа признаков построена классификация, описывающая 52 эмоциональных состояния. Она имеет четкую доказательную основу и дает возможность для ее расширения.

Что дает такая классификация? Чтобы ответить на этот вопрос, нужно рассмотреть его в более широком контексте: что дает изучение психологии, вообще? У каждого мыслящего человека рано или поздно возникает потребность понять самого себя и окружающих. Очень часто люди совершают алогичные поступки, причин которых они не в состоянии понять. Девушка идет по улице. Она одинока и мечтает познакомиться с молодым человеком. И вдруг, на встречу появляется ОН, ее идеал, принц ее мечты. Что же она делает? Улыбается ему? Делает какие-то намеки на возможность знакомства? Нет. Она делает каменное, безразличное выражение лица, горделиво отводит взгляд в пустоту и, демонстративно не обращая на него внимания, проходит мимо. Потом она будет ругать себя за такое поведение, но в следующий раз поступит точно так же.

В чем тут дело? Что заставляет даже неглупых людей совершать абсурдные поступки? Ответ очень прост — это неадекватные эмоции. Вспомните фильм , в котором главный герой совершает из-за любви череду безумных поступков, приведших его, в конце концов, на каторгу. Что им двигало? Разум? Нет, им руководили только эмоции. Так, может быть, эмоции вредны и не нужны современному человеку? Конечно, нет. Эмоции заставляют людей совершать чудеса и выходить победителями из самых безнадежных ситуаций. Эмоции окрашивают всю нашу жизнь, делают ее прекрасной и радостной. Но могут сделать мучительной и невыносимой. Эмоции подводят людей к последней черте и заставляют ее перешагнуть. Можно ли научиться руководить своими эмоциями? Можно ли научиться испытывать эмоции, адекватные ситуации? Можно. Но для этого нужно сначала понять, что же это такое — эмоция? Какие они бывают? Чем отличаются друг от друга? На какие поступки толкают? Именно на эти вопросы можно найти ответы в этой книге. Книга не является легким чтением. Она написана сухим научным языком и предназначена, прежде всего, специалистам. Но если вы сумеете разобраться в логике эмоций, научитесь их анализировать и понимать, что вами движет в данный момент, вам откроется удивительно гармоничный мир самопонимания. И не только самопонимания. Вы хотите добиться чего-то от другого человека? Вы хотите добиться от красивой девушки взаимности, от начальника повышения, от окружающих признания? Как это сделать? Есть разные пути, но самый простой и естественный путь это вызвать у них подходящую эмоцию, которая подтолкнула бы их к нужным вам поступкам.

В этой книге нет готовых рецептов, ее цель заключается в другом — понять основной принцип, объясняющий роль эмоций в жизни человека. Таблица Менделеева тоже не содержит технологии изготовления химических веществ, но только ее знание превращает мир химических элементов их хаоса в систему.

 

В книге решается проблема базовых эмоций. Это один из самых интересных вопросов в теории эмоций. Есть разные определения базовых эмоций. В основе определений К.Изарда, Плучека, П.Экмана лежат разные идеи, но их объединяет стремление, с одной стороны, выделить эмоции соответствующие некоторым фундаментальным физиологическим и психологическим процессам, а, с другой стороны, выделить небольшое количество эмоций, которые, объединяясь, давали бы все другие эмоции. Математической аналогией является понятие базиса векторного пространства. В книге выделяется набор из 8 эмоций, который удовлетворяет обоим требованиям к базовым эмоциям. Все разложения составных эмоций в сумму базовых имеют строгое логическое обоснование.

Специалисты, интересующиеся проблемой интеллектуальных эмоций, найдут в книге подход и к их классификации.

В книге содержится также, описание типологии Юнга и ее связь с эмоциональным миром человека. Если вы еще не знакомы с типологией Юнга, то вы найдете в ней простой и достаточно эффективный способ систематизации людей по их психическому устройству. Если вы уже хорошо ее освоили и постоянно ей пользуетесь в ежедневной жизни, то вы найдете в книге совершенно новый способ описания типов Юнга через эмоциональный спектр личности, связь типов Юнга с уровнем активации и силой торможения нервной системы, описание типов телосложения и многое другое.

В последней части книги делается анализ некоторых недостатков типологии Юнга. Прежде всего, это размытость и неточность некоторых понятий. В типологии Юнга противопоставляется логическое и эмоциональное в человеке. Но в психологии известно и другое противопоставление эмоционального и волевого. Оказывается, что оба эти противопоставления правомерны. Дело в том, что они проявляются на разных этапах поведенческого акта. Для более точного анализа структуры психики, рассматривается роль некоторых механизмов психики, описываемых типологией Юнга, на разных этапах поведенческого акта, описываемых схемой П.К. Анохина. Достаточно подробно описываются способы организации внимания человека и животных. Описывается влияние степени контроля человеком за эффективностью поведенческого акта, на поведение, так, что каждый читатель сможет определить свои параметры механизмов внимания и контроля.

 

Фрагменты текста книги

Оглавление.

 

Введение :::::::::::::::::::::::::4

Классифицирующие признаки ::::::::::::::::5

Первые три группы эмоций :::::::::::::::::11

Ведущие эмоции, возникающие на основе личных потребностей:::::::::::::::::::::::.11

Эмоции, связанные с личными нормами и правилами::::::.17

Эмоции, возникающие в результате соответствия-несоответствия

чьим-то или общественным стандартам, нормам, правилам::::21

Базовые эмоции::::::::::::::::::::::.25

Эмоции, возникающие в связи с чужими потребностями:::::.35

Эмоции, возникающие на основе взаимных отношений с

другими людьми:::::::::::::::::::::…38

Эмоции на основе презрения:::::::::::::::::42

Многомерная модель эмоций:::::::::::::::::46

Интеллектуальные эмоции::::::::::::::::::48

Спектр эмоций личности:::::::::::::::::::52

Связь с темпераментом и типологией Юнга:::::::::::52

Типология Юнга:::::::::::::::.:::::::.54

Описания типов Юнга. :::::::::::::::::::..60

Модифицированная типология Юнга:::::::::::::…71

 

 

 

Введение.

 

Человек в процессе жизнедеятельности испытывает множество самых раз-личных состояний: приятных, неприятных, интенсивных, едва заметных, дли-тельных, коротких. В психике есть различные механизмы, которые служат разным целям: результатом действия органов чувств являются ощущения теп-ла, боли, голода, жажды, зрительные образы, слуховые и т.д. Результатом действия механизма внимания является его концентрация и более высокая чувствительность восприятия одних объектов по сравнению с другими. Более высокая концентрация внимания сопровождается состояниями, описываемыми словами собранность, сосредоточенность. Отсутствие внимания описывается как рассеянность, расслабленность, невнимательность. Степень волевой концентрации описывается как напряженность или безволие и т.п. Усталость, бодрость, сонливость это физиологические состояния организма.

Среди этого многообразия нужно выделять эмоциональные явления. Они также, весьма различны. Есть слабые легко меняющиеся переживания, кото-рые могут возникать по самым незначительным поводам, это настроения. Есть длительные, устойчивые сложные состояния, включающие множество компо-нент: различного рода знаний, эмоций, намерений. Это чувства, такие как лю-бовь, дружба, ревность, счастье. Есть неосознанные эмоциональные состоя-ния, возникающие в результате сочетания определенных внешних условий и не зависящие от знаний человека об этих условиях. И есть собственно эмоции, осознанные состояния, возникающие в результате оценки человеком некото-рого события или явления относительно возможности применения этого явле-ния в каких-то своих целях или удовлетворения своих потребностей. Одна и та же эмоциональная модальность (вид эмоции) может быть настроением, не-осознанной эмоцией или эмоцией. Так у человека страх может возникать при виде некоторых насекомых, которые никогда не причиняли ему вреда, кото-рых он, может быть, никогда в жизни не видел, и к которым другие люди со-вершенно безразличны. Страх может возникнуть при внезапном быстром дви-жении какого-либо предмета или громком звуке. Это неосознанная эмоция, ко-торая, вероятно, объясняется специфической реакцией некоторых нейронов на внешний вид насекомого или на движение объекта. Эта реакция человеком не осознается и возникает независимо от его опыта и желания. Слабая форма страха может быть настроением и выражаться в виде необъяснимой тревож-ности. И, наконец, эмоция страха может возникать как осознанная реакция на опасность. Происхождение этого состояния в разных случаях различно, хотя феноменологически оно может ощущаться человеком одинаково.

Целью книги является анализ и классификации эмоций, точнее, тех когни-ций (знаний и соображений), которые лежат в основе возникновения всего многообразия эмоциональных состояний. О необходимости построения ло-гически стройной классификации писали практически все ведущие психологи, занимавшиеся этим вопросом: П.В. Симонов, Г.А. Вартанян, В.К. Вилюнас, И.А. Васильев. К сожалению, все делавшиеся попытки классификации, в луч-шем случае, приводили к разбиению всего множества эмоций на несколько групп с нечетко описанным содержимым. Другой подход, наметившийся в американской психологии в последние годы, привел к классификации не более двух десятков эмоциональных состояний с помощью избыточно большого числа признаков.

Каждый полноценный человек легко различает свои собственные эмоции. Ему не составляет труда различить свои эмоции гнева, гордости, надежды и т.д. друг от друга. Но объяснить, почему в конкретной ситуации у него возник гнев, а не страх или гордость человек может лишь в простейших случаях. На-шей задачей будет объяснение того, чем эмоции отличаются друг от друга. Причем это объяснение будет сделано с помощью небольшого числа приз-наков. Сначала нужно рассмотреть общие вопросы, причины возникновения эмоций и признаки, лежащие в основе классификации.

 

Классифицирующие признаки.

 

В русском, английском и других языках существует достаточно много слов обозначающих различные психические состояния, связанные с проявлением эмоций. В различных работах, в которых изучается вся совокупность эмоций, рассматриваются различные количества таких слов: от двух-трех десятков [ 2 ] до сотни. В [ 28 ] речь идет о 120 словах. Человек способен испытывать нес-колько эмоций и состояний одновременно, в результате чего возникают слож-ные эмоции, описываемые сложными языковыми конструкциями. Прежде чем заниматься классификацией всего этого многообразия, нужно ответить на два вопроса.

1.Все ли состояния, описываемые этими словами и языковыми конструк-циями, являются эмоциями и, следовательно, их нужно классифицировать?

2. Все ли реально существующие эмоции описываются используемыми в языке конструкциями?

Первый вопрос, по сути, совпадает с одним из фундаментальных вопросов, сформулированных в [ 26 ] : как отделить эмоции от других эмоционально окра-шенных состояний, настроений, аффектов, эмоциональных черт? Сейчас не ставится задача классифицировать все состояния, поэтому ограничимся лишь теми эмоциями, которые возникают в результате оценки человеком возмож-ности удовлетворения-неудовлетворения некоторой своей потребности или достижения — не достижения некоторой своей цели. Это близко к представ-лению об эмоции, как о психическом процессе оценивающем ситуацию и от-ношение организма к ней [ 6 ] . Пользуясь таким определением, уже не нужно рассматривать, например, такое состояние как рассеянность [ 2 ] , которое свя-зано с процессами концентрации внимания, а не с оценкой возможности дос-тижения цели. Также сейчас не будут рассматриваться такие понятия как любовь, ревность, счастье, ненависть и т.п., которые являются сложными социальными эмоционально-когнитивными комплексами. Не будем сейчас рассматривать и эмоциональный тон ощущений, который описывается сло-вами приятно-неприятно, удовольствие-неудовольствие. Например, боль это ощущение, а возникающий под ее воздействием эмоциональный тон ощущения называется страданием [ 15, стр. 43 ] .

В настоящее время, как утверждается в [ 21 ] , не существует общепринятой единой теории эмоций. Большое распространение получила потребностно-информационная теория П.В. Симонова, согласно которой возникновение эмо-ций определяется некоторой потребностью и оценкой возможности удовлетво-рения этой потребности. Это обычно выражается в виде структурной формулы

Э = F (П, И н — И с )

Э — сила эмоции и ее знак, П — величина потребности, И н — И с — оценка ве-роятности удовлетворения потребности на основе имеющегося опыта, И н — ин-формация о средствах объективно необходимых для удовлетворения потреб-ности, И с — информация о существующих средствах, которыми индивид реаль-но располагает. Согласно этой теории если существует избыток информации о возможности удовлетворения потребности, то возникает положительная эмо-ция, если недостаток информации, то отрицательная эмоция.Считается, что многообразие эмоций определяется многообразием потребностей.

Однако, даже не вдаваясь пока в подробный анализ, очевидно, что при удовлетворении любой от самой примитивной до самой сложной потребности можно испытать радость, а при неудовлетворении любой потребности можно испытать горе.В то же время, одна потребность, например, пищевая, может вызывать страх, если есть большая вероятность ее неудовлетворения (т.е. воз-можность голода), может вызывать надежду на ее удовлетворение, может вы-зывать благодарность за ее удовлетворение и т.д. Т.е. одна потребность может вызывать разные эмоции и одна эмоция может вызываться разными потреб-ностями. Более подробный анализ каждой эмоции будет проводиться в дальнейшем, но уже сейчас ясно, что модальность эмоции определяется не только видом потребности.Если быть более точным, то у объективного исследователя нет никаких оснований считать, что у всех людей радость от шашлыка совпадает или не совпадает с радостью от любви. Вполне может оказаться, что у одних людей это так, а у других не так. И, главное, трудно придумать способ объективной фиксации подобных ощущений. Для того чтобы избежать этих трудностей будет применен абстрактный подход к опре-делению эмоций, при котором вид удовлетворяемой потребности не будет влиять на эмоцию. Но об этом речь еще впереди.

Для целей классификации из теории Симонова будет взята идея о том, что эмоции связаны с оценкой возможности удовлетворения потребности. Инфор-мация о возможности удовлетворения потребности будет более подробно ана-лизироваться с помощью нескольких признаков, о которых речь впереди.

Эмоции выполняют много различных функций в психической деятель-ности человека. Опишем сейчас только одну, играющую важную роль для целей классификации. Эту функцию можно назвать упрощающей в процессе принятия решения о дальнейшем поведении человека в каждой конкретной си-туации. В реальных жизненных ситуациях действует множество факторов имеющих для человека значение. Если начать взвешивать все факторы логи-чески, то это потребует много времени, в то время, как промедление в некото-рых случаях может оказаться роковым. Эмоция же возникнув, заставляет че-ловека действовать не рассуждая. В критических ситуациях это может спасти жизнь, в ситуациях же обыденных эмоции часто оказываютя вредны именно потому, что мешают взвесить все обстоятельства и принять оптимальное ре-шение. Именно это и будем называть упрощающей функцией эмоций. Так страх заставляет или убегать или затаиться, гнев заставляет нападать, интерес заставляет исследовать ситуацию, надежда заставляет выжидать. В дальней-шем мы будем исходить из того, что каждая эмоция толкает человека на неко-торые действия, которые можно описать не вникая в частные детали ситуации. На этом будет основан один из классифицирующих признаков.

Классификация любого множества объектов означает разбиение его на не-пересекающиеся подмножества с помощью некоторого набора признаков. Чем больше признаков используется в классификации, тем мельче получаются подмножества. Идеальная цель любой классификации — выделение каждого элемента классифицируемого множества в качестве подмножества, с помощью минимального числа признаков.

С этой точки зрения рассмотрим классификацию В.К. Вилюнаса [ 9 ] , кото-рый делит эмоции на ведущие и ситуативные. Ведущие сигнализируют о не-удовлетворенности потребностей и побуждают к поиску целевого объекта. Си-туативные возникают в результате оценок этапов поведения и побуждают действовать либо в прежнем направлении, либо менять поведение. Ситуативные эмоции делятся на три группы: 1) констатируемый успех-неус-пех; 2) предвосхищающий успех-неуспех; 3) обобщенный успех-неуспех. Такая классификация, являясь, несомненно, полезной и выделяя существенные признаки эмоций, тем не менее, далека от достижения идеальной цели.

Симонов П.В. [ 19 ] классифицирует эмоции по характеру действий: пре-одоления, защиты, нападения. При этом он выделяет дополнительные оттенки по величине потребности вызывающей эмоцию и по оценке вероятности ее удовлетворения. Кроме того, П.В. Симонов рассматривает некоторые эмоции, являющиеся результатом возникновения двух эмоций одновременно: удоволь-ствия, отвращения, радости, горя, страха, гнева. Например, презрение он счи-тает результатом возникновения отвращения и гнева одновременно. Этот факт будем записывать в виде презрение = отвращение + гнев.

Для проведения классификации нужно выбрать некоторый набор призна-ков. К настоящему времени описано достаточно большое число признаков и характеристик эмоций. Вундт В. выделял три характеристики: 1) гедонический тон или знак эмоции, положительный или отрицательный; 2) готовность к действию, расслабление-напряжение; 3) уровень активации, спокойствие-воз-буждение. Шлосберг Г. говорил о такой характеристике, как принятие-оттал-кивание см. [ 27,стр.40 ] . Осгуд ввел понятие контроль-импульсивность. Изуча-лись также характеристики внимание-невнимание [ 29 ] , уверенность в себе-неуверенность [ 30 ] . Неэмоциональная активация, полюсами которой являются уверенность-растерянность, рассматривается в [ 13 ] .

В работе [ 34 ] делается еще одна попытка классификации. 17 эмоций опре-деляются различными сочетаниями 7 признаков: 1) ожидаемый-неожиданный; 2) последовательный-непоследовательный; 3) нерасположенный-желающий; 4) высокая вероятность-низкая вероятность; 5) высокий-низкий контроль; 6) характерный-нехарактерный источник проблемы; 7) связь проблемы с окружением или с личностью. В [ 36 ] эмоции радость, печаль, опасение, гнев, отвращение, позор, вина описываются с помощью меньшего числа измерений. Такое количество признаков уже само по себе требует классификации и ос-мысления. Из этого многообразия выберем сначала 3 бинарных признака.

1.Знак эмоции положительный (+) или отрицательный (-). Этот термин используется со времен Вундта. Под ним подразумевается гедонистический тон эмоции или субъективное ощущение приятное или неприятное. Изард [ 27,стр.20 ]

утверждает, что такие эмоции как гнев, страх стыд не могут быть однозначно отнесены к положительным или отрицательным. В одних ситуа-циях они могут ощущаться как полезные и, следовательно, как положитель-ные, в других как вредные и, следовательно, как отрицательные. Е.П. Ильин [ 15, стр.14 ] , еще более категорически утверждает, что понятие знака эмоции бессмысленно и вводит в заблуждение. Чтобы избавиться от такой неодно-значности, в соответствии с принятым здесь определением эмоции как состо-яния возникающего в связи с оценкой возможности достижения-недостижения цели, будем называть эмоцию положительной, если она возникает в связи с удовлетворением потребности или достижением цели, соответственно, отри-цательной в связи с неудовлетворением или не достижением. Это определение знака эмоции предлагается в [ 7 ] .Такое определение положительности-отрица-тельности, будучи очень близким к общепринятому, тем не менее отличается от него и дает возможность однозначно определять знак эмоций. При этом знак может иметь только два значения плюс или минус.

2. Время возникновения эмоции относительно события. По этому признаку эмоции делятся на предвосхищающие и констатирующие. Эти термины будем применять в том же смысле, что и В.К. Вилюнас. Предвосхищающие эмоции возникают до события связанного с достижением-не достижением цели, пред-шествуют ему и являются результатом оценки вероятности успеха-неуспеха, в соответствии со структурной формулой П.В. Симонова.

Констатирующие эмоции возникают после события связанного с достижением — не достижением успеха.

3. Направленность эмоций. По этому признаку выделяются эмоции направ-ленные на себя и направленные на внешние объекты, на других людей.
Для того чтобы более точно сформулировать этот признак, нужно еще раз рассмотреть упрощающую функцию эмоций. Эта функция заключается в том, что эмоции подготавливают организм к определенному действию в возникшей ситуации. Эмоции предназначены для разрешения универсальных жизненных затруднений, затруднительных положений [ 31 ] . В [ 32,р.202 ] говорится об общих адаптационных задачах, которые конфигурируются в основные темы. В [ 37 ] рассматриваются некоторые обобщенные ситуации, вызывающие эмоции: печаль — неудача в достижении цели, страх — ожидание неудачи в достижении цели, счастье — цель достигнута. П.Экман [ 25 ] говорит о том, что первичная функция эмоций заключается в мобилизации организма для быстрой реакции на ситуацию наиболее адекватным в прошлом способом.

Таким образом, каждая эмоция готовит человека к некоторому действию. Это действие может совершаться с внешним объектом или с самим человеком. Например, гнев нацеливает на устранение препятствия к достижению цели и, таким образом, направлен на внешний объект. Печаль подготавливает челове-ка обходиться без той цели, которой не удалось достигнуть, и направлена на себя.

В литературе есть подробный анализ и модели некоторых эмоций. Напри-мер, в [ 23 ] рассматриваются различные стили проявления эмоции гнева в зависимости от сильно или слабо выраженной физиологической компоненты, от силы переживания и от интенсивности поведенческого его выражения. В [ 38 ] вина рассматривается как проявление диссонанса в смысле Л.Фестингера. Трудно совместить столь различные подходы. Целью предлагаемой классифи-кации является попытка рассмотрения многообразия эмоций с единой точки зрения.

Комбинируя три описанных бинарных признака можно получить лишь 8 различных вариантов. Введем 4-й признак, который бинарным не является.

Этот признак описывает группы эмоций по источнику их происхождения.

1).Эмоции, связанные с удовлетворением-неудовлетворением личных потребностей человека. Это, по сути, совпадает с ведущими эмоциями В.К. Вилюнаса.

2).Эмоции, возникающие в результате сравнения некоторого объекта, са-мого себя или своих действий со своими же нормами, стандартами, правила-ми, убеждениями.

3).Эмоции, возникающие в результате сравнения объекта с общественными правилами и нормами.

4).Эмоции, возникающие в связи с потребностями других людей.

5).Эмоции, возникающие в результате взаимных отношений с другим чело-веком.

6).Эмоции, возникающие на основе презрения.

Сочетанием 4-х приведенных признаков можно описать 48 качественно различных эмоции. Если учесть количественные отличия между родствен-ными эмоциями, то их число значительно возрастает. Такое разбиение на группы аналогично классификации Б.И. Додонова [ 15, стр.134 ] .

В [ 4 ] критикуется естественнонаучный подход к изучению эмоций. Форму-лируется проблема выделения связей и отношений, доказательства их сущест-вования или нет. Ставится проблема метода изучения эмоций. В [ 20 ] ут-верждается, что любая теория эмоций должна предложить теоретический принцип классификации. Именно такой теоретический принцип в этой книге и предлагается.

В предлагаемой классификации методом анализа эмоций является переход к изучению ситуаций, в которых эмоции возникают. При определении отдель-ных эмоций, в наиболее общем виде описывается ситуация, в которой она воз-никает. После этого классифицируются ситуации и соответствующие им эмо-ции. Связи между эмоциями оказываются тождественными связям между си-туациями. Например, если окажется, что некоторой сложной эмоции соответ-ствует сложная ситуация, состоящая из нескольких простых ситуаций, кото-рым соответствуют простые эмоции, то делается вывод, что сложная эмоция состоит из простых эмоций.

Для наглядности, классифицируемые эмоции будем располагать в верши-нах кубов. Каждый куб соответствует различным источникам эмоций (4-й признак). Вертикальное ребро куба соответствует знаку эмоции. На верхней грани располагаются положительные эмоции, на нижней грани отрицательные эмоции (1-й признак). Горизонтальные ребра куба, параллельные плоскости рисунка, соответствуют времени возникновения эмоции (2-й признак). На ле-вой грани располагаются предвосхищающие, на правой грани констатиру-ющие эмоции. Ребра куба перпендикулярные плоскости рисунка соответству-ют направленности эмоции (3-й признак). На передней грани находятся эмо-ции направленные на себя, на задней грани направленные на объект.

 

Первые 3 группы эмоций.

 

Прежде чем начать описания конкретных эмоций нужно сделать одно су-щественное замечание. Целью дальнейших описаний является не определение эмоций, а подбор названий эмоций, наиболее точно удовлетворяющих набору классифицирующих признаков. Например, при анализе эмоции горя будет сде-лан вывод, что это констатирующая, отрицательная, направленная на себя эмоция, возникающая в связи с личными потребностями. Это нужно понимать так, что для констатирующей, отрицательной, направленной на себя эмоции, возникающей в связи с личными потребностями, наиболее точно подходит название . После приписания каждой эмоции четырех классифициру-ющих признаков, этот набор признаков становится ее определением, после чего под термином понимается не то, что феноменологически каждый человек себе представляет, а эмоция, обладающая указанным набором приз-наков. При этом, однако, окажется, что все формально возможные сочетания признаков будут определять некоторую эмоцию, о которой каждый цивилизо-ванный человек имеет представление.

Ведущие эмоции,

возникающие на основе личных потребностей.

 

Горе.

В [ 27 ] в качестве основной эмоции рассматривается страдание, а горе счи-тается комбинацией эмоций и аффективно-когнитивных структур. При этом отмечается, что страдание может возникать при чрезмерном уровне стимуля-ции громким звуком, болью, холодом и т.п., стр.252. Т.к. эмоция должна воз-никать в связи с некоторой потребностью, то страданием будем называть эмо-циональный тон ощущений, как это делается в [ 15, стр.43 ] . Под термином будем подразумевать только эмоцию, тем самым несколько сужая бы-товой смысл этого слова.

Основным источником горя является утрата материальных объектов, прив-лекательных качеств в себе самом (способностей, самоуважения), отношений с другими людьми. Общим фактором для всех психологических причин горя яв-ляется ощущение потери чего-либо ценного [ 27,стр.268 ] . Будем рассматри-вать горе как эмоцию, возникающую при утрате некоторой ценности, способа удовлетворения некоторой потребности. Горе возникает после того как про-изошло неприятное событие (утрата), поэтому оно должно находиться на пра-вой грани куба эмоций.

 

Рис.1. Эмоции, возникающие на основе личных потребностей.

Верхняя грань — положительные эмоции.

Нижняя грань — отрицательные эмоции.

Левая грань -предвосхищающие эмоции.

Правая грань -констатирующие эмоции.

Передняя грань — эмоции направленные на себя.

Задняя грань — эмоции направленные на объект.

Горе возникает как реакция на утрату возможности удовлетворения пот-ребности, на невозможность ее дальнейшего удовлетворения, поэтому оно должно находиться на нижней грани. Горе является переживанием утраты, подготавливает человека обходится без утраченного объекта, приводит к как можно более редкому вспоминанию травмирующего события или даже к его забыванию, и потому, направлено на себя, т.е. должно находиться на передней грани. Наконец, горе возникает в результате утраты возможности удовлетво-рения личной потребности. Эти четыре фактора полностью определяют поло-жение эмоции горя на кубе эмоций, как это показано на рис.1.

Перечислим некоторые оттенки эмоции горя и чувств, возникающих на его основе, отличающиеся по интенсивности, величине активации, степени готов-ности к действию и т.п.: печаль, грусть, тоска, сожаление, уныние, скорбь, огорчение.

 

Литература.

1. Аргайл М. (1990) Психология счастья. М. 2. Архипкина О.С.(1981) Реконструкция субъективного семантического пространства, означивающего эмоциональные состояния. Вестн. Моск. ун-та. Сер.14. Психология., №2

3. Васильев И.А, Поплужный В.Л., Тихомиров О.К. Эмоции и мышление. М., 1980.

4. Васильев И.А. (1992) Гуманитарная и естественнонаучная парадигмы в исследованиях эмоций. Психологический журнал, №6, т.13, с.80

5. Васильев И.А. Роль интеллектуальных эмоций в регуляции мыслительной деятельности // Психологический журнал. — 1998. — №4, С. 49-60.

6. Вартанян Г.А., Петров Е.С. (1989) Эмоции и поведение. Л. Наука.

7. Веккер Л.М. Психика и реальность: единая теория психических процессов. М .: Смысл ;Per Se,2000.

8. Виденеева Н.М., Хлудова О.О., Вартанов А.В. Эмоциональные характеристики звучания слов. Журн. Высш. Нервн. Деят. 2000, №1, т.50.

9. Вилюнас В.К. (1990) Психологические механизмы мотивации человека. М.

10. Гозман Л.Я. (1987) Психология эмоциональных отношений. М. МГУ.

11. Данилова Н.Н. Психофизиология. М: Аспект Пресс, 2000.

12. Данилова Н.Н., Крылова А.Л. Физиология высшей нервной деятельности. Феникс, 1999.

13. Данилова Н.Н., Онищенко В., Сыромятников С.Н., (1990)Трансформация семантического пространства терминов состояний под влиянием информационной нагрузки в условиях дефицита времени. Вест. Моск. Ун-та. Сер.14. Психология.№4,с.29-40

14. Ильин Е.П. Дифференциальная психология. СПб, Питер, 2001.

15. Ильин Е.П. Эмоции и чувства. Спб, Питер, 2001.

16. Муздыбаев К. Психология зависти. Психологический журнал, 1997, №6,3-11

17. Муздыбаев К Феноменология надежды. Психологический журнал, т.20, 1999, №3,с.18-27

18. Обозов Н.Н. (1990) Психология межличностных отношений.

19. Симонов П.В.(1981) Эмоциональный мозг. М. Наука.

20. Симонов П.В. Ответ профессору Б.И. Додонову. (Еще раз о потребностно-информационном подходе к изучению эмоций). Психологический журнал, 1983, №4, 119-133.

21. Симонов П.В. Мозговые механизмы эмоций. Журн. высш. нервн. деят., 1997, т.47, вып.2, с.320-328

22. Шмелев А.Г. Психодиагностика личностных черт. СПб, Речь,2002.

23. Bo¨ddeker I., Stemmler G.Who responds how and when to anger? Theassessment of actual anger response styles and their relation to personality С ognition and emotion, 2000, 14 (6), 737-762

24. Bowlby J. (1973) Attachment and Loss. Vol.2 Separation, anxiety and anger. New York. Basic Books. 25. Ekman P. Basic emotion. In T. Dalgleish and M. Power (Eds.). Handbook of Cognition and Emotion. Sussex, U.K.: John Wiley & Sons, Ltd., 1999.

26. Ekman P.,Davidson R.J. (Eds) (1994) The nature of emotion. Fundamental Questions. Oxford University Press.

27. Izard, C. E. (1977). Human Emotions. New York: Plenum Press. Пер. Изард К.Е. Эмоции человека М.1980

28. J. R.J. Fontaine; Y. H. Poortinga; B. Setiadi; S. S. Markam . Cognitive structure of emotion terms in Indonesia and The Netherlands. Cognition and Emotion. 2001, V.16,1,61-86

29. Frijda N.H., Phillipszoon E.(1963) Dimension of recognition of expression. Journal of abnormal and Social Psychology. 66,45-51

30. Frijda N.H.(1970) Emotion and recognition of emotion. In: Arnold M.B. (Ed) Feelings and Emotion. N.Y., Academic Press.

31. Johnson-Laird, P. N. & Oatley, K. (1992). Basic emotions: a cognitive science approach to function, folk theory and empirical study. Cognition and Emotion, 6, 201-223.

32. Lazarus, R. S. (1991). Emotion and Adaptation. New York: Oxford University Press.

33. Plutchik, R. (1962). The Emotions: Facts, Theories and a New Model. New

York: Random House.

34. Roseman I. J. Appraisal Determinants of Emotions: Constructing a More Accurate and Comprehensive Theory . Cognition & Emotion.V.10, №3, 1996

35. Scher, S. J., & Cooper, J. (1989). Motivational basis of dissonance: The singular role of behavioral consequences. Journal of Personality and Social Psychology, 56, 899-906.

36. Scherer K.R Р rofiles of Emotion-antecedent Appraisal: Testing Theoretical Predictions across Cultures. Cognition & Emotion, V. 11, №2, 1997

37. Stein, N. L. & Trabasso, T. (1992). The organization of emotional experience: creat-ing links among emotion, thinking and intentional action. Cognition and Emotion, 6, 225-244.

38. Stice Е . Т he similarities between cognitive dissonance and guilt: confession as a relief of dissonance. Current Psychology, 1992, Vol. 11 Issue 1, p69

39. Stotland E. (1969) The psychology of hope. San Francisco, Josey-Bass.

 

 

 

 

 

 


См. также

Эмоция

 


   RSS     [email protected] 

Классификация эмоций и чувств.

Многообразие форм проявления эмоций и чувств потребовало объединения их в класс. Эмоции могут различаться по модальности, интенсивности, генетическому происхождению, на основе эмпирического описания и т.д. наиболее распространенной классификацией эмоций является их различение на собственно эмоции, аффекты, настроение, страсть и стресс. Собственно эмоции носят длительный характер и выражают оценочное отношение человека к наличной или возможной ситуации, к своей деятельности, к своим поступкам.

Аффекты – это сильные кратковременные эмоциональные переживания, возникающие в условиях резкого изменения важнейших для человека обстоятельств. Аффект развивается в экстремальных условиях, когда человек не способен найти адекватный способ поведения в опасной сложной ситуации.

Настроение – устойчивое слабовыраженное состояние человека, носящее личностный характер выражения. Размытое общее состояние, определяющееся в зависимости от того, как складываются взаимоотношения человека, как он относится к событиям в собственной жизни.

Страсть – сильное, глубокое. Абсолютно доминирующее эмоциональное переживание, выражающееся в сосредоточенности и собранности сил, их направленности на достижение цели.

Стресс представляет собой особую форму эмоциональных переживаний, требующих от человека мобилизации всех сил. Он возникает в ситуациях угрозы, опасности, приводит к изменениям протекания психических процессов, к эмоциональным сдвигам, к трансформации мотивационной структуры.

В современной психологии наиболее популярной является классификация эмоций, предложенная немецким ученым К. Изардом. Он выделяет и описывает 10 базовых эмоций: интересы, удивление, страдание, радость, гнев, отвращение, презрение, стыд, вина, страх.

 Интерес определяется как состояние, способствующее приобретению знаний, навыков и умений, мотивирующих обучение.

Радость – состояние, обеспечивающее возможность удовлетворение актуальных потребностей.

Удивление обеспечивает подготовку субъекта к успешным действиям и к новым внезапным событиям.

Страдание – выражается в невозможности удовлетворения важнейших жизненных потребностей, характеризуется унынием, одиночеством, изоляцией и упадком духа.

Наиболее тяжелой формой страдания является горе.

Гнев характеризуется наличием отрицательной энергии, приводящей человека в состояние аффекта, и возникает в ответ на препятствие достижения страстно желаемых целей.

Отвращение возникает как переживание, связанное с рассогласование в сознании между значимыми для человека ценностями и теми предметами, которые этим ценностям не соответствуют.

Презрение тоже связано с рассогласованием между жизненными позициями и взглядами человека и позициями и взглядами объекта чувств.  Презрение возникает в межличностных взаимодействиях.

Страх – это переживание, связанное с предчувствием беды, фарактеризуется неуверенностью, полной незащищенностью.

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.

Стыд – состояние, выражающееся в осознании несоответствия помыслов и поступков, собственным представлением помыслов и поступков.

Вина – состояние, возникающее при совершении неадекватных действий и осознания того, что человек поступился собственными убеждениями.

Классификация чувств в психологии строится на отражении специфики отношений человека. Психологи выделяют три класса чувств: этический, интеллектуальный, эстетический.

Под этическими (нравственными) чувствами подразумевают те, которые испытывает человек при восприятии явлений действительности под углом зрения морали, выработанной либо человечеством, либо конкретным обществом. Объектом нравственных чувств являются отдельные люди, группы, коллективы. Чувства возникают в связи с тем, что в сознании реального человека все явления неотделимы от норм морали, правил и требований общества. К нравственным чувствам относятся любовь, гуманизм, патриотизм, отзывчивость, справедливость, достоинство и т.д.

Высшей формой проявления чувств является любовь к добру, а основной функцией  — регуляция поведения человека.

Интеллектуальные чувства порождаются познавательными отношениями человека к окружающей действительности. Предметом интеллектуальных чувств является как процесс приобретения знаний , так и результат. К интеллектуальным чувствам относится интерес, удивление, любознательность и т.д. Вершиной интеллектуальных чувств является обобщенное чувство любви к истине, которое становится движущей силой познания действительности. Эстетические чувства порождаются отношением человека к прекрасному и безобразному. Они проявляются в художественных оценках и вкусах при восприятии человеком окружающей действительности. При этом человек испытывает чувства диапазона, на одном полюсе которого находятся чувства наслаждения, восторга, а на другом – отвращения, безобразия.

Спектр чувств, к которым стремится человек, характеризует его индивидуальность, установки на определенные комплексы чувств являются важной составляющей направленности личности.

В отечественной психологии Додоновым В.И. были выделены десять таких комплексов чувств: 1) альтруистические – чувства, выраженные в потребности содействия, помощи, покровительства другим людям; 2) коммуникативные чувства – выражают стремление к общению; 3) глорические – связаны с потребностями в самоутверждении, славе; 4) праксические – с переживаемыми, вызываемыми успешностью или неуспешностью выполнения деятельности; 5) пугнические – с преодолением опасности, испытаниями в борьбе; 6) гностические – с получением информации; 7) эстетиеские – с гармонией во взаимоотношениях людей, с миром; 8) романтические – с необычными таинственными действиями; 9) гедонистические – с удовольствием и комфортом; 10) аккизитивные – с интересом к накоплению, коллекционированию.

Доминирующий комплекс определят тип личности.

Поможем написать любую работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту

Узнать стоимость

Классификация эмоций и чувств.

Классификация эмоций и чувств.

Многообразие форм проявления эмоций и чувств потребовало объединения их в класс. Эмоции могут различаться по модальности, интенсивности, генетическому происхождению, на основе эмпирического описания и т.д. наиболее распространенной классификацией эмоций является их различение на собственно эмоции, аффекты, настроение, страсть и стресс. Собственно эмоции носят длительный характер и выражают оценочное отношение человека к наличной или возможной ситуации, к своей деятельности, к своим поступкам.

Аффекты – это сильные кратковременные эмоциональные переживания, возникающие в условиях резкого изменения важнейших для человека обстоятельств. Аффект развивается в экстремальных условиях, когда человек не способен найти адекватный способ поведения в опасной сложной ситуации.

Настроение – устойчивое слабовыраженное состояние человека, носящее личностный характер выражения. Размытое общее состояние, определяющееся в зависимости от того, как складываются взаимоотношения человека, как он относится к событиям в собственной жизни.

Страсть – сильное, глубокое. Абсолютно доминирующее эмоциональное переживание, выражающееся в сосредоточенности и собранности сил, их направленности на достижение цели.

Стресс представляет собой особую форму эмоциональных переживаний, требующих от человека мобилизации всех сил. Он возникает в ситуациях угрозы, опасности, приводит к изменениям протекания психических процессов, к эмоциональным сдвигам, к трансформации мотивационной структуры.

В современной психологии наиболее популярной является классификация эмоций, предложенная немецким ученым К. Изардом. Он выделяет и описывает 10 базовых эмоций: интересы, удивление, страдание, радость, гнев, отвращение, презрение, стыд, вина, страх.

 Интерес определяется как состояние, способствующее приобретению знаний, навыков и умений, мотивирующих обучение.

Радость – состояние, обеспечивающее возможность удовлетворение актуальных потребностей.

Удивление обеспечивает подготовку субъекта к успешным действиям и к новым внезапным событиям.

Страдание – выражается в невозможности удовлетворения важнейших жизненных потребностей, характеризуется унынием, одиночеством, изоляцией и упадком духа.

Наиболее тяжелой формой страдания является горе.

Гнев характеризуется наличием отрицательной энергии, приводящей человека в состояние аффекта, и возникает в ответ на препятствие достижения страстно желаемых целей.

Отвращение возникает как переживание, связанное с рассогласование в сознании между значимыми для человека ценностями и теми предметами, которые этим ценностям не соответствуют.

Презрение тоже связано с рассогласованием между жизненными позициями и взглядами человека и позициями и взглядами объекта чувств.  Презрение возникает в межличностных взаимодействиях.

Страх – это переживание, связанное с предчувствием беды, фарактеризуется неуверенностью, полной незащищенностью.

Стыд – состояние, выражающееся в осознании несоответствия помыслов и поступков, собственным представлением помыслов и поступков.

Вина – состояние, возникающее при совершении неадекватных действий и осознания того, что человек поступился собственными убеждениями.

Классификация чувств в психологии строится на отражении специфики отношений человека. Психологи выделяют три класса чувств: этический, интеллектуальный, эстетический.

Под этическими (нравственными) чувствами подразумевают те, которые испытывает человек при восприятии явлений действительности под углом зрения морали, выработанной либо человечеством, либо конкретным обществом. Объектом нравственных чувств являются отдельные люди, группы, коллективы. Чувства возникают в связи с тем, что в сознании реального человека все явления неотделимы от норм морали, правил и требований общества. К нравственным чувствам относятся любовь, гуманизм, патриотизм, отзывчивость, справедливость, достоинство и т.д.

Высшей формой проявления чувств является любовь к добру, а основной функцией  — регуляция поведения человека.

Интеллектуальные чувства порождаются познавательными отношениями человека к окружающей действительности. Предметом интеллектуальных чувств является как процесс приобретения знаний , так и результат. К интеллектуальным чувствам относится интерес, удивление, любознательность и т.д. Вершиной интеллектуальных чувств является обобщенное чувство любви к истине, которое становится движущей силой познания действительности. Эстетические чувства порождаются отношением человека к прекрасному и безобразному. Они проявляются в художественных оценках и вкусах при восприятии человеком окружающей действительности. При этом человек испытывает чувства диапазона, на одном полюсе которого находятся чувства наслаждения, восторга, а на другом – отвращения, безобразия.

Спектр чувств, к которым стремится человек, характеризует его индивидуальность, установки на определенные комплексы чувств являются важной составляющей направленности личности.

В отечественной психологии Додоновым В.И. были выделены десять таких комплексов чувств: 1) альтруистические – чувства, выраженные в потребности содействия, помощи, покровительства другим людям; 2) коммуникативные чувства – выражают стремление к общению; 3) глорические – связаны с потребностями в самоутверждении, славе; 4) праксические – с переживаемыми, вызываемыми успешностью или неуспешностью выполнения деятельности; 5) пугнические – с преодолением опасности, испытаниями в борьбе; 6) гностические – с получением информации; 7) эстетиеские – с гармонией во взаимоотношениях людей, с миром; 8) романтические – с необычными таинственными действиями; 9) гедонистические – с удовольствием и комфортом; 10) аккизитивные – с интересом к накоплению, коллекционированию.

Доминирующий комплекс определят тип личности.

 Все с чем сталкивается человек в своей жизни, вызывает у него то или иное отношение. Определенное отношение человека проявляется даже к отдельным качествам и свойствам окружающих объектов. Сфера чувств включает в себя досаду и патриотизм, радость и страх, восторг и горе.

Чувства — это переживаемые в различной форме отношения человека к предметам и явлениям действительности. Человеческая жизнь невыносима без переживаний, если человек лишен возможности испытывать чувства, то наступает так называемый “эмоциональный голод”, который он стремится утолить, слушая любимую музыку, читая остросюжетную книгу и т.п. Причем для эмоционального насыщения нужны не только положительные чувства, но и чувства, связанные со страданием.

Самая развитая и сложная форма эмоциональных процессов у человека — это чувства, которые представляют собой не только эмоциональное, но и понятийное отражение.

Чувства формируются на протяжении жизни человека в условиях общества. Чувства, которые отвечают высшим социальным потребностям, называются высшими чувствами. Например, любовь к Родине, своему народу, своему городу, к другим людям. Они характеризуются сложностью строения, большой силой, продолжительностью, стабильностью, независимостью от конкретных ситуаций и от состояния организма. Таким примером является любовь матери к своему ребенку, мама может рассердится на ребенка, быть недовольной его поведением, наказать, но все это не влияет на ее чувство, которое остается сильным и относительно стабильным.

Сложность высших чувств определяется их комплексным строением. То есть они складываются из нескольких разных, а иногда и противоположных эмоций, которые как бы кристаллизуются на определенном предмете. Например, влюбленность — менее сложное чувство, нежели любовь, так как кроме влюбленности последняя предполагает нежность, дружбу, привязанность, ревность и другие эмоции, производящие не передаваемое словами чувство любви.

В зависимости от характера отношения человека к различным объектам социальной среды выделены основные виды высших чувств: моральные, праксические, интеллектуальные, эстетические.

Моральные чувства человек испытывает по отношению к обществу, другим людям, а также к самому себе, такие как чувство патриотизма, дружба, любовь, совесть, которые регулируют межличностные отношения.

Чувства, которые связаны с осуществлением человеком трудовой и других видов деятельности, называются праксическими. Они возникают в процессе деятельности в связи с ее успешностью или не успешностью. К позитивным праксическим чувствам относятся трудолюбие, приятная усталость, чувство увлеченности работой, удовлетворенность от выполненного дела. При преобладании негативных праксических чувств человек воспринимает труд как каторгу.

Определенные виды труда, учение, некоторые игры требуют интенсивной умственной деятельности. Процесс умственной деятельности сопровождается интеллектуальными эмоциями. Если они приобретают качества стабильности и устойчивости, они проявляются как интеллектуальные чувства: любознательность, радость открытия истины, удивление, сомнение.

Чувства, которые испытывает человек при восприятии и создании прекрасного в жизни и в искусстве, называются эстетическими. Эстетические чувства воспитываются через приобщение к природе, любование лесом, солнцем, рекой и т.п. Для того чтобы постичь законы красоты и гармонии детям полезно заниматься рисованием, танцами, музыкой и другими видами художественной деятельности.

На протяжении развития людей сформировалась особая форма психического отражения значимых объектов и событий — эмоции. Один и тот же объект или событие вызывает у разных людей различные эмоции, потому что у каждого свое, специфическое отношение.

Эмоции — это субъективные реакции человека на воздействия внешних и внутренних раздражителей, отражающие в форме переживаний их личную значимость для субъекта и проявляющиеся в виде удовольствия или неудовольствия.

В узком значении слова эмоции — это непосредственное, временное переживание какого-нибудь чувства. Так, если рассмотреть чувства, испытываемые болельщиками, на трибуне стадиона и спорту вообще (чувство любви к футболу, хоккею, теннису), то эти переживания нельзя называть эмоцией. Эмоции здесь будут представлены состоянием наслаждения, восхищения, которые испытывает болельщик, наблюдая хорошую игру.

Функции и виды эмоций

За эмоциями была признана важная положительная роль в жизни людей, и с ними стали связывать следующие положительные функции: Мотивационно-регулирующую, коммуникативную, сигнальную и защитную.

Мотивационно-регулирующая функция заключается в том, что эмоции участвуют в мотивации поведения человека, могут побуждать, направлять и регулировать. Иногда эмоции могут заменять собой мышление в регуляции поведения.

Коммуникативная функция заключается в том, что эмоции, точнее, способы их внешнего выражения, несут в себе информацию о психическом и физическом состоянии человека. Благодаря эмоциям мы лучше понимаем друг друга. Наблюдая за изменениями эмоциональных состояний, появляется возможность судить о том, что происходит в психике. Комментарий: люди, принадлежащие к разным культурам, способны безошибочно воспринимать и оценивать многие выражения человеческого лица, определять по нему такие эмоции, как радость, гнев, печаль, страх, отвращение, удивление. Это относится и к тем народам, которые вообще никогда не находились в прямых контактах друг с другом.

Сигнальная функция. Жизнь без эмоций так же невозможна, как и без ощущений. Эмоции, утверждал Ч. Дарвин, возникли в процессе эволюции как средство, при помощи которого живые существа устанавливают значимость тех или иных условий для удовлетворения актуальных для них потребностей. Эмоционально-выразительные движения (мимика, жесты, пантомимика) выполняют функцию сигналов о том, в каком состоянии находится система потребностей человека.

Защитная функция выражается в том, что, возникая как моментальная, быстрая реакция организма, может защитить человека от опасностей.

Установлено, что чем сложнее организовано живое существо, чем более высокую ступень на эволюционной лестнице оно занимает, тем богаче и разнообразнее гамма эмоций, которую оно способно переживать.

Характер переживания (удовольствие или неудовольствие) определяет знак эмоций — положительные и отрицательные. С точки зрения влияния на деятельность человека эмоции делятся на стенические и астенические. Стенические эмоции стимулируют деятельность, увеличивают энергию и напряжение сил человека, побуждают его к поступкам, высказываниям. Крылатое выражение: “готов горы свернуть”. И, наоборот, иногда переживания характеризуются своеобразной скованностью, пассивностью, тогда говорят об астенических эмоциях. Поэтому в зависимости от ситуации и индивидуальных особенностей эмоции могут по-разному влиять на поведение. Так, горе может вызвать апатию, бездеятельность у слабого человека, в то время как сильный человек удваивает свою энергию, находя утешение в работе и творчестве.

Модальность — основная качественная характеристика эмоций, определяющая их вид по специфике и особой окрашенности переживаний. По модальности выделяются три базовые эмоции: страх, гнев и радость. При всем многообразии практически любая эмоция является своеобразным выражением одной из этих эмоций. Тревожность, беспокойство, боязнь, ужас представляют собой различные проявления страха; злоба, раздражительность, ярость — гнева; веселье, ликование, торжество — радости.

К. Изард выделил следующие основные эмоции

Интерес (как эмоция) — положительное эмоциональное состояние, способствующее развитию навыков и умений, приобретению знаний.

Радость — положительное эмоциональное состояние, связанное с возможностью достаточно полно удовлетворить актуальную потребность, вероятность чего до этого момента была невелика или, во всяком случае, неопределенна.

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

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, чаще всего протекает в форме эмоционального стресса.

Гнев — эмоциональное состояние, отрицательное по знаку, как правило, протекающее в форме аффекта и вызываемое внезапным возникновением серьезного препятствия на пути удовлетворения исключительно важной для субъекта потребности.

Отвращение — отрицательное эмоциональное состояние, вызываемое объектами (предметами, людьми, обстоятельствами), соприкосновение с которыми (физическое взаимодействие, коммуникация в общении и пр.) вступает в резкое противоречие с идеологическими, нравственными или эстетическими принципами и установками субъекта. Отвращение, если оно сочетается с гневом, может в межличностных отношениях мотивировать агрессивное поведение, где нападение мотивируется гневом, а отвращение — желанием избавиться от кого-либо или чего-либо.

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

Страх — отрицательное эмоциональное состояние, появляющееся при получении субъектом информации о возможной угрозе его жизненному благополучию, о реальной или воображаемой опасности. В отличие от эмоции страдания, вызываемой прямым блокированием важнейших потребностей, человек, переживая эмоцию страха, располагает лишь вероятностным прогнозом возможного неблагополучия и действует на основе этого (часто недостаточно достоверного или преувеличенного прогноза).

Стыд — отрицательное состояние, выражающееся в осознании несоответствия собственных помыслом, поступков и внешности не только ожиданиям окружающих, но и собственным представлениям о подобающем поведении и внешнем облике.

Эмоции характеризуются также силой, продолжительностью и осознанием. Диапазон различий по силе внутреннего переживания и внешних проявлений очень велик для эмоции любой модальности. Радость может проявляться как слабая по силе эмоция, например, когда человек испытывает чувство удовлетворения. Восторг — эмоция большей силы. Гнев проявляется в диапазоне от раздражительности и негодования до ненависти и ярости, страх — от легкого беспокойства до ужаса. По продолжительности эмоции длятся от нескольких секунд до многих лет. Степень осознанности эмоций также может быть различной. Порой человеку трудно понять, какую эмоцию он испытывает и почему она возникает.

Эмоциональные переживания носят неоднозначный характер. Один и тот же объект может вызвать несогласованные, противоречивые эмоции. Это явление получило название амбивалентность (двойственность) чувств. Например, можно уважать кого-то за работоспособность и одновременно осуждать за вспыльчивость.

Качества, характеризующие каждую конкретную эмоциональную реакцию, могут сочетаться различным образом, что создает многоликие формы их выражения. Основные формы проявления эмоций — чувственный тон, ситуативная эмоция, аффект, страсть, стресс, настроение и чувство.

Чувственный тон выражается в том, что многие ощущения человека имеют свою эмоциональную окраску. То есть люди, не просто ощущают какой-либо запах или вкус, а воспринимают его как приятный или неприятный. Образы восприятия, памяти, мышления, воображения также эмоционально окрашены. А. Н. Леонтьев считал одним из существенных качеств человеческого познания феномен, который называл “пристрастностью” отражения мира.

Ситуативные эмоции возникают в процессе жизнедеятельности человека чаще всех других эмоциональных реакций. Их главными характеристиками считают относительно малую силу, кратковременность, быструю смену эмоций, малую внешнюю наглядность.

границ | Классификация эмоций на основе ЭЭГ с использованием глубокой нейронной сети и разреженного автоэнкодера

1. Введение

Интерфейс мозг-компьютер (BCI) напрямую связывает активность мозга человека (или животного) с искусственными эффекторами (Kübler et al., 2009), что обеспечивает интерактивный путь между человеческим мозгом и внешними устройствами для различных приложений. Процесс такого взаимодействия начинается с записи активности мозга посредством обработки и анализа сигналов для определения намерений пользователей (Tabar and Halici, 2016).Системы BCI и их различные реализации являются предметом постоянных исследований на протяжении десятилетий, и одним из наиболее привлекательных направлений исследований является распознавание эмоций из-за его потенциальных применений в многочисленных сценариях. Для обнаружения эмоций можно использовать как нефизиологические, так и физиологические сигналы. К нефизиологическим сигналам относятся изображения выражения лица (Lane et al., 1997), голосовые сигналы (Scherer, 1995) и жесты тела (Cheng and Liu, 2008). По сравнению с нефизиологическими сигналами физиологические сигналы могут быть обнаружены некоторыми носимыми устройствами, такими как электроэнцефалограмма (ЭЭГ) (Zheng, 2017), электромиограмма (Hiraiwa et al., 1989), электрокардиограмма (Agrafioti et al., 2012), кожно-гальваническая реакция, объемное давление крови и фотоплетизмограмма. Среди этих физиологических сигналов сигналы ЭЭГ широко используются для исследования распознавания эмоций (Chi et al., 2012; Huang et al., 2015; Li et al., 2016; Liu et al., 2018c). Эмоции, снятые с кожи головы несколькими электродами ЭЭГ, могут быть немедленно отражены сигналом ЭЭГ, как только субъект получает стимуляцию.

При классификации человеческих эмоций следует следовать двум общепринятым правилам, а именно дискретному описанию базовых эмоций и подходам измерения.Согласно дискретному подходу к описанию базовых эмоций, эмоции можно разделить на шесть основных эмоций: печаль, радость, удивление, гнев, отвращение и страх (van den Broek, 2013). Для размерного подхода эмоции можно разделить на два (валентность и возбуждение) или три измерения (валентность, возбуждение и доминирование) (Чжэн и Лу, 2015). Среди этих измерений валентность описывает уровень позитивности или негативности одного человека, а возбуждение описывает уровень возбуждения или апатии эмоций.Шкала доминирования варьируется от подчиненного (без контроля) до доминирования (уполномоченного). Распознавание эмоций обычно основано на подходе измерений из-за его простоты по сравнению с дискретным описанием базовых эмоций (Чжэн и Лу, 2015).

Ранние работы по распознаванию эмоций посредством анализа сигнала ЭЭГ можно проследить более чем 50 лет назад (Fink, 1969). Недавно было предложено много новых методов выделения и классификации признаков для обнаружения эмоций (Petrantonakis and Hadjileontiadis, 2010).Для выделения признаков обычно используются два типа признаков для анализа сигналов ЭЭГ: признаки во временной области и в частотной области. Функции во временной области фиксируют временную информацию о сигналах, такую ​​как фрактальная размерность (Hjorth, 1970), Hjorth и функции пересечения более высокого порядка (Petrantonakis and Hadjileontiadidis, 2010). Функции в частотной области могут извлекать полезную информацию с точки зрения частоты в разных диапазонах частот. Например, сигнал ЭЭГ можно разложить на диапазоны δ (1–3 Гц), θ (4–7 Гц), α (8–13 Гц), β (14–30 Гц) и γ (31–50 Гц). ) (Hjorth, 1970; Li and Lu, 2009; Petrantonakis and Hadjileontiadis, 2010; Nie et al., 2011), где из каждого из них можно извлечь признаки. Кроме того, другие функции, такие как Deep Forest (Zhou and Feng, 2017), статистические характеристики (SC), функция дифференциальной энтропии (DE) (Zheng et al., 2014), функция коэффициента корреляции Пирсона (PCC) (Lewis et al. ., 2007) и анализ основных компонентов (PCA) (Subasi and Gursoy, 2010) также используются для распознавания эмоций.

Тем временем для распознавания эмоций использовались различные методы классификации, такие как k-Nearest Neighbor (Bahari and Janghorbani, 2013), Multi-Layer Perceptron (Orhan et al., 2011). Wang et al. использовали машину опорных векторов (SVM) и линейную регрессию (LR). (2019), но точность распознавания можно повысить. В последние годы глубокие нейронные сети (ГНС) (Tripathi et al., 2017) превратились в один из наиболее эффективных и популярных методов во многих областях исследований (Fu et al., 2017; Liu et al., 2018a,b). , 2019; Луо и др., 2018). Сверточные нейронные сети (CNN) широко используются в компьютерном зрении, классификации изображений, визуальном отслеживании (Danelljan et al., 2016), сегментации и обнаружении объектов (Girshick et al., 2014). Классификация эмоций ЭЭГ с использованием метода CNN также исследовалась в подходах Tripathi et al. (2017). Каскадные и параллельные сверточные рекуррентные нейронные сети использовались для задач классификации движений человека по ЭЭГ (Zhang et al., 2018). Кроме того, перед применением CNN данные ЭЭГ можно было преобразовать в представление изображения после выделения признаков (Tabar and Halici, 2016). Однако точность распознавания эмоций с использованием только CNN невысока. В работе Zhang et al.(2017) для классификации эмоционального статуса ЭЭГ использовалась структура глубокого обучения, состоящая из разреженного автоэнкодера (SAE) и логистической регрессии. Для извлечения признаков использовался разреженный автоэнкодер, а для прогнозирования аффективных состояний применялась логистическая регрессия. SAE — это неконтролируемый алгоритм машинного обучения. Вычисляя ошибку между выходными данными SAE и исходными входными данными, можно реконструировать данные и извлечь полезные функции для задачи классификации. Однако точность этой работы невелика и нет сравнительных экспериментов для проверки работы САЭ.

В этой работе предлагается новая сетевая модель, объединяющая CNN, SAE и DNN для преобразования временных рядов ЭЭГ в 2D-изображения для хорошей производительности классификации эмоций. Сигнал ЭЭГ разбивается на несколько различных диапазонов. На основе информации о частоте, времени и местоположении 2D-функции извлекаются из данных ЭЭГ. Затем сверточные слои CNN обучаются и используются для дальнейшего извлечения признаков. SAE используется для восстановления данных, полученных из сверточных слоев, а DNN используется для классификации.По сравнению с другими подходами предложенная модель нейронной сети, которая использует преимущества сверточных слоев CNN и разреженности SAE, демонстрирует хорошую точность классификации и быструю сходимость. Процедура предлагаемого метода обобщена на рисунке 1. Исходные данные ЭЭГ предварительно обрабатываются, и функции извлекаются для модели глубокого обучения. После обучения и тестирования на модели получают окончательные результаты классификации.

Рисунок 1 . Процедура классификации эмоций в данной работе.

Остальная часть этой статьи организована следующим образом: предлагаемая модель нейронной сети представлена ​​в разделе 2. Наборы данных и экспериментальные результаты представлены в разделе 3. Раздел 4 подводит итоги работы и обсуждает будущую работу.

2. Платформа глубокого обучения

В этом разделе представлены основные принципы и основные сетевые модули. Новая модель также подробно представлена.

2.1. Сверточная нейронная сеть (CNN)

Особенности, извлеченные из исходных данных ЭЭГ, сначала отправляются в CNN.Модель CNN включает в себя несколько пар слоев объединения сверток и один выходной слой. Перед отправкой в ​​CNN функции объединяются в форму изображения, которое затем свертывается с помощью нескольких одномерных фильтров в слоях свертки. После слоя объединения данные дополнительно субдискретизируются для изображений меньшего размера. Сетевые веса и фильтры в слоях свертки изучаются с помощью алгоритма обратного распространения.

В наших экспериментах данные, извлеченные из сигнала ЭЭГ, относятся к четырем типичным диапазонам частот, которые включают диапазоны α (1–7 Гц), β (8–13 Гц), θ (14–30 Гц) и γ (30–45 Гц). Гц), используя полосовой фильтр Баттерворта.После этого данные преобразуются в двумерные функции, такие как PCC, которые являются входными данными для CNN. Подробные методы этой процедуры представлены в разделах 3.3 и 3.4. Стоит отметить, что двумерные характеристики содержат не только информацию о частоте, но и информацию о пространственном положении каждого электрода (Tabar and Halici, 2016). Для сохранения этой информации в данной работе вместо двумерной фильтрации применяется одномерная фильтрация.

Структура CNN относительно проста.Входной вектор представляет собой двумерную функцию, которая может быть задана как

. x=(x11x12…x1nx21x22…x2n…………xm1xm2…xmn),    (1)

, где м × n — форма входного вектора x . Входной двумерный объект свернут с фильтрами W k на сверточном слое, который определяется как

Wk=(W11W21…Wi1),    (2)

, где i — длина W k и i < м в уравнении (1).После свертки изображения формируется выходная карта и получается карта признаков на данном слое по

f(α)=f(Wk×x+bk),    (3)

Где W K K R R I × 1 — это весовая матрица и B K — это смещение, K обозначает фильтр, для K = 1, 2, …, n и n обозначает общее количество фильтраций в сверточном слое. Функция активации f , которая в этой работе представляет собой выпрямленную линейную единицу ( ReLU ).По сравнению с традиционными функциями активации нейронной сети, такими как sigmoid и tanh , ReLU более эффективно предотвращает исчезновение градиента. Функция ReLU определяется

f(α)=ReLU(α)=ln (1+eα),    (4)

, где α определяется уравнением (3). На уровне максимального объединения карта объектов подвергается понижающей выборке с помощью функции максимального объединения. Максимальный пул используется, потому что обнаружено, что максимальное значение из выбранных значений данной карты признаков может быть эффективно извлечено с помощью этой функции.

После последнего слоя пула следует полносвязный слой, в котором выходные данные из слоя пула выравниваются. После этого следуют полносвязные слои с именем DNN. В DNN функция активации каждого уровня также равна ReLU . Для выходного слоя, поскольку есть две задачи классификации, включая бинарную классификацию и многоклассовую классификацию, используются сигмовидных и softmax соответственно. Для задачи бинарной классификации в качестве оптимизатора используется Adadelta , а потери рассчитываются по бинарной кроссэнтропии, которая определяется как

. — результат выходного слоя, где используется сигмоид .Для многоклассовой классификации, такой как трехклассовая, в качестве оптимизатора используется Адам , а потери рассчитываются по категориальной кроссэнтропии, которая определяется как

. потеря=-∑n=1Nŷi1logyi1+ŷi2logyi2+ŷi3logyi3,    (6)

где n — количество образцов, y I 1 , y I I 2 , Y I 3 являются значениями этикетки, которая также является формой горячего кода, а ŷ i 1 , ŷ i 2 и ŷ i 3 — это три выхода выходного слоя, где используется softmax .Параметры в модели обновляются с использованием алгоритма обратного распространения. Вычисляется ошибка между желаемым выходом и фактическим выходом, и метод градиентного спуска применяется для обновления параметров, чтобы минимизировать ошибку. Функции для обновления веса и смещения показаны

. Wk=Wk-η∂E∂Wk,    (7) bk=bk-η∂E∂bk,    (8)

, где W k — весовая матрица, b k — смещение, а η — скорость обучения, E — ошибка. E равно потерям в уравнениях (5) и (6). Результаты, полученные из этой CNN, будут использоваться в качестве эталона для сравнения производительности в разделе 3.

2.2. Разреженный автоэнкодер (SAE)

Автоэнкодер — это сеть, включающая один входной, один скрытый и один выходной слой, которая используется для максимально возможного сохранения сути входных данных и устранения потенциального шума неконтролируемым образом. Поэтому выходные данные упрощаются, а важная информация из входных данных сохраняется, что полезно для классификации.

Структура автоэнкодера показана на рис. 2. Вся обработка данных делится на этапы кодирования и декодирования. На этапе кодирования размерность входных данных уменьшается на один слой. Когда декодированные данные поступают на скрытый слой, размерность входных данных становится равной количеству нейронов, предопределенных для этого слоя. Функция кодирования скрытого слоя, h , определяется как

. h=энкодер(x)=f(Wk×x+bk),    (9)

, где Wk∈R m×n — весовая матрица между входным слоем и следующим слоем.Как определено ранее в CNN, b k также является вектором смещения, а f представляет собой выходную функцию. Выходная функция, используемая в этой части, — ReLU , что аналогично активации CNN. В отличие от этапа кодирования, на этапе декодирования в выходных слоях должно быть установлено такое же количество нейронов, как и в слоях на этапе кодирования, чтобы гарантировать, что выходные данные имеют ту же размерность, что и входные данные. Функция декодирования показана

y=decoder(x)=g(Wk×x+bk),    (10)

, где Wk∈R n×m.После этапов кодирования и декодирования модель обучается, и параметры могут быть получены путем минимизации функции стоимости, которая определяется как

. мин∑|E(xi,yi)|,    (11)

, где y i — выходные данные, а x i — исходные входные данные. Когда сеть обучена, реконструируются выходные значения, форма которых равна форме входных данных. Параметры модели могут быть обновлены в соответствии с

Wk=Wk-η∂E(xi,yi)∂Wk,    (12) bk=bk-η∂E(xi,yi)∂bk,    (13)

, где η обозначает скорость обучения сети. E — ошибка в SAE. Для деталей оптимизатора и E они такие же, как и в разделе 2.1 в задаче бинарной классификации.

Рисунок 2 . Автоэнкодер включает в себя один входной, один скрытый и один выходной слой.

Чтобы увеличить обобщение сети и повысить эффективность обучения предложенной сети, в этой работе добавлено разреженное ограничение на активность скрытых представлений. Разреженное ограничение помогает подавить активацию нейронов в скрытом слое, а автоэнкодер может извлекать полезные функции.=1m∑i=1mfj(xi),    (16)

, где m обозначает количество выборок при объединении j в скрытом слое, а f j обозначает активацию скрытого нейрона j .

2.3. Комбинированный CNN-SAE-DNN

Сигнал ЭЭГ

весьма чувствителен к различным факторам во время регистрации, таким как влияние окружающей среды и эмоциональные колебания людей. Поэтому сигналы ЭЭГ могут смешиваться с разнообразными шумами, что, несомненно, повлияет на требуемые мозговые паттерны и результаты эксперимента.Кроме того, в некоторых экспериментах испытуемые не могли успешно выполнить задачу по сбору эмоций, и результаты экспериментов сильно отличались. Чтобы преодолеть эти проблемы, в этой работе предлагается структура сети глубокого обучения. Структура предлагаемой сети показана на рисунке 3.

Рисунок 3 . Предлагаемая сеть включает CNN, SAE и DNN; CNN и SAE используются для извлечения признаков, а DNN используется для классификации.

Как показано на рисунке 3, в предлагаемой сети структура CNN состоит из двух сверточных слоев и одного слоя максимального объединения. Dropout подключается к каждому сверточному слою. SAE состоит из одного уровня кодирования, одного скрытого и одного уровня декодирования. В DNN для классификации используются три полносвязных слоя. Учитывая особенности, такие как PCC для ввода предлагаемой сети, вывод слоя максимального пула используется в качестве ввода для SAE. Наконец, выходные данные SAE используются в качестве входных данных DNN для классификации.

Процедура обучения заключается в том, что CNN с одним полносвязным выходным слоем обучаются в течение нескольких эпох с использованием всех выборок и всех признаков, а выходной слой после обучения отбрасывается. Затем, отправляя функции на вход обученной CNN, можно получить выходные данные слоя максимального объединения. Выходные данные сводятся к одномерным данным и устанавливаются в качестве входных данных SAE. После неконтролируемого изучения SAE данные реконструируются. Восстановленные данные делятся для обучения и тестирования в DNN, т.е.е., CNN и SAE обучаются отдельно. Таким образом, до того, как данные будут классифицированы в DNN, обучение CNN и SAE можно рассматривать как часть выделения признаков. Следует отметить, что DNN, используемая для окончательной классификации, не является полносвязным выходным слоем, от которого отказались от CNN на первом этапе. DNN никогда не обучается до тех пор, пока выходные данные SAE не будут получены в качестве входных данных для DNN.

Другая CNN с теми же параметрами и структурой, что и вся предлагаемая сеть, устанавливается для сравнения, чтобы объективно проверить производительность предлагаемой сети.При добавлении дополнительных слоев в эту CNN точность не улучшается и приводит к проблеме переобучения. Для экспериментов с этой CNN функции делятся непосредственно на 80% для обучения и остальные для тестирования.

3. Наборы данных и эксперименты

В этом разделе для оценки предлагаемой сетевой модели используются два набора данных DEAP (Koelstra et al., 2012) и SEED (Zheng and Lu, 2015). Представлены методы обработки данных и результаты экспериментов.

3.1. Эмоциональные наборы данных ЭЭГ

Набор данных DEAP был собран у 32 испытуемых, когда они просматривали 40 групп одноминутных музыкальных и видеоклипов.Возраст испытуемых колеблется от 19 до 37 лет, половина из них — мужчины. В ходе 40 проб для каждого испытуемого регистрировались различные сигналы в виде 40-канальных данных, включая ЭЭГ, электромиограммы, зону дыхания, плетизмограммы, температуру и т. д. (Koelstra et al., 2012). Сигнал ЭЭГ регистрировали на частоте 512 Гц. Данные были сегментированы на пробы по 60 с, после чего применялся полосовой частотный фильтр. После каждого испытания участников просили провести самооценку своих эмоциональных уровней, включая четыре различные шкалы, такие как валентность, возбуждение, доминирование и симпатия.

Сигнал ЭЭГ понижен до 128 Гц для экспериментов в этой работе, где частота данных ЭЭГ составляет от 4,0 до 45,0 Гц. Валентность и возбуждение — две шкалы, выбранные для этой работы. Каждый из них находится в диапазоне от одного (низкий) до девяти (высокий), а шкалы разделены на две части для построения наших задач бинарной классификации. Аналогично работе Koelstra et al. (2012), валентность делится на высокую (от пяти до девяти) и низкую валентность (от одного до пяти) по шкале валентности, а по шкале возбуждения возбуждение делится на высокую (от пяти до девяти) ) и низкое возбуждение (от одного до пяти).

Набор данных SEED был собран у 15 испытуемых (семь мужчин), когда их попросили просмотреть 15 видеоклипов. Продолжительность каждого видеоклипа составляла около 4 минут, и каждый фильм был максимально понятен, чтобы эффективно вызвать эмоции у 15 испытуемых, участвующих в экспериментах. Для каждого испытуемого было проведено 15 испытаний, каждое из которых длилось 305 секунд, включая подсказку о начале в течение 5 секунд, видеоклип в течение 4 минут, самооценку в течение 45 секунд и отдых в течение 15 секунд. Данные ЭЭГ в наборе данных SEED были собраны с 62 электродов, что включает больше информации, чем набор данных DEAP.После сбора данные ЭЭГ были понижены до 200 Гц и применены с полосовым фильтром от 0 до 75 Гц.

Как и в наборе данных DEAP, в этом наборе данных применяется частотный фильтр от 4,0 до 45,0 Гц, чтобы объективно оценить предлагаемую сеть. Отрицательные, положительные и нейтральные — это метки эмоций в этом наборе данных, которые представляют эмоциональные состояния испытуемых во время каждого эксперимента. Значение метки отрицательного, положительного и нейтрального равно −1, 1 и 0 соответственно. Таким образом, метки в наборе данных SEED включают три категории.

3.2. Настройка эксперимента

Чтобы проверить эффективность предлагаемой сети, модель CNN и предлагаемая сеть обучаются с использованием данных, полученных из двух временных окон разной длины; всего было проведено четыре группы опытов. Для экспериментов в CNN, используемых для сравнения, после выделения признаков данных ЭЭГ 80% выборок используются в качестве обучающих данных, а остальные выборки используются в качестве тестовых данных среди всех данных. Средняя точность рассчитывается на основе точности последних 10 эпох в каждом эксперименте.Для предлагаемой сети, прежде чем данные обучения и данные тестирования были разделены, CNN и SAE в предлагаемой сети были обучены с использованием признаков. После этого на вход СНС поступают признаки, и получаются выходные данные САЭ. Выходные данные после выделения признаков были разделены на 80% для обучения и 20% для тестирования в DNN. В этой работе для предлагаемой реализации сети использовались Keras и Tensorflow (Abadi et al., 2016). Подробные бесплатные параметры предлагаемой сети описаны в разделе 3.3 и 3.4 соответственно.

3.3. Эксперименты с набором данных DEAP

Длина данных в наборе данных DEAP составляет 63 с, и первые 3 с удаляются в экспериментах. Затем применяется полосовая фильтрация. Из 40 каналов данные ЭЭГ содержатся в 32 каналах, выбранных для экспериментов. После этого сигналы ЭЭГ разлагаются на α (1–7 Гц), β (8–13 Гц), θ (14–30 Гц) и γ диапазоны (30–45 Гц). После полосовой фильтрации применяется оконная обработка сигналов в четырех частотных диапазонах.Сигналы ЭЭГ делятся на короткие временные рамки для облегчения обработки сигналов, поэтому к данным ЭЭГ применяются временные окна с различным перекрытием, чтобы увеличить выборки для обучения. Два размера окна, 8 и 12 с, используются для оценки предложенной сети. С начала каждого записанного сигнала ЭЭГ данные сегментируются скользящим временным окном с перекрытием для каждой полосы частот. Для каждого испытания продолжительностью 60 с получают 14 сегментов, используя 8-секундное временное окно, перемещающееся каждые 4 с, и семь сегментов получают, используя 12-секундное временное окно, перемещающееся каждые 8 ​​с.Наконец, из 32 участников получают 17 920 (14 сегментов × 40 испытаний × 32 участника) и 8960 (семь сегментов × 40 испытаний × 32 участника) выборок с использованием временных окон 8 и 12 с соответственно. Метки сегментов такие же, как и метки исходного образца.

После этого для оценки предлагаемой сети извлекаются три различных признака, а именно PCC, PCA и SC. Для признаков на основе PCC вычисляются PCC данных в каждых двух каналах, и для одной выборки строится матрица PCC 32 × 32.Для признаков на основе PCA размерность данных из каждого канала уменьшается до 32, и получаются признаки с формой 32 × 32. Для признаков на основе SC извлекаются четыре различные характеристики, включая дисперсию, среднее значение, эксцесс и асимметрию. Эти статистические характеристики данных рассчитываются вместе, и в итоге получается матрица 32 × 4. В предлагаемой работе признаки извлекаются отдельно в каждом из частотных диапазонов (полосы α, β, θ и γ). Согласно работе Wang et al.(2018) и других подобных исследованиях данные четырех частотных диапазонов используются вместе для получения наилучших результатов. После обработки данных для данных, полученных с использованием временного окна 8 с, формы трех вышеупомянутых различных матриц признаков составляют 17 920 × 4 × 32 × 32, 17 920 × 4 × 32 × 32 и 17 920 × 4 × 32 × 4 соответственно. Для данных, полученных с использованием временного окна 12 с, они составляют 8960×4×32×32, 8960×4×32×32 и 8960×4×32×4 соответственно. Подробная конфигурация предлагаемой сети для набора данных DEAP показана на рисунке 4.Для SC входная форма 32 × 4. Эти функции являются двумерными, что является подходящими входными данными для CNN и предлагаемой сети.

Рисунок 4 . Конфигурация предлагаемой сети для набора данных DEAP.

Как показано на рис. 4, для набора данных DEAP в предлагаемой сети применяются два сверточных слоя и один слой максимального объединения. Размер ядра установлен на 3 × 1, а размер пула — на 3 × 3. Форма входных данных — 32 × 32. Количество ядер в сверточном слое установлено на 32 и 64 соответственно.В SAE количество нейронов в слоях кодирования, скрытого и декодирования установлено равным 512, 128 и 512 соответственно. В DNN количество трех полносвязных слоев установлено равным 512, 256 и 2 соответственно. В предлагаемой сети эпохи обучения, размер пакета и скорость обучения в CNN установлены на 50, 128 и 0,01. Эпоха, размер пакета и скорость обучения в SAE установлены на 100, 64 и 0,01 соответственно. Для DNN они установлены на 100, 128 и 0,01 соответственно.

В предлагаемой сети эпохи обучения выполняются в сверточных слоях, а SAE для эпох извлечения признаков, обучения и тестирования выполняется в DNN для классификации.Другая CNN с теми же параметрами и структурой, что и у предлагаемой сети, служила базовым методом для оценки производительности предлагаемой сети. Эпоха, размер пакета и скорость обучения этой CNN были установлены на 100, 128 и 0,01. Параметры в этой CNN были такими же, как и у предложенной сети. Данные результатов экспериментов с использованием временного окна 8 с представлены в таблице 1.

Таблица 1 . Сравнения средней точности набора данных DEAP с использованием различных функций, извлеченных из данных длиной 8 с между двумя сетями.

Из Таблицы 1 среди всех признаков, извлеченных из данных ЭЭГ, мы видим, что признак PCC продемонстрировал лучшее, чем большинство других признаков как в CNN, так и в предлагаемой сети. Предлагаемая сеть может достигать точности распознавания 92,86% при возбуждении с помощью PCC. Более того, точность распознавания большинства экспериментов в предложенной сети лучше, чем у CNN (улучшение на 3,27–13,11%). Как описано ранее, это связано с включением SAE, который может не только реконструировать данные из сверточных слоев и слоя объединения, но также может дополнительно извлекать признаки и облегчать распознавание данных, чем CNN.

Тренировка

на потерю SAE показана на рис. 5; восстановление данных достигается, когда потери резко не меняются, а восстановление данных происходит быстро в процессе обучения SAE. Для других извлеченных признаков (кроме PCC) точность распознавания каждого метода выше, чем в работе Zhang et al. (2016a) (81,21% для валентности и 81,26% для возбуждения).

Рисунок 5 . Изменение потерь при реконструкции данных в SAE в наборе данных DEAP.

Рисунки 6, 7 показывают точность CNN и предлагаемой сети.Красные линии на рисунках обозначают среднюю точность последних 10 эпох. Видно, что точность CNN постепенно сходится. Для предложенной сети точность быстро сходится в начале эпохи менее чем через 10 эпох. Это связано с тем, что объекты легко распознать, используя выходные данные, полученные из SAE, до того, как они будут классифицированы DNN. Для функций, извлеченных с помощью PCC и других методов, точность предложенной сети имеет более быструю сходимость, чем CNN.

Рисунок 6 . Сравнение точности двух сетей по валентности с использованием данных длиной 8 с в наборе данных DEAP, в котором (A) является результатом CNN, а (B) результатом предложенной сети.

Рисунок 7 . Сравнение точности двух сетей при возбуждении с использованием данных длиной 8 с в наборе данных DEAP, в котором (A) является результатом CNN, а (B) результатом предложенной сети.

Точно так же результаты с использованием данных, полученных во временном окне 12 с, показаны в таблице 2.Из табл. 2 видно, что точность, полученная при использовании данных длиной 12 с, ниже, чем точность 8 с. Когда время стимуляции увеличивается, собирать информацию об эмоциях становится труднее. Большинство исследований, связанных с классификацией данных ЭЭГ, были сосредоточены на коротком отрезке времени. В этом эксперименте достигается более высокая точность классификации данных длительностью 12 с, чем в других исследованиях меньшей длины; это похоже на работу Zhang et al. (2017), что демонстрирует эффективность предложенной сети.

Таблица 2 . Сравнение средней точности в наборе данных DEAP с использованием различных функций, извлеченных из данных продолжительностью 12 секунд между двумя сетями.

Точность классификации данных за 12 с как на CNN, так и на предлагаемой сети показана на рисунках 8, 9. Можно обнаружить, что предложенная сеть обеспечивает более высокую точность распознавания. Более того, точность классификации предложенной сети имеет более быструю сходимость в каждом эксперименте.

Рисунок 8 .Сравнение точности двух сетей по валентности с использованием данных длиной 12 с в наборе данных DEAP, в котором (A) — результат CNN, а (B) — результат предложенной сети.

Рисунок 9 . Сравнение точности двух сетей при возбуждении с использованием данных длиной 12 с в наборе данных DEAP, в котором (A) — результат CNN, а (B) — результат предложенной сети.

Результаты в этом подразделе показывают, что точность может достигать 92.86% для данных 8 с и 85,47% для данных 12 с. Когда для сравнения используется одна и та же функция, предлагаемая сеть более эффективна в классификации данных эмоций ЭЭГ, чем CNN. Наконец, предлагаемая сеть имеет более высокую скорость сходимости.

3.4. Эксперименты с набором данных SEED

Всего в наборе данных SEED 675 испытаний. Согласно работе Zheng and Lu (2015), была выбрана первая выборка каждого субъекта, а затем было получено в общей сложности 225 образцов. Из-за разной длины данных каждого канала был выбран сегмент данных 80 с, чтобы уменьшить влияние нестабильных сигналов в начале и конце всего сигнала; наконец, были получены данные с формой 16 000 × 225 × 62.При этом данные обрабатывались так же, как и в наборе данных DEAP: каждая выборка была разбита на разные кадры с разными временными окнами. В наборе данных SEED также использовались два временных окна, 8 и 12 с. В общей сложности 19 и девять сегментов были получены отдельно из данных с использованием временного окна в 8 с, перемещающегося каждые 4 с, и временного окна в 12 с, перемещающегося каждые 8 ​​с для каждого образца, соответственно. Таким образом, всего из 225 испытаний было получено 4275 (19 сегментов × 15 испытаний × 15 участников) и 2025 (9 сегментов × 15 испытаний × 15 участников) образцов соответственно.

Подробная конфигурация предлагаемой сети для набора данных SEED показана на рисунке 10. Объем данных, извлеченных из этого набора данных, намного меньше, чем из набора данных DEAP, поэтому два классификатора, используемые в этом наборе данных, немного отличаются. Для PCC входные данные имеют размер 62 × 62, а числа ядер задаются отдельно равными восьми и 16 в двух сверточных слоях. В SAE и DNN номер каждого слоя устанавливается таким же, как и в наборе данных DEAP, за исключением того, что номер выходного слоя равен трем, потому что это задача классификации из трех в наборе данных SEED.После обучения CNN и SAE для извлечения признаков DNN используется для окончательной классификации. Аналогично набору данных DEAP, для набора данных SEED извлекаются те же функции. Для PCA и SC входная форма составляет 62 × 62 и 62 × 4 соответственно. Для CNN, используемой для сравнения, параметры также устанавливаются такими же, как и у предлагаемой сети.

Рисунок 10 . Конфигурация предлагаемой сети для набора данных SEED.

Результаты эксперимента по данным, полученным из временных окон 8 и 12 с, показаны в таблице 3.Точность по этому набору данных выше, чем по набору данных DEAP. Наивысшая средняя точность может достигать 96,77%, что лучше, чем в работе Wang et al. (2018 г.), 90,2%. Для данных, полученных во временном окне 12 с, наилучшая точность может достигать 94,62%, что показывает, что функции на основе PCC демонстрируют лучшую производительность, чем другие. Реконструкция данных с помощью SAE из-за изменения потерь в наборе данных SEED показана на рисунке 11. Потери падают сразу после нескольких эпох, т. е. реконструкция данных может быть достигнута быстро, когда SAE обучается.

Таблица 3 . Сравнение средней точности в наборе данных SEED с использованием различных функций, извлеченных из данных продолжительностью 8 секунд между двумя сетями.

Рисунок 11 . Изменение потерь при восстановлении данных с помощью SAE в наборе данных SEED.

Точность по различным признакам, извлеченным из данных 8 и 12 с, изображена на рисунках 12, 13. Показано, что точность распознавания предлагаемой сети лучше, чем CNN, почти для всех признаков, особенно признаков на основе PCC.Предлагаемая сеть может достичь более быстрой сходимости по точности классификации, чем CNN в наборе данных SEED. Эксперименты с этими двумя наборами данных показывают, что предложенная сеть работает лучше, чем оригинальная CNN, в распознавании эмоций.

Рисунок 12 . Сравнение точности двух сетей с использованием данных длиной 8 с в наборе данных SEED, в котором (A) — результат CNN, а (B) — результат предложенной сети.

Рисунок 13 .Сравнение точности двух сетей с использованием данных длиной 12 с в наборе данных SEED, в котором (A) — результат CNN, а (B) — результат предложенной сети.

Кроме того, тестируются данные ЭЭГ, разделенные фиксированным временным окном с различными перекрытиями в наборе данных SEED. Помимо временного окна в 8 с с перекрытием в 4 с, также проверяются перекрытия в 6 и 8 с. Из-за высочайшей точности в этих экспериментах используются функции на основе PCC, а результаты классификации показаны на рисунке 14.

Рисунок 14 . Сравнение точности двух сетей с использованием функций, извлеченных из перекрытий разной длины в наборе данных SEED, в котором (A) — это результат CNN, а (B) — результат предложенной сети.

Как видно на рис. 14, точность распознавания может достигать максимального значения при перекрытии 4 с. Чем короче перекрытие, тем больше похожи соседние сегменты данных, т. е. признаки могут быть изучены лучше, если в каждое испытание будет включена одинаковая информация.Однако, когда перекрытие слишком короткое, количество сегментов данных увеличивается, что требует больше времени для обучения. В этом эксперименте данные длиной 8 с и перекрытием 4 с могли бы дать наилучший результат.

Вкратце, наилучшее распознавание может достигать 96,77% в трехклассовой классификации. Предлагаемая сеть демонстрирует более высокую эффективность в классификации данных эмоций ЭЭГ, чем CNN в наборе данных SEED. Для данных с одинаковой длиной длина перекрытия влияет на точность распознавания, где 4-секундное перекрытие дает наилучшие результаты.В дополнение к этому, предложенная сеть также сравнивается с другими исследовательскими работами с использованием наборов данных DEAP и SEED, и результаты можно увидеть в таблице 4. Для анализа сложности количество параметров составляет 7,55 × 10 5 и 7,50 × 10 5 для сетей, используемых для DEAP и SEED соответственно.

Таблица 4 . Сравнение производительности с другими подходами.

В таблице 4 показаны результаты García et al. (2016) достигли 88,3% по валентности и 90.6% на возбуждение. Однако данные, используемые для экспериментов, ограничены, и модель классификации лучше подходит для классификации небольших объемов данных с большими размерностями. Подход Koelstra et al. (2012) использовали классификатор Гаусса-Байеса, и результаты эксперимента доказали, что сигналы ЭЭГ эффективны при распознавании эмоций в наборе данных DEAP. В недавнем исследовании (Tripathi et al., 2017) для классификации использовались извлеченные данные, а более точные результаты были получены с использованием CNN, где точность классификации валентности и возбуждения составляет 81.4 и 73,4% соответственно. Подходы García et al. (2016) и Wang et al. (2018) использовали функции на основе DE и сверточные нейронные сети с динамическим графом, и точность достигла 93,7%. В подходе Wang et al. (2019), BLSTM и другие классификаторы машинного обучения, такие как SVM и LR, использовались для распознавания эмоций. BLSTM достиг наилучшей точности 94,96% в наборе данных SEED, что лучше, чем SVM и LR. В подходе Soroush et al. (2019) для классификации эмоций была введена динамика фазового пространства, получившая 87 баллов.42% по возбуждению и 84,59% по валентности соответственно. Разреженный дискриминативный ансамбль использовался для выделения признаков в работе Ullah et al. (2019) и достигли 82,81% по валентности и 74,53% по возбуждению соответственно. В этой работе для экспериментов используются наборы данных DEAP и SEED, где точность достигает 89,49% и 92,86% по валентности и возбуждению в наборе данных DEAP, соответственно, и 96,77% в наборе данных SEED. Результаты показывают, что предлагаемая сеть является более мощной, чем CNN и другие подходы.

4. Обсуждение и заключение

Есть несколько моментов, которые стоит обсудить. Во-первых, предлагаемая модель может быть обучена сквозным методом, отличным от этой работы. Был протестирован сквозной метод обучения, и он показал аналогичную производительность. Тем не менее, модель обучения может быть дополнительно исследована и оптимизирована в будущей работе. Во-вторых, метки используются при извлечении признаков. Следует отметить, что многие алгоритмы выделения признаков используют такие метки, как Relief и ReliefF (Kira and Rendell, 1992), где веса признаков рассчитываются по выборкам из одного и разных классов.Информация о метках использовалась в процессе выделения признаков (Bohgaki et al., 2014; Zhang et al., 2016b). В-третьих, построение структуры, подобной автоэнкодеру, является еще одним методом распознавания эмоций, и его можно исследовать в будущей работе.

В этой работе предлагается новая глубокая сеть для классификации сигналов ЭЭГ для распознавания эмоций. CNN и предлагаемая сеть применяются для двух разных наборов данных, то есть наборов данных DEAP и SEED. В предлагаемой сети CNN и SAE обучаются для извлечения признаков, в которых, комбинируя контролируемое обучение CNN и неконтролируемое обучение SAE, извлекаются более полезные функции.Экспериментальные результаты показывают, что предлагаемая сеть обеспечивает лучшую производительность, чем CNN и другие подходы. Это также показывает, что при встраивании структуры SAE в CNN точность лучше по сравнению с CNN с теми же параметрами и структурой, что и предлагаемая сеть. В предлагаемой сети для классификации извлекаются три различных признака. Результаты показали, что при использовании функций на основе PCC средняя точность распознавания предлагаемой сети может достигать 89,49% по валентности и 92.86% при возбуждении для DEAP и 96,77% для SEED, где предлагаемая сеть имеет более высокую скорость сходимости. Кроме того, длина перекрытия также влияет на производительность, и результаты набора данных SEED показали, что данные 8 с с перекрытием 4 с могут дать наилучший результат. Также обнаружено, что данные, обработанные SAE, легко классифицируются в предложенной сети, что указывает на эффективность SAE при извлечении признаков из данных ЭЭГ. В будущих работах будет рассмотрено использование SAE и других классификаторов для дальнейшего повышения эффективности классификации.

Заявление о доступности данных

Все наборы данных, представленные в этом исследовании, включены в статью/дополнительный материал.

Вклад авторов

JL, GW, SQ и YL разработали, внедрили и оценили алгоритм нейронной сети. JL и GW написали и отредактировали рукопись. SY, WL и YB проанализировали производительность предложенной сети и рассмотрели рукопись. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Это исследование поддерживается Национальным фондом естественных наук Китая в рамках гранта 61976063, финансированием программы Overseas 100 Talents Program высшего образования Гуанси, исследовательскими фондами проекта Diecai Нормального университета Гуанси, ключевой лабораторией Гуанси по интеллектуальному анализу информации и безопасности из нескольких источников. (19-A-03-02) и Ключевая лаборатория беспроводной широкополосной связи и обработки сигналов Гуанси, Проект повышения исследовательской способности учителей молодого и среднего возраста в университетах Гуанси в рамках гранта 2020KY02030 и Инновационный проект последипломного образования Гуанси в рамках гранта YCSW2020102.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Ссылки

Абади М., Бархам П., Чен Дж., Чен З., Дэвис А., Дин Дж. и др. (2016). «Tensorflow: система для крупномасштабного машинного обучения», в 12-м симпозиуме USENIX по проектированию и внедрению операционных систем (Саванна, Джорджия: Ассоциация USENIX), 265–283.

Академия Google

Аграфиоти, Ф., Хацинакос, Д., и Андерсон, А. К. (2012). Анализ паттернов ЭКГ для обнаружения эмоций. IEEE Trans. Оказывать воздействие. Вычислите . 3, 102–115. doi: 10.1109/T-AFFC.2011.28

Полнотекстовая перекрестная ссылка | Академия Google

Бахари, Ф., и Джангорбани, А. (2013). «Распознавание эмоций на основе ЭЭГ с использованием анализа повторяющихся участков и классификатора k ближайших соседей», в , 2013 г., 20-я Иранская конференция по биомедицинской инженерии (ICBME) (Тегеран: IEEE), 228–233.doi: 10.1109/ICBME.2013.6782224

Полнотекстовая перекрестная ссылка | Академия Google

Боггаки Т., Катагири Ю. и Усами М. (2014). Болеутоляющие эффекты ароматической сенсорной терапии с маслом цитрусовых junos оценивались по количественной мощности затылочного альфа-2 ритма ЭЭГ. Дж. Бехав. Науки о мозге . 4, 11–22. doi: 10.4236/jbbs.2014.41002

Полнотекстовая перекрестная ссылка | Академия Google

Ченг, Б., и Лю, Г. (2008). «Распознавание эмоций по поверхностному ЭМГ-сигналу с использованием вейвлет-преобразования и нейронной сети», , 2008 г., 2-я Международная конференция по биоинформатике и биомедицинской инженерии, (Шанхай: IEEE), 1363–1366.doi: 10.1109/ICBBE.2008.670

Полнотекстовая перекрестная ссылка | Академия Google

Chi, Y.M., Wang, Y.-T., Wang, Y., Maier, C., Jung, T.-P., and Cauwenbe, G. (2012). Сухие и бесконтактные датчики ЭЭГ для мобильных интерфейсов мозг-компьютер. IEEE Trans. Нейронная система. Реабилит. Eng . 20, 228–235. doi: 10.1109/TNSRE.2011.2174652

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Данелльян М., Робинсон А., Хан Ф. С. и Фельсберг М. (2016). «Помимо фильтров корреляции: изучение операторов непрерывной свертки для визуального отслеживания», в Европейской конференции по компьютерному зрению , под редакцией Б.Лейбе, Дж. Матас, Н. Себе и М. Веллинг (Амстердам: Springer), 472–488. дои: 10.1007/978-3-319-46454-1_29

Полнотекстовая перекрестная ссылка | Академия Google

Fu, Q., Luo, Y., Liu, J., Bi, J., Qiu, S., Cao, Y., et al. (2017). «Улучшение производительности алгоритма обучения для импульсных нейронных сетей», в 2017 IEEE 17-я Международная конференция по коммуникационным технологиям (ICCT) (Чэнду: IEEE), 1916–1919. doi: 10.1109/ICCT.2017.8359963

Полнотекстовая перекрестная ссылка | Академия Google

Гарсия, Х.Ф., Альварес, М.А., и Ороско, А. А. (2016). «Динамические модели гауссовых процессов для распознавания мультимодальных воздействий», , 2016 г., 38-я ежегодная международная конференция IEEE Engineering in Medicine and Biology Society (EMBC) (Орландо, Флорида: IEEE), 850–853. doi: 10.1109/EMBC.2016.75

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Гиршик Р., Донахью Дж., Даррелл Т. и Малик Дж. (2014). «Иерархии с богатым набором функций для точного обнаружения объектов и семантической сегментации», в 2014 IEEE Conference on Computer Vision and Pattern Recognition (Вашингтон: IEEE), 580–587.doi: 10.1109/CVPR.2014.81

Полнотекстовая перекрестная ссылка | Академия Google

Хираива, А., Шимохара, К., и Токунага, Ю. (1989). «Анализ паттернов ЭМГ и классификация нейронной сетью», в материалах конференции , Международная конференция IEEE по системам, человеку и кибернетике (Кембридж, Массачусетс: IEEE), 1113–1115. doi: 10.1109/ICSMC.1989.71472

Полнотекстовая перекрестная ссылка | Академия Google

Хуан, Ю.-Дж., Ву, С.-Ю., Вонг, А.М.-К., и Лин, Б.-С. (2015).Новый активный сухой электрод в форме гребня для измерения ЭЭГ в волосистой части тела. IEEE Trans. Биомед. Eng . 62, 256–263. doi: 10.1109/TBME.2014.2347318

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Кира, К., и Ренделл, Л.А. (1992). «Практический подход к выбору функций», в Machine Learning Proceedings (Сан-Франциско, Калифорния), 249–256. doi: 10.1016/B978-1-55860-247-2.50037-1

Полнотекстовая перекрестная ссылка | Академия Google

Коэльстра, С., Muhl, C., Soleymani, M., Lee, J.-S., Yazdan, A., Ebrahimi, T., et al. (2012). Deap: база данных для анализа эмоций; используя физиологические сигналы. IEEE Trans. Оказывать воздействие. Вычислите . 3, 18–31. doi: 10.1109/T-AFFC.2011.15

Полнотекстовая перекрестная ссылка | Академия Google

Кюблер, А., Фурдеа, А., Гальдер, С., Хаммер, Э. М., Нейбур, Ф., и Кочубей, Б. (2009). Интерфейс мозг-компьютер управлял системой правописания слухового потенциала, связанного с событием (p300), для запертых пациентов. Энн. Н. Я. акад. Наука . 1157, 90–100. doi: 10.1111/j.1749-6632.2008.04122.x

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Lane, R.D., Reiman, E.M., Bradley, M.M., Lang, P.J., Ahern, G.L., Davidson, R.J., et al. (1997). Нейроанатомические корреляты приятных и неприятных эмоций. Нейропсихология 35, 1437–1444. doi: 10.1016/S0028-3932(97)00070-5

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Льюис, Р.С., Уикс, Нью-Йорк, и Ван, Т.Х. (2007). Влияние натуралистического стрессора на фронтальную асимметрию ЭЭГ, стресс и здоровье. Биол. Психол . 75, 239–247. doi: 10.1016/j.biopsycho.2007.03.004

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ли М. и Лу Б.-Л. (2009). «Классификация эмоций на основе ЭЭГ в гамма-диапазоне», в Ежегодная международная конференция IEEE Engineering in Medicine and Biology Society , 2009 г. (Миннеаполис, Миннесота: IEEE), 1223–1226.

Академия Google

Ли, X., Ху, Б., Сунь, С., и Цай, Х. (2016). Выявление легкой депрессии на основе ЭЭГ с использованием методов выбора признаков и классификаторов. Вычисл. Методы прог. Биомед . 136, 151–161. doi: 10.1016/j.cmpb.2016.08.010

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Лю Дж., Хуанг Ю., Луо Ю., Харкин Дж. и МакДейд Л. (2019). Биологические схемы обнаружения неисправностей на основе моделей синапсов и импульсных нейронов. Nerocomputing 331, 473–482.doi: 10.1016/j.neucom.2018.11.078

Полнотекстовая перекрестная ссылка | Академия Google

Лю, Дж., Макдейд, Л.Дж., Харкин, Дж., Карим, С., Джонсон, А.П., Миллард, А.Г., и соавт. (2018а). Изучение самовосстановления в парной нейронной сети астроцитов. IEEE Trans. Нейронная сеть. Учить. Сист . 30, 865–875. doi: 10.1109/TNNLS.2018.2854291

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Лю, Дж., Сунь, Т., Луо, Ю., Фу, К., Цао, Ю., Чжай, Дж., и другие.(2018б). «Прогнозирование финансовых данных с использованием оптимизированной сети эхо-состояний», в 25-й Международной конференции по обработке нейронной информации (ICONIP) , редакторы Л. Ченг, А. К. С. Леунг и С. Одзава (Cham: Springer), 138–149. дои: 10.1007/978-3-030-04221-9_13

Полнотекстовая перекрестная ссылка | Академия Google

Лю, Ю.-Дж., Ю, М., Чжао, Г., Сун, Дж., Гэ, Ю. и Ши, Ю. (2018c). Дискретное распознавание эмоций, индуцированных фильмом, в режиме реального времени по сигналам ЭЭГ. IEEE Trans. Оказывать воздействие.Вычислите . 9, 550–562. doi: 10.1109/TAFFC.2017.2660485

Полнотекстовая перекрестная ссылка | Академия Google

Luo, Y., Lu, Q., Liu, J., Fu, Q., Harkin, J., McDaid, L., et al. (2018). «Обнаружение лесных пожаров с использованием импульсных нейронных сетей», в материалах Proceedings of the 15th International Conference on Computing Frontiers ACM (Нью-Йорк, штат Нью-Йорк: ACM), 371–375. дои: 10.1145/3203217.3203231

Полнотекстовая перекрестная ссылка | Академия Google

Не, Д., Ван, X.-W., Ши, Л.-C., и Лу, B.-L. (2011). «Распознавание эмоций на основе ЭЭГ во время просмотра фильмов», , 2011 г., 5-я международная конференция IEEE/EMBS по нейронной инженерии, (Канкун: IEEE), 667–670. doi: 10.1109/NER.2011.5

6

Полнотекстовая перекрестная ссылка | Академия Google

Орхан, У., Хеким, М., и Озер, М. (2011). Классификация сигналов ЭЭГ с использованием кластеризации k-средних и модели многослойной нейронной сети персептрона. Эксперт Сист. Заявка . 38, 13475–13481. doi: 10.1016/j.eswa.2011.04.149

Полнотекстовая перекрестная ссылка | Академия Google

Петрантонакис, П. К., и Хаджилеонтиадис, Л. Дж. (2010). Распознавание эмоций по ЭЭГ с использованием пересечений более высокого порядка. IEEE Trans. Поставить в известность. Технол. Биомед . 14, 186–197. doi: 10.1109/TITB.2009.2034649

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Соруш, М.З., Магули, К., Сетарехдан, С.К., и Насрабади, А.М. (2019). Новый основанный на ЭЭГ подход к классификации эмоций через динамику фазового пространства. Сигнал Изображение Видео Процесс . 13, 1149–1156. doi: 10.1007/s11760-019-01455-y

Полнотекстовая перекрестная ссылка | Академия Google

Субаси, А., и Гурсой, М.И. (2010). Классификация сигналов ЭЭГ с использованием PCA, ICA, LDA и машин опорных векторов. Эксперт Сист. Заявка . 37, 8659–8666. doi: 10.1016/j.eswa.2010.06.065

Полнотекстовая перекрестная ссылка | Академия Google

Трипати С., Ачарья С., Шарма Р. Д., Миттал С. и Бхаттачарья С. (2017). «Использование глубоких и сверточных нейронных сетей для точной классификации эмоций в глубоком наборе данных», в Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence (Hawaiian, HI), 4746–4752.

Академия Google

Улла Х., Узаир М., Махмуд А., Улла М., Хан С. Д. и Шейх Ф. А. (2019). Классификация внутренних эмоций с использованием сигнала ЭЭГ с разреженным дискриминационным ансамблем. Доступ IEEE 7, 40144–40153. doi: 10.1109/ACCESS.2019.2

0

Полнотекстовая перекрестная ссылка | Академия Google

ван ден Брук, Э. Л. (2013). Повсеместные вычисления с учетом эмоций. чел. Ubiquit. Вычислите . 17, 53–67. doi: 10.1007/s00779-011-0479-9

Полнотекстовая перекрестная ссылка | Академия Google

Ван, Х., Zhang, T., Xu, X., Chen, L., Xing, X., and Chen, C.L.P. (2018). «Распознавание эмоций ЭЭГ с использованием сверточных нейронных сетей с динамическим графом и широкой системы обучения», в 2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (Madrid: IEEE), 1240–1244. doi: 10.1109/BIBM.2018.8621147

Полнотекстовая перекрестная ссылка | Академия Google

Wang, Y., Qiu, S., Li, J., Ma, X., Liang, Z., Li, H., et al. (2019). «Распознавание эмоций на основе ЭЭГ с помощью сети обучения по сходству», , 2019 г., 41-я ежегодная международная конференция IEEE Engineering in Medicine and Biology Society (EMBC) (Берлин: IEEE), 1209–1212.doi: 10.1109/EMBC.2019.8857499

Полнотекстовая перекрестная ссылка | Академия Google

Чжан, Д., Яо, Л., Чжан, X., Ван, С., Чен, В., и Бутс, Р. (2018). «Каскадные и параллельные сверточные рекуррентные нейронные сети для распознавания намерений на основе ЭЭГ для интерфейса мозг-компьютер», в 32-й конференции AAAI по искусственному интеллекту, AAAI 2018 (Новый Орлеан, Луизиана).

Реферат PubMed | Академия Google

Чжан Дж., Чен М., Ху С., Цао Ю. и Козма Р.(2016). «PNN для распознавания эмоций на основе ЭЭГ», в Международная конференция IEEE по системам, человеку и кибернетике 2016 г. (Будапешт), 2319–2323.

Академия Google

Чжан Дж., Чен М., Ху С., Цао Ю. и Козма Р. (2016a). «PNN для распознавания эмоций на основе ЭЭГ», в 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (Будапешт: IEEE), 002319-002323.

Академия Google

Чжан Дж., Чен М., Чжао С., Ху С., Ши З. и Цао Ю. (2016b). Методы выбора датчиков ЭЭГ на основе рельефа для распознавания эмоций. Датчики 16, 40144–40153. doi: 10.3390/s16101558

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чжан, К., Чен, К., Чжан, К., Ян, Т., и Ся, С. (2017). Распознавание эмоций на основе дыхания с глубоким обучением. Вычисл. Инд . 92–93, 84–90. doi: 10.1016/j.compind.2017.04.005

Полнотекстовая перекрестная ссылка | Академия Google

Чжэн, В.(2017). Многоканальное распознавание эмоций на основе ЭЭГ с помощью группового разреженного канонического корреляционного анализа. IEEE Trans. Познан. Дев. Сист . 9, 281–290. doi: 10.1109/TCDS.2016.2587290

Полнотекстовая перекрестная ссылка | Академия Google

Чжэн, В.-Л., и Лу, Б.-Л. (2015). Исследование критических частотных диапазонов и каналов для распознавания эмоций на основе ЭЭГ с помощью глубоких нейронных сетей. IEEE Trans. Автон. Ментальный Дев . 7, 162–175. doi: 10.1109/TAMD.2015.2431497

Полнотекстовая перекрестная ссылка | Академия Google

Чжэн, В.-Л., Чжу, Дж.-Ю., Пэн, Ю. и Лу, Б.-Л. (2014). «Классификация эмоций на основе ЭЭГ с использованием сетей глубокого убеждения», в 2014 IEEE International Conference on Multimedia and Expo (Чэнду: IEEE), 1–6. doi: 10.1109/ICME.2014.68

Полнотекстовая перекрестная ссылка | Академия Google

Чжоу, З. Х., и Фэн, Дж. (2017). «Глубокий лес: к альтернативе глубоким нейронным сетям», Международная объединенная конференция IJCAI по искусственному интеллекту (Мельбурн, Виктория), 3553–3559.doi: 10.24963/ijcai.2017/497

Полнотекстовая перекрестная ссылка | Академия Google

границ | Классификация положительных и отрицательных эмоций на основе многоканальности

Введение

Эмоции играют решающую роль в повседневной жизни, отражая текущее физическое и психическое состояние человека и существенно влияя на познание, общение и принятие решений. Обычно считается, что эмоции имеют два измерения: возбуждение и валентность, причем возбуждение относится к интенсивности эмоции; валентность, относящаяся к определенному эмоциональному содержанию, разделенному на положительные, отрицательные и нейтральные чувства (Kim et al., 2013; Байлен и др., 2019). Положительные эмоции могут улучшить субъективное самочувствие и способствовать физическому и психическому здоровью, в то время как постоянные негативные эмоции будут влиять на физическое и психическое здоровье людей и их рабочий статус (Gupta, 2019). Различные эмоции возникают в ответ на внешние раздражители окружающей среды и сопровождаются изменениями личностных представлений и психологических реакций, измеряемых и идентифицируемых научными методами (Wolf, 2015).

Предыдущие исследования показали, что многие сигналы позволяют нам идентифицировать эмоции.Наиболее интуитивное выражение лица, голос, сигналы позы, ЭЭГ, ЭКГ, ЭМГ, дыхание и другие физиологические сигналы также могут измерять эмоцию. Среди многих сигналов, которые могут отражать эмоциональные изменения, ЭЭГ с высоким временным разрешением и неартефактными характеристиками была оценена многими исследователями и является стандартным методом распознавания эмоций. В сигналах ЭЭГ есть некоторые особенности, которые обладают сильной способностью классификации эмоций. Петрантонакис и Хаджилеонтиадис (2010) предложили использовать функции кроссовера более высокого порядка для извлечения функций ЭЭГ, протестировали четыре различных классификатора и, наконец, реализовали надежный метод классификации эмоций.Чен и др. (2019) подтвердили, что функция дифференциальной энтропии существенно влияет на классификацию настроений. В распределении областей мозга, связанных с классификацией эмоций, есть некоторые различия в реакции разных областей мозга на разные эмоции. Однако большинство исследований по классификации эмоций были основаны на многоканальных сигналах ЭЭГ (Gonzalez et al., 2019; Goshvarpour and Goshvarpour, 2019). Было получено много ценных достижений в отношении различий и функций различных областей мозга в классификации эмоций.Например, исследование показывает, что префронтальная доля и затылочная доля вносят большой вклад в классификацию эмоций (Asghar et al., 2019). Фирпи и Фогельштейн (2011) в исследовательской работе по выбору признаков пришли к выводу, что электроды F3, F4, T8 лучше всего влияют на классификацию эмоций.

Несмотря на то, что было проведено много исследований по распознаванию эмоций по сигналам ЭЭГ, некоторые проблемы до сих пор не ясны в предыдущих исследованиях. Прежде всего, большинство доступных наборов данных для распознавания эмоций используют изображения, видео, аудио и другие способы вызвать эмоциональные изменения.Некоторые исследователи использовали сигналы ЭЭГ из видеороликов о счастье, гневе, печали и радости испытуемых, чтобы классифицировать эти четыре типа эмоций в связанных исследованиях (Calix et al., 2012). В других исследованиях данные классифицируются на основе таких эмоций, как счастье, расслабление, горе и страх (Алазраи и др., 2018). Поэтому современные критерии классификации эмоций разнообразны из-за высокой сложности и абстрактности самой эмоции. В результате многим исследователям не удается достичь единого стандарта классификации эмоций при работе, связанной с распознаванием эмоций.На практике в некоторых исследованиях метка вызванных данных напрямую используется в качестве метки окончательной классификации эмоций, но она может существовать под отрицательной эмоцией, но не вызывает отрицательную эмоцию. Поэтому вначале возникает путаница в классификации образцов. Во-вторых, при извлечении сигналов ЭЭГ предыдущее исследование выявило наиболее важные черты эмоций из сигналов ЭЭГ. В настоящее время для классификации эмоций сигналов ЭЭГ используются четыре типа признаков: характеристики временной области, характеристики частотной области, статистические характеристики и характеристики частотно-временной области (Torres et al., 2020). Хотя о многих из вышеперечисленных признаков сообщалось, до сих пор нет подробных исследований, чтобы показать, какие комбинации признаков сигнала ЭЭГ наиболее значимо связаны с классификацией эмоций. Недавно исследователи предположили, что дифференциальная энтропия имеет хороший классификационный эффект при классификации эмоций. Характеристики пропорции энергии и дифференциальной энтропии оказывают существенное влияние на двухканальную классификацию эмоций (Al-Nafjan et al., 2017). Однако Дуан и соавт.(2013) отметили, что при классификации эмоций степень различения сигналов в высокочастотных диапазонах выше, чем в низкочастотных, что указывает на то, что классификация признаков дифференциальной энтропии в разных частотных диапазонах все еще остается спорной. Кроме того, предыдущие исследования показали, что разные области мозга предпочитают извлекать признаки, и, наконец, существуют различия в эффекте классификации эмоций (Lin et al., 2009; Zhong et al., 2020).

Поэтому стоит изучить вопрос: когда мы используем дифференциальную энтропию, извлекаемую из разных областей мозга, в качестве признака классификации эмоций, в чем разница в эффекте классификации? Какая область мозга будет извлекать признаки для достижения наилучшего эффекта классификации? В-третьих, существует тенденция использовать как можно меньше каналов для идентификации эмоций для переносимости.Одно исследование показало, что при использовании только лобного электрода (Fp1 и Fp2) и использовании алгоритма дерева решений (DT) с градиентным подъемом для классификации счастья и печали его точность также может достигать 95,78% (Al-Nafjan et al., 2017). Однако не проводилось исследований для одновременного сравнения эффекта двухканальной и многоканальной классификации. Является ли эффект классификации двухканального по-прежнему лучше, чем у многоканального при тех же условиях эксперимента?

Основываясь на вышеупомянутых проблемах в исследованиях распознавания эмоций, это исследование было сосредоточено на эмоциях, состоящих из достоверности и возбуждения, при классификации эмоций и сосредоточено на положительных и отрицательных эмоциях в этих двух категориях.Сигналы ЭЭГ извлекались, когда испытуемые смотрели положительные и отрицательные видео, и были выбраны четыре классификатора для определения классификации эмоций. В этом исследовании алгоритмы опорных векторов (SVM), DT, нейронной сети с обратным распространением (BPNN) и k-ближайших соседей (kNN) использовались для изучения эффекта классификации доли энергии и дифференциальных энтропийных признаков, эффекта классификации дифференциальной особенности энтропии в разных частотных диапазонах и классификационный эффект дифференциальных энтропийных характеристик в разных областях мозга.Между тем, в канале анализа распознавание эмоций выполняется на многоканальных и двухканальных данных префронтальной доли, чтобы выяснить, есть ли разница в точности классификации.

Материалы и методы

Участники

Двадцать шесть участников (возраст от 18 до 20 лет, M = 19, SD = 0,48; 50% женщин) были набраны с помощью листовок. Субъекты имели стандартную остроту зрения или скорректированную остроту зрения, нормальный слух и отсутствие значительных эмоциональных проблем или психических расстройств по шкале тревожности состояния (STAI) и шкале депрессии Бека (BDI).За 24 часа до начала эксперимента не употребляли кофе и алкогольные напитки. Все испытуемые подписали форму информированного согласия и получили некоторое вознаграждение в конце эксперимента. Если испытуемые не принимали содержание фильма во время эксперимента, они могли не смотреть фильм или прекратить эксперимент. Протокол исследования был одобрен Комитетом по этике Университета Сиань Цзяотун.

Стимулы и процедура

В этом исследовании использовались видеоролики, вызывающие эмоции.Мы использовали пересмотренную библиотеку динамических видео Deng et al. (2017), который содержит восемь эмоциональных состояний: счастливое, грустное и нейтральное. Каждое эмоциональное состояние состояло из восьми видеофрагментов, всего 64 видеофрагмента. Продолжительность каждого видео составляла 60 с. Не было существенной разницы в инвалидности и эмоциональном возбуждении между видео одного и того же типа. Поскольку это исследование было сосредоточено на алгоритме бинарной классификации положительных и отрицательных эмоций, для просмотра испытуемыми были выбраны четыре отрицательных и четыре положительных сегмента.Во время сбора испытуемые в течение 4 мин смотрели видео на соответствующую эмоциональную тему. Каждому субъекту была предоставлена ​​индивидуальная оценка по четырем измерениям валентность-возбуждение-доминирование-приязнь, от 1 до 9, где один был самым маленьким, а девять — самым большим. После просмотра видео использовалась 9-балльная оценочная шкала для оценки их субъективных эмоциональных переживаний во время просмотра видео. В этом исследовании эмоции анализировались с точки зрения двух измерений: валентности и возбуждения.Если индивидуальная оценка выше 4,5, уровень возбуждения/валентности высокий; тогда как если оценка индивидуума меньше 4,5, уровень возбуждения/валентности низкий (Koelstra et al., 2012). Испытуемые делали 2-минутный перерыв после подсчета очков, чтобы восстановить спокойствие.

Сбор и предварительная обработка данных ЭЭГ

Набор данных был собран в безэховой фотолаборатории Сианьского университета Цзяотун и значительно уменьшил шум, реверберацию и электромагнитные помехи.Электрическую активность мозга измеряли по 32 каналам с использованием модифицированной 10-20-системной электродной шапочки (Neuroscan Inc.). Все ЭЭГ регистрировались непрерывно с частотой 1000 Гц. Электрод помещали на лоб в качестве земли, а кончик носа служил эталоном записи. ЭЭГ усиливали с использованием полосы пропускания 0,1–100 Гц. Вертикальную ЭОГ регистрировали электродами, расположенными над и под левым глазом, а горизонтальную ЭОГ — электродами, расположенными вне обоих глаз. Импеданс всех электродов поддерживали ниже десяти кОм.

Предварительная обработка исходных данных ЭЭГ

выполнялась с использованием программного обеспечения EEGlab (версия R2013b, Сан-Диего, США), набора инструментов с открытым исходным кодом, работающего в среде MATLAB (версия R2013b, MathWorks, США). Предварительная обработка данных ЭЭГ в покое включала средний эталон. Непрерывные данные ЭЭГ подвергались полосовой фильтрации в диапазоне от 0,5 до 45 Гц и режекторному фильтру в диапазоне от 48 до 52 Гц; Затем эти сегменты были осмотрены визуально, чтобы удалить сегменты с глазодвигательными артефактами или артефактами движения головы. Данные были сегментированы на 2-секундные эпохи.Артефакты движения глаз были скорректированы с помощью анализа отдельных независимых компонентов (ICA) путем удаления соответствующих компонентов на основе конкретной кривой активации (Mennes et al., 2010). Эпохи ЭЭГ, загрязненные сильными мышечными артефактами, и любые эпохи ЭЭГ с амплитудными значениями, превышающими ±80 мкВ на электродах, отбрасывались вручную.

Анализ многоканальной классификации тональности

На основе традиционной схемы обработки данных ЭЭГ при использовании многоканальных данных ЭЭГ для анализа структура схемы обработки и анализа данных в этом исследовании показана на рисунке 1.

Рисунок 1 . Блок-схема многоканального алгоритма классификации эмоций.

Отдел проб

В данном исследовании эмоциональное состояние делится по 9-балльной шкале оценок, а ролики ЭЭГ, не соответствующие эмоциональному состоянию и тегам видеостимул, удаляются. После предварительной обработки чистая ЭЭГ была разделена на сегменты длительностью 1 с. Для всего набора данных было разделено 5456 выборок, в том числе 2756 положительных эмоций и 2700 отрицательных эмоций.

Извлечение признаков

Сигналы ЭЭГ после предварительной обработки были разделены на сегменты длиной 1 с. Для всего набора данных можно нарезать 5456 образцов, включая 2756 положительных эмоций и 2700 отрицательных эмоций. В соответствии с признаками, используемыми в обычном анализе сигналов ЭЭГ, без учета специализации для решения проблемы классификации эмоций, для этого исследования были выбраны 59-мерные признаки, что в сумме составляет 1888-мерные признаки для всех 32 каналов, и этот набор функций могут быть использованы в качестве базовых функций для этого исследования.59-мерные признаки можно увидеть в таблице 1.

Таблица 1 . Основные характеристики сигналов ЭЭГ.

Было показано, что доля энергии поддиапазона и признак дифференциальной энтропии для задачи классификации эмоций более эффективны. Энергию полосы частот и ее процент можно рассчитать напрямую, получив спектр посредством преобразования Фурье сигнала.

Дифференциальная энтропия является расширением энтропии Шеннона, которая определяется следующим уравнением (Shi et al., 2013):

h(X)=-∫Xf(x)log (f(x)) dx

, где X — временной ряд сигнала ЭЭГ, а f(x) — функция плотности вероятности X. Если последовательность ЭЭГ X подчиняется нормальному распределению , то дифференциальная энтропия последовательности равна

h(X)=-∫X12πσ2e-(x-µ)22σ2log(12πσ2e-(x-µ)22σ2)dx=12log (2πeσ2)

Ссылаясь на наблюдение Shi et al. (2013) по сигналам ЭЭГ, сигналы ЭЭГ в часто используемых диапазонах частот подчиняются нормальному распределению N(μ, σ 2 ) . Следовательно, для фиксированной полосы частот i дифференциальная энтропия может быть рассчитана по следующему уравнению:

hi(X)=12log (2πeσi2)

, где σi2 представляет собой дисперсию последовательности ЭЭГ X в полосе частот i .i2=1N∑n = 1Nxn2

{ X n }, что является последовательностью X. Кроме того, по теореме Парсеваля известно, что:

∑n = 1Nxi2=1N∑k=1N|Xk|2=Pi

, где { X k } — результат БПФ { X n }, P i 4 на полосе частот и . Из приведенного выше вывода можно вывести, что:

hi(X)=12log (2πeσi2)=12log (Pi)+12log (2πeN)

Поскольку длина всех выборок составляет 1 с, N является константой, а последний член приведенного выше уравнения является константой, которая можно не учитывать с точки зрения классификации.Также коэффициент 1/2 не влияет на показатели признака в классификации.

После получения энергетического спектра каждой полосы частот образца можно получить логарифм для представления характеристики дифференциальной энтропии сигнала ЭЭГ в этой полосе частот. В этом исследовании этот метод использовался для расчета дифференциальной энтропии и использовался в качестве классификационного признака.

Для выбора наиболее эффективного канала и функций из многоканальных мультифункций (GBDT) выбран градиентный повышающий DT.Индекс доли признаков алгоритма используется в качестве основы для выбора признаков для фильтрации признаков, которые вносят наибольший вклад в классификацию, и упрощения модели путем выбора признаков для повышения эффективности классификации.

Алгоритм классификации

В этом исследовании были выбраны четыре алгоритма: машина опорных векторов (SVM), DT, BPNN и k-Nearest Neighbor (kNN) для изучения преимуществ задач дихотомической классификации счастливых и грустных эмоций.При использовании алгоритма SVM функция ядра, выбранная в этой статье, является линейной функцией, а гиперпараметры машины опорных векторов оптимизируются посредством поиска по сетке. При использовании нейросетевого алгоритма BP количество узлов во входном слое определяется по количеству собственных значений каждой части. Количество узлов в выходном слое установлено равным двум, поскольку в этой статье в основном классифицируются положительные и отрицательные эмоции. Значение количества узлов скрытого слоя определяется по следующей формуле: m=n1, где n — количество узлов входного слоя, l — количество узлов выходного слоя, m — количество узлов скрытого слоя.При использовании алгоритма DT сначала создается классификационная модель DT путем изучения обучающей выборки; во-вторых, модель используется для классификации образцов неизвестных типов. В этом исследовании использовался алгоритм C4.5 DT, а индекс сегментации представляет собой скорость получения информации. При использовании алгоритма knn в этом исследовании использовался грубый метод для выбора наилучшего k.

После определения алгоритма классификатора мы оцениваем эффективность классификации, разделяя выборочные данные на 10 равных сегментов на основе 10-кратной перекрестной проверки.В частности, каждый раунд использует девять сегментов в качестве обучающего подмножества, а оставшийся один сегмент — в качестве тестового подмножества. Таким образом, наборы данных представляют собой k непересекающихся наборов данных, и наборы данных не полностью согласуются друг с другом. Метрика оценки правильности рассчитывается в каждом испытании, а способность модели к обобщению окончательно оценивается путем усреднения метрик оценки после k испытаний. Основные этапы перекрестной проверки сгиба следующие:

(a) Исходный набор данных разделен на 10 подмножеств с максимально сбалансированным размером выборки;

(b) первый подмножество используется в качестве тестового набора, а подмножества со второго по девятый объединяются в качестве обучающего набора;

(c) Используйте обучающий набор для обучения модели и вычисления результатов нескольких показателей оценки в тестовом наборе;

(d) Повторите шаги 2–3 и по очереди используйте подмножества со второго по десятый в качестве тестового набора;

(e) Рассчитайте среднее значение каждого индекса оценки в качестве окончательного результата.

Двухканальный процесс классификации эмоций ЭЭГ

Принимая во внимание потребность в классификации эмоций в двухканальных портативных устройствах на лбу, в этом исследовании также был разработан алгоритм классификации эмоций с использованием только сигналов налобных электродов, показанный на рисунке ниже.

Как показано на рисунке 2, есть два изменения по сравнению с многоканальным процессом классификации ЭЭГ. Количество каналов уменьшается, а плохие отведения не могут быть заменены интерполяцией сигналов периферийных отведений.Недопустимые сигналы должны быть полностью удалены на этапе отладки. Количество каналов слишком мало для непосредственного применения алгоритма ICA, поэтому необходимо внедрить метод Ensemble Empirical Mode Decomposition (EEMD) для разложения сигнала ЭЭГ каждого канала. EEMD — это усовершенствованный алгоритм EMD, который может извлекать компоненты собственных мод (IMF) исходного сигнала, не подверженные модальному смешению (Olesen et al., 2016). После ИКА всех компонентов ММП ЭЭГ можно удалить, а последующий процесс такой же, как и в случае множественных каналов.

Рисунок 2 . Блок-схема двухканального алгоритма классификации эмоций.

Результаты

В соответствии с приведенной выше схемой обучения и тестирования модели мы организовали пять наборов экспериментов с контрольными переменными, чтобы найти алгоритм классификации для постепенного достижения наилучших результатов.

В этом исследовании сравниваются сильные и слабые стороны каждой модели классификации с использованием точности обучающего набора и точности тестового набора. Кроме того, чтобы учесть измерение обобщающей способности модели, на текущих данных, собранных у 12 испытуемых, использовались две схемы: одна состоит в объединении данных от всех испытуемых, обучении одной модели и проверке ее точности, а другая состоит в том, чтобы обучить модель для каждого субъекта отдельно и проверить точность на соответствующих моделях и, наконец, найти среднюю точность.В этом исследовании все данные испытуемых обучались и тестировались вместе в целом, а показатели точности рассчитывались отдельно и усреднялись индивидуально.

Влияние классификации на базовый набор признаков

В базовом наборе признаков всех 1888 измерений эффект классификации каждого классификатора показан в таблице 2.

Таблица 2 . Влияние классификации на базовый набор признаков.

Эффект классификации коэффициента занятости энергии и функции дифференциальной энтропии

Исследование показало, что коэффициент занятости энергии и характеристики дифференциальной энтропии оказывают значительное влияние на двухканальную дихотомическую классификацию эмоций, поэтому сначала проверяется влияние расширения этих двух наборов характеристик на несколько каналов.Кроме того, для проверки эффективности методов линейной нормализации и стандартной нормализации при классификации было добавлено влияние различных нормализованных признаков на эти классификаторы. Результаты этой серии экспериментов показаны в таблице 3.

Таблица 3 . Влияние пропорции энергии и дифференциальной энтропии на классификацию эмоций.

Из результатов экспериментов 2–1 видно, что группа признаков, процент энергии и дифференциальная энтропия значительно улучшили эффект классификации по сравнению с базовой системой, указывая на то, что эта группа признаков может эффективно различать эмоции.Сравнивая эксперименты 2–1, 2–2 и 2–3, для этой группы признаков ни один из двух типов нормализации не может улучшить эффект классификации, поэтому при использовании этих двух типов признаков в будущем нормализация выполняться не будет. . Эксперименты 2–4 и 2–5, с другой стороны, сравнивали влияние двух характеристик, доли энергии и дифференциальной энтропии, на классификацию эмоций. Результаты показали, что производительность функции энергопотребления сопоставима только с результатом классификации полной функции.Напротив, классификационный эффект признака дифференциальной энтропии не сильно отличается от эффекта признака «занятость энергией + дифференциальная энтропия». Таким образом, с точки зрения отдельных показателей, дифференциальная энтропия — это функция, которая лучше всего отражает различия в настроениях.

Эффект классификации дифференциальных энтропийных признаков в различных полосах частот

Исследования показывают, что разница между сигналами в высокочастотном диапазоне более заметна, чем в низкочастотном диапазоне.Поэтому были разработаны эксперименты для проверки особенностей дифференциальной энтропии различных частотных диапазонов при классификации эмоций. Результаты показаны в дихотомической классификации эмоций, достоверность сигнала ЭЭГ каждой полосы частот оценивается как γ > β > δ > α > θ при рассмотрении с точки зрения дифференциальных энтропийных характеристик, где γ-волна является лучшей, а β-волна также лучше. Эти две полосы частот влияют на проблему классификации эмоций. Остальные три полосы частот можно считать неэффективными для различения эмоций по сравнению с базовым набором признаков.Сравнивая эксперименты 3-1 с 3-6, когда признаки β- и γ-волн включаются одновременно, это лучше, чем использование только признаков γ-волн. Результаты этой серии экспериментов показаны в таблице 4.

Таблица 4 . Влияние дифференциальной энтропии в разных частотных диапазонах на классификацию эмоций.

Эффекты классификации функции дифференциальной энтропии для разных областей мозга

Поскольку характеристики γ-волн значительно более полезны для классификации эмоций, чем характеристики β-волн, выбор каналов был выполнен с использованием только дифференциальной энтропии γ-волн для определения лучших областей мозга.Выбор канала был выполнен на основе DT, повышающего градиент, и в таблице 5 показан вклад 32 характеристик канала в классификацию эмоций. Примечательно, что наша точка зрения также подтверждается исследованием Джалилифарда и соавт. (2016), в которых SVM использовался для классификации эмоций с использованием различных ритмических нейронных колебаний, и было обнаружено, что классификация гамма-ритмов была лучше всего в левой префронтальной области мозга (FP1), а β был вторым лучшим. Поэтому эта часть результатов основана в основном на дифференциальной энтропии гамма-волн для выбора канала.

Таблица 5 . Вклад дифференциальных энтропийных характеристик каждого электрода в классификацию эмоций.

На основе коэффициента вклада каждого канала и распределения местоположения было разработано пять экспериментов для проверки влияния различных комбинаций признаков на эффект классификации. Комбинации электродов показаны в таблице 6. Эксперименты проводились в соответствии с пятью вышеуказанными наборами схем комбинаций электродов, а результаты показаны в таблице 7.Из приведенных выше экспериментов видно, что группа электродов, соответствующая экспериментам 5–3, имеет лучший эффект классификации. В сочетании с картой распределения электродов становится ясно, что латеральная кольцевая область человеческого мозга наиболее эффективно классифицирует эмоции. Принципиальная схема подбора электродов, соответствующая эксперименту 5–3, представлена ​​на рис. 3.

Таблица 6 . Вклад дифференциальных энтропийных характеристик каждого электрода в классификацию эмоций.

Таблица 7 . Влияние характеристик дифференциальной энтропии при каждой комбинации электродов на классификацию эмоций.

Рисунок 3 . Принципиальная схема оптимального электрода для многоканального распознавания эмоций.

Выбор алгоритма классификации

Подводя итог вышеприведенным четырем наборам экспериментов, можно сделать следующие выводы из четырех алгоритмов классификации, использованных в этом исследовании:

1.Для нейронных сетей DT и BP существует значительная разница, обычно около 10%, между эффектом обучения моделей по отдельности для 12 испытуемых и эффектом совместного обучения моделей для данных 12 испытуемых.

2. Для ДТ точность тестовой выборки в среднем более чем на 20% ниже, чем у обучающей выборки, что свидетельствует о сильном переоснащении ДД.

3. SVM и kNN близки друг к другу, и нет очевидной проблемы переобучения и плохой производительности обобщения.

4. При использовании SVM для классификации с учетом выбора канала его точность может достигать 86%, что лучше, чем у других классификаторов.

Эффект двухканальной дихотомии

После нескольких раундов экспериментального сравнения в двухканальной задаче двух классификаций наилучшей комбинацией признаков является пропорция энергии и дифференциальная энтропия полос δ, θ, α, β и γ двух каналов с общим 20-мерных признаков. Наилучшие результаты представлены в таблице 8.Как видно из приведенной выше таблицы, для двухканальной задачи двух классификаций классификационные эффекты использования классификатора SVM, DT, BP и kNN составляют 66%, 60%, 66% и 64% соответственно. Однако, учитывая стремление модели к обобщающей способности в реальной классификации, в качестве основного показателя принимается общая производительность. Следовательно, согласно этой предпосылке, лучшая модель классификации должна по-прежнему выбирать классификатор SVM; его точность может достигать 66%.

Таблица 8 .Влияние двухканальных 20-мерных признаков на классификацию эмоций.

Обсуждение

В этом исследовании мы использовали видеоролики с положительными и отрицательными эмоциями, чтобы вызвать эмоции у субъектов, и извлекли особенности ЭЭГ различных эмоций на основе многоканальных и префронтальных каналов, чтобы исследовать эффект классификации положительных и отрицательных эмоций.

Сначала мы получили результаты классификации четырех классификаторов на основе 1888 признаков по всем каналам.В этой части результатов наиболее эффективными классификаторами являются нейронные сети DT и BP, которые могут достичь общей правильной скорости 78% и 79%, в то время как SVM и kNN имеют только 63% и 74% правильных оценок. Однако, поскольку слишком много функций может привести к избыточности информации, во втором разделе мы используем долю энергии и дифференциальную энтропию для классификации настроений на основе нашего предыдущего исследования. Наши результаты показывают, что разница между классификационным эффектом «доля энергии + дифференциальная энтропия» и эффектом одного индикатора «дифференциальной энтропии» незначительна, что указывает на то, что дифференциальная энтропия является характеристикой, которая лучше всего отражает разницу в настроениях, если только рассматривается один показатель.Результаты согласуются с Zheng and Lu (2015); то есть функция дифференциальной энтропии является наиболее стабильной и выдающейся в классификации эмоций. В третьей части отчета о результатах мы сосредоточимся на использовании дифференциальной энтропии в качестве метрики для изучения эффектов классификации в разных частотных диапазонах. В этой части анализа наши результаты показывают, что с точки зрения эффекта классификации признаков дифференциальной энтропии в каждой полосе частот порядок достоверности сигналов ЭЭГ следующий: γ > β > δ > α > θ, в котором влияние γ-волна является лучшей, и эффект β-волны также лучше.Дифференциальная энтропия этих двух полос эффективна для классификации эмоций. Результат согласуется с Li et al. (2018) с использованием иерархической сверточной нейронной сети (HCNN). В их исследовании используется HCNN для классификации положительного эмоционального состояния, нейтрального эмоционального состояния и отрицательного эмоционального состояния. Особенности дифференциальной энтропии из разных каналов организованы в двумерные карты для обучения HCNN. Результаты показывают, что существует хорошая способность к классификации бета- и гамма-волн.В четвертой части отчета о результатах, основываясь на предыдущих результатах, мы выбираем только характеристики дифференциальной энтропии γ-диапазона для анализа точности классификации различных областей мозга, и результаты показывают, что при выборе электродов вдоль петли головы , есть хорошие результаты по всем четырем классификаторам, и, судя по результатам набора тестов, классификатор SVM имеет лучшие результаты классификации (общая точность 86,18%), в то время как эффекты корневого класса DT, BP и kNN составили 77.03%, 83,32% и 85,67% соответственно. Это один из моментов, в котором это исследование выходит за рамки предыдущих исследований, поскольку оно определяет, какие области оказывают наибольшее влияние на классификацию эмоций с учетом выявленных извлеченных признаков.

В исследовании также сравниваются эффекты классификации признаков дифференциальной энтропии в разных областях мозга. Результаты показали, что при использовании дифференциальной энтропии γ-волны для выбора канала латеральная кольцевая область мозга человека является наиболее эффективной для классификации эмоций.Это то, что это исследование превосходит предыдущие исследования; то есть, исходя из определения извлечения признаков, мы указываем, какие области оказывают наибольшее влияние на классификацию эмоций. Еще одна проблема нашего исследования заключается в том, есть ли разница в эффекте классификации между многоканальным и двухканальным. Обсуждение этой проблемы заключается не просто в повторении экспериментального процесса на нескольких каналах, а в выборе наилучшего сочетания признаков путем сравнения нескольких групп экспериментов.Наши результаты показывают, что соотношение энергий и дифференциальная энтропия полос δ, θ, α, β и γ двух каналов имеют хороший эффект классификации. При использовании нейросетевых классификаторов SVM и BP точность классификации может достигать 66%. Однако, учитывая лучшую обобщающую способность SVM в предыдущих исследованиях (Yao et al., 2019), мы предполагаем, что SVM является лучшим классификатором для бинарной классификации положительных и отрицательных эмоций на основе двухканальных данных. Стоит отметить, что эффективность многоканальной классификации признаков лучше, чем у двухканальной классификации признаков, независимо от эффекта классификации признаков, поскольку многоканальность содержит больше информации и может лучше представлять информацию (Lin et al., 2009; Гарг и Верма, 2020 г.). Следовательно, чтобы добиться более высокой точности классификации, следует выбрать как можно больше каналов для изучения классификации эмоций.

Наконец, были сопоставлены классификационные эффекты четырех классификаторов. В многоканальной классификации эмоций ЭЭГ SVM и kNN лучше, чем нейронная сеть DT и BP по эффекту классификации и способности к обобщению. Однако алгоритму KNN необходимо хранить множество обучающих выборок, и его нелегко реализовать на встроенных устройствах.При этом вычислительная сложность прогнозирования линейно возрастает с увеличением обучающей выборки. Алгоритм SVM, с другой стороны, имеет стабильную вычислительную сложность, и обучение можно проводить в автономном режиме. Поэтому с точки зрения практического применения SVM превосходит kNN. В двухканальном исследовании, учитывая способность модели к обобщению, алгоритм SVM является более подходящим. Заключение этого исследования еще раз демонстрирует эффективность алгоритма SVM в классификации эмоций, что согласуется с исследованием Nie et al.(2011). В их исследовании мы используем метод многофункционального слияния и классификатора SVM для изучения второй классификации эмоций, и точность составляет 87,53%. В целом, это исследование расширяет предыдущие выводы. Основываясь на многоканальных данных ЭЭГ, вызванных эмоциями, два типа эмоций могут быть эффективно классифицированы с использованием соотношения энергии и дифференциальной энтропии частотных диапазонов, которые лучше всего влияют на использование классификатора SVM. При использовании только сигналов двух каналов лба наибольшая точность классификации может достигать 66%.При использовании данных всех каналов максимальная точность модели может достигать 82%. После выбора канала можно получить наилучшую модель, в которой точность может достигать 86%. Все электроды в схеме оптимальной комбинации каналов расположены в латеральной кольцеобразной области человеческого мозга, что обеспечивает теоретическую основу для последующей разработки портативного оборудования для мониторинга эмоций на оголовье.

Ограничения

Это исследование также имеет некоторые ограничения. Во-первых, в текущем исследовании используется субъектно-зависимый способ распознавания эмоций, даже если данные одного субъекта используются для обучения классификатора эмоций субъекта.При смене предмета необходимо обучить новый классификатор для предмета. Способность к обобщению имеет большие недостатки. Во-вторых, хотя наше исследование показывает, что лучшие результаты классификации эмоций могут быть достигнуты с помощью классификатора SVM, некоторые исследования показали, что при использовании модели глубокого обучения для классификации эмоций ее точность на 3,54% выше, чем у традиционного алгоритма SVM (Zheng et al., 2014), что предполагает, что будущие исследования могут быть сосредоточены на модели глубокого обучения для дальнейшего изучения того, как добиться более эффективных результатов классификации эмоций.

Заявление о доступности данных

Необработанные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без неоправданных оговорок.

Заявление об этике

Исследования с участием людей были рассмотрены и одобрены Комитетом по этике Университета Сиань Цзяотун. Пациенты/участники предоставили письменное информированное согласие на участие в этом исследовании.

Вклад авторов

XW и FL задумали исследование и разработали его.SZ, S-CN и XN собрали данные. AC, PF, WZ и BW проанализировали данные и участвовали в написании рукописи. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Эта работа была поддержана (в PF) Департаментом военно-медицинской психологии Медицинского университета ВВС, Сиань 710032, Китай, Крупным проектом медицинской науки и техники НОАК (грант № AWS17J012) и Национальным фондом естественных наук Китая. (61806210).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций или издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

Ссылки

Алазраи Р., Хомуд Р., Алванни Х. и Дауд М. И. (2018). Распознавание эмоций на основе ЭЭГ с использованием квадратичного частотно-временного распределения. Датчики (Базель) 18:2739. doi: 10.3390/s18082739

Полнотекстовая перекрестная ссылка | Академия Google

Аль-Нафджан, А., Хосни, М., Аль-Охали, Ю., и Аль-Вабиль, А. (2017). Обзор и классификация распознавания эмоций на основе исследования системы интерфейса ЭЭГ мозг-компьютер: систематический обзор. Заяв.науч. 7:1239. дои: 10.3390/приложение7121239

Полнотекстовая перекрестная ссылка | Академия Google

Асгар М.А., Хан М.Дж., Фавад А.Ю., Ризван М., Рахман М., Баднава С. и др. (2019). Мультимодальное распознавание эмоций на основе ЭЭГ с использованием набора глубоких признаков: подход к выбору оптимальных признаков. Датчики (Базель). 19:5218. doi: 10.3390/s19235218

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Каликс, Р. А., Джавадпур, Л., и Кнапп, Г.М. (2012). Обнаружение аффективных состояний из текста и речи для взаимодействия человека с компьютером в реальном времени. Гул. Факторы 54, 530–545. дои: 10.1177/0018720811425922

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Chen, D.W., Miao, R., Yang, W.Q., Liang, Y., Chen, H.H., Huang, L., et al. (2019). Метод выделения признаков, основанный на дифференциальной энтропии и линейном дискриминантном анализе для распознавания эмоций. Датчики (Базель) 19:1631. дои: 10.3390/с1

31

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Дуань, Р. Н., Чжу, Дж. Ю., и Лу, Б. Л. (2013). «Функция дифференциальной энтропии для классификации эмоций на основе ЭЭГ», в , 2013 г., 6-я Международная конференция IEEE/EMBS по нейронной инженерии (NER) , (Сан-Диего, Калифорния), 81–84. doi: 10.1109/NER.2013.6695876

Полнотекстовая перекрестная ссылка | Академия Google

Фирпи, Х.А., и Фогельштейн, Р.Дж. (2011). Выбор функций на основе оптимизации роя частиц для обнаружения когнитивного состояния. год. Междунар. конф. IEEE. англ. Мед. биол. соц. 2011, 6556–6559. doi: 10.1109/IEMBS.2011.60

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Гарг, Д., и Верма, Г.К. (2020). «Распознавание эмоций в пространстве валентности и возбуждения на основе многоканальных данных ЭЭГ и системы глубокого обучения на основе вейвлетов», в Procedia Computer Science , под ред. С. М. Тампи, С. Мадриа, X. Фернандо, Р. Досс, С. Мехта и Д. Чуонзо (Амстердам, Нидерланды: Elsevier B.В.), 857–867. doi: 10.1016/j.procs.2020.04.093

Полнотекстовая перекрестная ссылка | Академия Google

Гонсалес, Х.А., Ю, Дж., и Эльфадель, И.М. (2019). Обнаружение эмоций на основе ЭЭГ с использованием неконтролируемого трансферного обучения. год. Междунар. конф. IEEE. англ. Мед. биол. соц. 2019, 694–697. doi: 10.1109/EMBC.2019.8857248

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Гошварпур, А., и Гошварпур, А. (2019). Возможности фотоплетизмограммы и кожно-гальванической реакции в распознавании эмоций с использованием нелинейных признаков. Австралия. физ. англ. науч. Мед. doi: 10.1007/s13246-019-00825-7 [онлайн перед печатью].

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Джалилифард, А., Бриганте Пиццолато, Э., и Кафиул Ислам, М. (2016). Классификация эмоций с использованием одноканальной записи скальп-ЭЭГ. год. Междунар. конф. IEEE инж. Мед. биол. соц. 2016, 845–849. doi: 10.1109/EMBC.2016.75

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ким, М.К., Ким М., О Э. и Ким С. П. (2013). Обзор вычислительных методов оценки эмоционального состояния по ЭЭГ человека. Вычисл. Мат. Методы мед. 2013:573734. дои: 10.1155/2013/573734

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Коэльстра, С., Мюль, К., Солеймани, М., Ли, Дж. С., Яздани, А., Эбрахими, Т., и другие. (2012). DEAP: база данных для анализа эмоций; используя физиологические сигналы. IEEE Trans. Оказывать воздействие. Комп. 3, 18–31.doi: 10.1109/T-AFFC.2011.15

Полнотекстовая перекрестная ссылка | Академия Google

Ли, Дж., Чжан, З., и Хе, Х. (2018). Иерархические сверточные нейронные сети для распознавания эмоций на основе ЭЭГ. Познан. Комп. 10, 368–380. doi: 10.1007/s12559-017-9533-x

Полнотекстовая перекрестная ссылка | Академия Google

Лин, Ю.П., Ван, Ч.Х., Ву, Т.Л., Дженг, С.К., и Чен, Дж.Х. (2009). «Распознавание эмоций на основе ЭЭГ при прослушивании музыки: сравнение схем для мультиклассовой машины опорных векторов», в 2009 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (Тайбэй, Тайвань), 489–492.doi: 10.1109/icassp.2009.4959627

Полнотекстовая перекрестная ссылка | Академия Google

Mennes, M., Wouters, H., Vanrumste, B., Lagae, L., and Stiers, P. (2010). Валидация ICA как инструмента для удаления артефактов движения глаз из ЭЭГ/ERP. Психофизиология 47, 1142–1150.

Академия Google

Ни, Д., Ван, X. В., Ши, Л. К., и Лу, Б. Л. (2011). «Распознавание эмоций на основе ЭЭГ во время просмотра фильмов», 2011 5-я Международная конференция IEEE/EMBS по нейронной инженерии (NER) (Канкун, Мексика), 667–670.doi: 10.1109/NER.2011.5

6

Полнотекстовая перекрестная ссылка | Академия Google

Олесен, А. Н., Кристенсен, Дж. А., Соренсен, Х. Б., и Дженнум, П. Дж. (2016). Метод анализа данных с помощью шума для автоматической классификации стадий сна на основе ЭОГ с использованием ансамблевого обучения. год. Междунар. конф. IEEE инж. Мед. биол. соц. 2016, 3769–3772. doi: 10.1109/EMBC.2016.75

Полнотекстовая перекрестная ссылка | Академия Google

Петрантонакис, П. К., и Хаджилеонтиадис, Л.Дж. (2010). Распознавание эмоций по ЭЭГ с использованием пересечений более высокого порядка. IEEE Trans. Инф. Технол. Биомед. 14, 186–197. doi: 10.1109/TITB.2009.2034649

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ши Л.К., Цзяо Ю.Ю. и Лу Б.Л. (2013). Функция дифференциальной энтропии для оценки бдительности на основе ЭЭГ. год. Междунар. конф. IEEE инж. Мед. биол. соц. 2013, 6627–6630. doi: 10.1109/EMBC.2013.6611075

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Яо, Дж., Лу, К., и Сюй, Дж. (2019). Классификация счастья и печали на основе портативных устройств ЭЭГ. Вычисл. Сист. заявл. 29, 233–238.

Чжэн, В.Л., и Лу, Б.Л. (2015). Исследование критических частотных диапазонов и каналов для распознавания эмоций на основе ЭЭГ с помощью глубоких нейронных сетей. IEEE Trans. Автономный ментальный разработчик. 7, 162–175. doi: 10.1109/TAMD.2015.2431497

Полнотекстовая перекрестная ссылка | Академия Google

Чжэн, В. Л., Чжу, Дж. Ю., Пэн, Ю.и Лу Б.Л. (2014). «Классификация эмоций на основе ЭЭГ с использованием сетей глубокого убеждения», в Proceedings — IEEE International Conference on Multimedia and Expo Chengdu, China: IEEE Computer Society. (Том 2014 г.).

Академия Google

Чжун П., Ван Д. и Мяо К. (2020). Распознавание эмоций на основе ЭЭГ с использованием нейронных сетей с регуляризованным графом. IEEE Trans. Оказывать воздействие. вычисл. doi: 10.1109/TAFFC.2020.2994159

Полнотекстовая перекрестная ссылка | Академия Google

Классификация эмоций на естественном языке  | Эксперименты AI Workshop  | Облако Google

Примечание: Это эксперимент Google Cloud AI Workshop.Это исследовательская технология, активно разрабатывается, предназначен для продвинутых пользователей, работающих над пограничными задачами. Применение экспериментов регулируется Условиями Pre-GA и Конфиденциальной Информационные положения (как «Конфиденциальная информация Google») вашей Google Cloud Platform Лицензионное соглашение. Для получения более подробной информации см. подробности ниже или посетите наш сайт по адресу cloud.google.com/ai-workshop/.

Понимание эмоционального содержания текста может дать ценную информацию о пользователей или контент, особенно в таких областях, как отзывы клиентов, обзоры, поддержка клиентов и брендинг продукта.Этот эксперимент классифицирует текст по эмоциям такие как радость, веселье, благодарность, удивление, неодобрение, печаль, гнев и замешательство.

Использование по назначению

Типы проблем:

NL Emotion API полезен для понимания чувств на уровне детализации за пределами только положительное или отрицательное. Возможные приложения перечислены ниже.

Отрасли и функции:

Этот API может быть полезен в различных отраслях и функциях, включая:

  • Отзывы и обзоры пользователей: для понимания эмоций пользователя через выраженный текст в формах, опросах, обзорах или другими способами.
  • Социальное прослушивание: для понимания эмоций аудитории по поводу продуктов или услуг оценивая поток веб-данных из таких источников, как Twitter, Reddit, YouTube и других.
  • Служба поддержки клиентов: для оценки пользовательского опыта по каналам обслуживания клиентов. например, поддержка чата.
  • Маркетинг и брендинг: , чтобы понять, как целевая аудитория воспринимает конкретная кампания бренда, веб-сайт и другой брендинговый контент.
  • Выразительный контент: для отображения выразительного контента пользователю (т.г., гифки, наклейки и смайлики для приложений чата)

Входы и выходы:

  • Ввод: текстовый ввод (в идеале <30 слов; если текст длиннее, его следует разбить на более короткие сегменты).
  • Вывод: прогнозные баллы, соответствующие каждой из эмоций (радость, веселье, благодарность, удивление, неодобрение, печаль, гнев и замешательство)
Примечание: список не является окончательным.

Технические проблемы:

Клиентам, возможно, придется оценивать оценки эмоций и корректировать пороговые значения. для вариантов их использования.Например, они могут выбрать более высокий порог для приложений. там, где важна точность, и более низкий порог для случаев, требующих более высокого отзыва.

Какие данные мне нужны?

Типы данных и этикеток:

Эксперимент предназначен для работы с текстами, содержащими <= 30 слов. Лучший результаты прогнозирования видны на уровне предложений, но модели могут предсказывать эмоции также в нескольких предложениях, если общее количество слов <= 30. В в случае длинных абзацев мы рекомендуем: (1) разбить абзацы в предложении выровняйте и запросите модель для каждого предложения и (2) для длинных предложений разбейте предложение из 30 слов и усреднить результаты предсказания.После входа в систему клиенты получат дополнительные инструкции о том, как правильно подготовить данные.

Технические характеристики:

  • Максимальная длина ввода: 30 слов
  • Язык: английский (США/Великобритания)
  • Формат ввода: входные данные будут отправлены в виде файла CSV в API.
  • Формат вывода. Выходной результат API будет включать прогнозируемые оценки для каждой концепции эмоции в формате вектора с плавающей запятой.

Какие навыки мне нужны?

Как и во всех экспериментах AI Workshop, успешные пользователи, вероятно, будут хорошо разбираться в основных концепциях и навыках ИИ, чтобы как развернуть экспериментальную технологию, так и взаимодействовать с нашими исследователями и инженерами ИИ.

В частности, пользователям этого эксперимента следует:

  • Быть знакомым с доступом к Google API
  • Иметь предварительное представление об обработке естественного языка, чтобы интерпретировать результаты и выбирать пороговые значения для конкретного варианта использования.

О Мастерской ИИ : С помощью AI Workshop мы рады предложить доступ к передовым технологиям искусственного интеллекта, разработанным со всего мира. семейство Alphabet и Google. Наши исследователи и инженеры в области искусственного интеллекта разрабатывают новые концепции, новые методы и новые приложения, и готовы работать с избранными клиентами, чтобы опробовать их и сделать их лучше.Эксперименты новые, разрабатываются и разнообразны, но они не являются продуктами Google Cloud AI. Они есть напрямую поддерживается нашими исследовательскими группами. Мы сделаем все возможное, чтобы обеспечить отличный опыт, но нет гарантии доступности, надежности, производительности или устойчивости к предвзятости. Они могут быть изменены обратно несовместимыми способами. На них не распространяется соглашение об уровне обслуживания или устаревание. политика. Нет никаких обязательств, что они станут продуктами или функциями продукта в будущем. Мы настоятельно рекомендуем НЕ использовать их в производственных средах или для важных рабочих процессов.

Многоуровневая классификация эмоций с помощью PyTorch + HuggingFace Transformers и W&B для отслеживания | by Arghyadeep Das

Внесите мощь HuggingFace и W&B в свой код PyTorch!

Photo by Tengyart on Unsplash

Обработка естественного языка (NLP) делает успехи в Индустрии 4.0 как никто другой и продвигается вперед стремительными темпами. Он широко использовался для преобразования неструктурированного текста в осмысленные знания для различных бизнес-кейсов.Он использовался для различных задач, таких как классификация, моделирование тем, генерация текста, вопросы и ответы, рекомендации и т. Д. Один конкретный тип классификации, о котором часто говорят меньше, — это классификация с несколькими метками.

Классификация текста с несколькими метками включает прогнозирование нескольких возможных меток для данного текста, в отличие от классификации с несколькими классами , которая имеет только один результат из «N» возможных классов, где N > 2. Классификация текста с несколькими метками — это тема, которая редко затрагивается во многих библиотеках ML, и вам нужно написать большую часть кода самостоятельно для определенных задач, таких как регистрация метрик и т. д.Вам также необходимо знать об определенных обходных путях, чтобы получить значимые результаты.

Двоичная, многоклассовая и многоуровневая классификация. Изображение автора

Одна из основных причин, по которой я решил заняться этим проектом, — это знакомство с библиотекой Weights and Biases (W&B), которая вызвала горячее обсуждение во всем моем техническом Твиттере, наряду с библиотеками HuggingFace. Я не нашел много хороших ресурсов по работе с многоуровневой классификацией в PyTorch и ее интеграции с W&B. Итак, я хотел собрать одну статью для удобства.Не волнуйтесь, я буду рассказывать о том, что такое W&B, и вы будете счастливы узнать, насколько удобной становится наша жизнь с этой замечательной библиотекой! В этой статье мы рассмотрим следующее:

  1. Работа с библиотекой наборов данных для загрузки нашего набора данных
  2. Создание классического тренажера PyTorch с использованием модели SqueezeBERT библиотеки 🤗 Transformers
  3. Интеграция библиотеки W&B с PyTorch
  4. Sweeps 🧹

Итак, не теряя времени, давайте погрузимся прямо в это!

На веб-сайте HuggingFace есть ОГРОМНАЯ коллекция наборов данных практически для всех видов задач НЛП! Это позволяет пользователям также визуализировать определенные аспекты наборов данных с помощью встроенного визуализатора наборов данных, созданного с использованием Streamlit.Просматривая список наборов данных, мое внимание привлек один конкретный набор для классификации по нескольким меткам: GoEmotions . Его сводка гласит:

Набор данных GoEmotions содержит 58 тысяч тщательно отобранных комментариев Reddit, помеченных для 27 категорий эмоций или нейтральных. Включены необработанные данные, а также меньшая, упрощенная версия набора данных с предопределенными разделениями обучения/оценки/тестирования.

После просмотра нескольких примеров в этом наборе данных на их визуализаторе я понял, что это чрезвычайно важный набор данных, потому что редко можно найти наборы данных классификатора настроений, которые выходят за рамки 5–6 эмоций.Но здесь у нас есть 27 назначенных эмоций с редкими и достаточно близкими эмоциями, такими как разочарование, неодобрение, горе, раскаяние, печаль и т. д. Обнаружение таких достаточно близких эмоций часто сложно в типичных наборах данных. Это дало мне понять, что это отличный набор данных, который можно масштабировать для использования во многих приложениях, связанных с анализом текста.

Список меток эмоций в наборе данных. Изображение автора

Регистрация метрик всегда была головной болью для многих специалистов по данным и энтузиастов AI/ML.Написание кода для вычисления метрик, их хранения и построения графиков — очень рутинная задача. Более того, когда вы работаете в профессиональной среде, вы не хотите, чтобы ваши клиенты или руководители команд просматривали весь код, чтобы найти эти графики. Поэтому вам придется сделать скриншоты, а затем подготовить отдельный отчет или презентацию, чтобы поделиться своими результатами. Представьте, сколько времени вы посвящаете всем этим шагам.

К счастью, КТО-ТО прислушался к нашим обидам и разглагольствованиям и решил собрать библиотеку, которая автоматизирует все это и выходит за рамки в организации нашего кода, данных, метрик и работает лучше, чем мы организуем нашу спальню 👀.Добро пожаловать, Weights and Biases (W&B) 🙌.

W&B позволяет нам отслеживать наши данные, код, гиперпараметры, метрики и обучение в режиме реального времени, используя несколько строк кода. Он предоставляет интуитивно понятную панель инструментов и имеет интеграцию с популярными библиотеками, такими как PyTorch, Tensorflow, fast.ai, Keras, JAX и т. д. Это позволяет нам находить лучшие модели гораздо более организованным образом, чем с помощью операторов печати и ручного ведения журнала. Для начала вам нужно создать учетную запись на их веб-сайте, и тогда отслеживание вашего проекта станет доступным в вашей учетной записи!

Это ты прав? 🙂 Источник: Tenor

Теперь займемся кодированием.Я использовал PyTorch из-за его простоты для понимания и возможности создавать вещи с нуля, что делает меня более удобным. Я закодировал все это в Google Colab, поэтому мне нужно было только сделать несколько дополнительных установок. Однако, если вы запускаете его локально, обратите внимание на приведенный ниже импорт, который, возможно, не был установлен в вашей системе. Тем не менее, я настоятельно рекомендую вам использовать Google Colab, потому что он позволяет вам экспериментировать с глубоким обучением в Интернете без какой-либо нагрузки на ваш ноутбук.

П.С. С этого момента статья может стать немного длинной, потому что я рассказываю как о W&B, так и о классификации с несколькими метками. Так что, пожалуйста, поддержите меня, пока мы отправляемся в это чудесное путешествие! 🙈

Весь код доступен в моем репозитории здесь .

1. Установка зависимостей ⏬

Мы можем произвести необходимые установки в Google Colab с помощью этой команды:

!pip3 install datasetstransformers -q

!pip39 install wandb2,40grade Now 251 ,40004 wandb --up2

можно войти в нашу учетную запись wandb, используя:

import wandb

wandb.login()

Вам будет предложено щелкнуть ссылку, скопировать свой токен авторизации и вставить его в текстовое поле, чтобы связать ваш проект с вашей учетной записью WandB.

2. Необходимый импорт 🚀

3. Засев для воспроизводимости! 🌱

Раздача — очень важная концепция, которую я часто упускаю из виду во многих руководствах по коду Medium. Я считаю важной практикой помогать читателям воспроизводить и сопоставлять результаты. Итак, давайте засеем ВСЕ!

4. Определение конфигураций развертки для разверток гиперпараметров 🧹

Чтобы выполнить настройку гиперпараметров, мы пробуем различные конфигурации из определенного списка, а затем пытаемся запустить их все в нашем основном цикле обучения и вручную регистрировать результаты для каждой комбинации, чтобы найти наилучший набор гиперпараметров.Попрощайтесь с этой средневековой (с точки зрения прогресса ИИ) практикой и сделайте то же самое с разверткой гиперпараметров 🧹! Мы определим набор гиперпараметров, с которыми мы хотим поиграть, и установим их возможные значения. Мы также определяем показатель, который хотим максимизировать или минимизировать.

Наконец, мы определяем идентификатор развертки, который будет выполнять развертки по обучающей функции с использованием различных комбинаций гиперпараметров.

5. Загрузить набор данных из 🤗 Наборы данных и горячее кодирование

train.head() Вывод.Изображение автора

Мы видим, что набор данных имеет текст, идентификатор и метки, связанные с каждым образцом. Однако, чтобы передать данные в нашу модель, нам нужно будет выполнить горячее кодирование, которое имеет довольно распространенный код:

6. Определить набор данных PyTorch

Мы не определяли токенизатор внутри класса, а скорее передал его в качестве аргумента, чтобы упростить эксперименты с использованием различных токенизаторов. Мы определяем класс GoEmotionsDataset в соответствии со стандартным способом определения класса набора данных PyTorch, чтобы указать, как набор данных будет загружаться и обрабатываться.

В нашем случае мы берем входной текст, токенизируем его, а затем возвращаем идентификаторы токенов и маску внимания, полученные с помощью токенизации. Идентификаторы токенов — это просто числовое представление входных последовательностей для модели, в то время как маска внимания используется для указания того, на какие сегменты модель должна обращать внимание.

7. Определите модель классификатора с помощью nn.Module

Здесь мы сохраняем вероятность отсева (do_prob) в качестве гиперпараметра, который будет обрабатываться W&B.Остальной код довольно стандартный: инициализация модели с необходимой архитектурой и определение прямого прохода.

8. Определение функций для возврата набора данных, загрузчика данных и модели

Для нашего отслеживания гиперпараметров и интеграции W&B важно, чтобы мы часто использовали функциональное программирование, чтобы гарантировать, что мы успешно передаем все объекты через функции, и все они вызываемый из основной функции тренера, которую мы определим позже.

Здесь мы сначала определяем наш токенизатор SqueezeBERT (довольно быстрый по сравнению с bert-uncased и почти такой же производительностью), а затем определяем 3 функции для возврата набора данных, DataLoader и нашей модели.Все они следуют стандартному конвейеру PyTorch. Опять же, основной мотив определения их как функций состоит в том, чтобы мы могли удобно передавать наши гиперпараметры вместо жесткого кодирования их в самом определении модели.

9. Определите оптимизатор, планировщик, функцию потерь и метрику для журнала

Я взял код оптимизатора и планировщика из репозитория Абхишека Тхакура по классификации настроений с использованием BERT.

Функция оптимизатора:

Функция планировщика:

Функция потерь или критерий:

Для функции потерь мы выбрали Binary Cross-Entropy (BCE) BCE сравнивает каждую из предсказанных вероятностей с фактическими выходными данными класса, которые могут быть либо 0, либо 1 . Затем он вычисляет оценку, которая штрафует вероятности на основе расстояния от ожидаемого значения. Это означает, насколько близко или далеко от фактического значения. В сочетании со слоем Sigmoid это приводит к BCEWithLogitsLoss() в PyTorch. Можно также использовать MultiLabelSoftMarginLoss() для задач с несколькими метками.

BCE с функцией потери логитов

Метрика для регистрации:

Показатель ROC-AUC — это хороший способ измерить нашу производительность для многоклассовой классификации.Однако его можно экстраполировать на сценарий с несколькими метками, применяя его для каждой цели отдельно. Однако это будет слишком много для нашего разума, и, следовательно, мы можем просто использовать микро AUC. Изящный трюк, используемый в PyTorch для такой классификации с несколькими метками, заключается в использовании функции ravel(), которая развертывает цели и метки, а затем мы применяем функцию микро AUC.

10. Определить функции шага обучения и проверки

Опять же, я взял эти фрагменты кода из репозитория Абхишека Тхакура и изменил их для моей постановки задачи:

11.Определите функцию тренера ⭐️

Чтобы собрать все вместе, мы теперь определим функцию тренера, которая будет выполнять обучение. Мы будем использовать SqueezeBERT для уровня BERT в нашей модели классификатора. В этой функции тренера также происходит волшебство W&B!

Вы заметили здесь что-то новое? Да, палочки-линии! Вы можете видеть, что мы использовали диспетчер контекста в начале с оператором with wandb.init() для инициализации запуска. Каждое выполнение функции поезда является одним запуском.Мы передаем конфигурации развертки в функцию обучения, которая используется для установки различных гиперпараметров, таких как batch_size, dropout, epochs и т. д. Другая строка на основе wandb — wandb.watch() , которая используется для наблюдения за моделью на предмет ее градиентов. как они развиваются с обучением. Это помогает обеспечить большую объяснимость везде, где это возможно.

Следующее вхождение wandb находится в wandb.log() , что помогает нам регистрировать соответствующие параметры, которые мы хотим видеть в процессе обучения.В нашем случае мы регистрируем эпохи, потери при обучении и проверке, а также оценку AUC. Наконец, чтобы начать сканирование для различных комбинаций гиперпараметров, мы вызовем wandb.agent() , где мы передаем Sweep_id для конфигурации и функции обучения. Мы также передаем count=6, чтобы ограничить количество запусков, которые мы хотим выполнить. Это используется только тогда, когда вы выполняете случайный поиск, а не поиск по сетке. Как только тренировка начнется, вы сможете следить за тренировкой в ​​режиме реального времени на великолепной приборной панели W&B! 🤌🏻

Обзор панели инструментов W&B для моей развертки.Изображение автора

Здесь вы можете видеть, что каждому прогону в развертке присвоено уникальное имя, которое вы можете легко переименовать или удалить. Вы также заметите важность параметра по отношению к метрике, которую мы отслеживаем (оценка AUC здесь). Это чрезвычайно важная функция, поскольку она сообщает нам, какие гиперпараметры больше всего влияют на наши оценки. В нашем примере мы видим, что отсев оказывает большое влияние на показатель AUC. Это важная информация, которую следует учитывать, когда мы хотим установить наилучшие настройки гиперпараметров.Когда мы прокручиваем вниз, мы натыкаемся на диаграмму развертки, которая показывает, как каждая комбинация гиперпараметров приводит к определенному показателю AUC. Это особенно мой любимый тип диаграмм, которые W&B предоставляет в Sweeps!

Таблица разверток. Так круто! Изображение автора

Здесь на диаграмме четко показана комбинация, которая привела к наилучшему показателю AUC (желтая диаграмма). Вы также получаете приятный табличный формат, если вам не терпится увидеть свои данные в старомодном формате!

Таблица подметаний. Изображение автора

Кроме того, мы также получаем графические графики зарегистрированных нами метрик и хороший сравнительный график всех различных прогонов в развертке.Вы даже можете отключить визуализацию для определенных прогонов, чтобы сравнить остальные желаемые прогоны!

Прочие метрические графики. Изображение автора

И если вы уже ошеломлены тем, что могут сделать 4–5 строк wandb, придержите своих лошадей, потому что я собираюсь показать вам гораздо больше! Помните строку wandb.watch(model) ? Как вы думаете, почему мы хотели наблюдать за моделью? Что ж, вы можете зайти на каждый прогон и посмотреть, как выглядели градиенты модели во время тренировки! Это чрезвычайно важно для исследователей объяснимости и интерпретируемости моделей!

Эволюция градиентов модели.Изображение автора

Но так ли это? Опять НЕТ! Вы даже можете наблюдать за системными показателями с помощью W&B, который показывает все виды графиков, таких как использование памяти, использование ЦП/ГП, температура, использование диска и т. д.

График системных показателей. Изображение автора

И если вы думали, что это единственные графики, управляемые библиотекой, которые вы можете построить, вы ошибались. Вы можете смешивать и сопоставлять любые зарегистрированные вами параметры, а затем легко отображать их, чтобы увидеть их сравнение. Вы можете гибко строить графики в соответствии с вашими потребностями и даже создавать отчет с помощью W&B! Однако для совместного использования с командой требуется W&B для Teams .

Он также регистрирует все выходные данные, которые он видит в сценарии обучения, а также регистрирует код и набор данных с помощью контроля версий. Мало того, он сам генерирует файл requirements.txt на основе обучающего скрипта. Итак, теперь вам даже не нужно замораживать пипсы, вы можете напрямую скачать этот файл и поделиться им с другими!

Автоматически созданные файлы в W&B. Изображение автора

Библиотека wandb продолжает добавлять все больше и больше функций, таких как таблицы и т. д., которые я сохраняю для дальнейшего обсуждения, так как эта статья уже оооооочень длинная! Итак, короче говоря, информация об обучении теперь имеет удобное убежище на панели инструментов W&B, что позволит нам воспроизводить эксперименты в любое время.Таким образом, теперь мы можем обучить модель, используя лучшую комбинацию гиперпараметров, а затем использовать производную модель для вывода. В результате обучения мне удалось получить очень хорошую модель с показателем AUC 0,9459. Использование этой модели для тестирования с очень надежной оценкой AUC, где оценка AUC по меткам была выше 0,8 для 27/28 классов! Действительно очень впечатляющий классификатор для такого сложного набора данных.

Оценка AUC-ROC по меткам. Изображение автораИсточник: Tenor

Уф, наконец-то мы можем сделать вывод! В этом руководстве показано, как вы можете применить SqueezeBERT к набору данных с несколькими метками, содержащему более 50 000 обзоров и 28 классов.с помощью библиотеки PyTorch и трансформаторов. Мы также могли отслеживать наши тренировки в режиме реального времени с помощью библиотеки wandb. Вы также можете просто поделиться всей своей панелью инструментов с людьми, поделившись «общедоступной» ссылкой на проект после того, как сделаете свой проект общедоступным! Вот ссылка на мою панель инструментов. В будущем мы можем развернуть этот классификатор тональности с несколькими метками с помощью Streamlit и создать на его основе веб-сервис!

Весь код доступен в моем репозитории здесь .

Спасибо за терпение! Если вы хотите узнать больше о библиотеке wandb и библиотеках HuggingFace, я связал их ниже, ознакомьтесь с ними!

Улучшение классификации эмоций посредством вариационного вывода скрытых переменных

Краткое описание работыAmazon Business (www.amazon.com/business) — это интернет-магазин, который сочетает в себе выбор, удобство и выгоду, которые клиенты узнали и полюбили благодаря Amazon, с новыми функциями и уникальными преимуществами, адаптированными к потребностям бизнеса. Amazon Business обеспечивает легкий доступ к сотням миллионов продуктов — от ИТ и лабораторного оборудования до товаров для обучения и общественного питания. Клиенты Amazon Business также пользуются рядом преимуществ, включая ценообразование и выбор только для бизнеса, торговую площадку с несколькими продавцами, одно- или многопользовательские бизнес-аккаунты, рабочий процесс утверждения, интеграцию системы закупок, платежные решения, налоговые льготы, специальную поддержку клиентов, Бизнес Прайм и многое другое.Business Prime — это платная служба подписки для проверенных коммерческих, благотворительных или государственных организаций, которая предоставляет конечным пользователям знакомый опыт покупок Prime дома, с тарифными планами и преимуществами, подходящими для работы. В настоящее время Business Prime обслуживает более миллиона сотрудников организаций по всему миру. Наши клиенты варьируются от государственных организаций с десятками тысяч пользователей до индивидуальных предпринимателей. Команда Business Prime ищет опытного и целеустремленного старшего специалиста по данным, который будет генерировать основанные на данных идеи, влияющие на направление Business Prime, создавать необходимые прогностические модели, алгоритмы оптимизации. и поведенческие сегменты клиентов позволяют нам обнаруживать и расширять ценностное предложение Business Prime для клиентов.Конкретные обязанности включают: · Анализ жизненного цикла клиентов, улучшение таргетинга, идентификации клиентов и поведения в отношении расходов. · · Получение информации на основе данных для ускорения привлечения новых членов. · Расширение внедрения преимуществ на основе клиентского сегмента, вертикали и доведение клиентов до их «момент ага». «. · · Прогнозировать клиентов, которым грозит отток и снижение вовлеченности. · · Выявлять неприемлемые учетные записи, включая мошенничество, злоупотребления и другие нежелательные действия. · · Эксперименты по повышению ценности членства для клиентов B2B.В этой роли вы будете техническим экспертом со значительными масштабами и влиянием. Вы будете работать с инженерами по бизнес-аналитике, финансовыми аналитиками, менеджерами по продуктам, инженерами-программистами, инженерами по данным и другими специалистами по данным, чтобы создавать новые и улучшать существующие модели машинного обучения для оптимизации обслуживания клиентов. Успешный Data Scientist будет иметь крайнюю предвзятость к действиям, необходимым в среде стартапа, с выдающимися лидерскими качествами, доказанной способностью создавать и управлять проектами моделирования среднего масштаба, определять требования к данным, создавать методологию и инструменты, которые основаны на статистике.Мы ищем кого-то, кто может преуспеть в динамичной, энергичной и веселой рабочей среде, где мы постепенно и часто приносим пользу. Мы ценим высокотехнологичных людей, которые глубоко знают свой предмет и готовы изучать новые области. Мы ищем людей, которые умеют добиваться результатов и проявляют желание развивать себя, своих коллег и свою карьеру.

Развертывание системы классификации эмоций для видео с глубоким обучением

Это продолжение нашей публикации «Создание системы классификации эмоций для видео с помощью глубокого обучения».

Все мы знаем, что внедрение искусственного интеллекта в масштабе предприятия может быть сложной задачей, и что проблемы не прекращаются после разработки и обучения модели машинного обучения (ML). Развертывание модели в рабочей среде и ее интеграция в бизнес-процессы может стать серьезным источником трудностей и общей точкой отказа для проектов машинного обучения. Серьезные инвестиции в возможности MLOps могут облегчить этот процесс, но хорошие инструменты также имеют большое значение. Dataiku Data Science Studio (DSS) — это мощный инструмент для разработки моделей машинного обучения, но он также может упростить развертывание этих моделей.

Это руководство является второй частью серии, посвященной классификации эмоций для видео. В первом уроке мы объяснили, как разработать модель глубокого обучения, которая могла бы точно классифицировать эмоции субъекта видео. В этом посте мы описываем шаги, необходимые для предоставления этой модели в качестве конечной точки API и разработки простого веб-приложения, которое позволяет пользователям загружать новые видео для классификации.

Предварительные требования (шаги 1–4)

В приведенном ниже учебном пособии предполагается, что вы уже обучили модель классификации эмоций в соответствии с предыдущим учебным пособием в этой серии, которое содержало шаги 1–4 в этом путешествии.Здесь мы начинаем с шага 5, который является первым шагом на пути к производству.

Шаг 5. Построение производственного конвейера

Создайте зону с названием «Производственный конвейер». Использование зоны просто помогает отделить этот конвейер от других, созданных нами. В Dataiku DSS конвейеры — это цепочки шагов для обработки данных. Рабочий конвейер очень похож на конвейер оценки, который мы создали на шаге 3, но он настроен на оценку видео из отдельной папки, когда он запускается из сценария Dataiku.Позже мы настроим конечную точку API и приложение для заполнения этой папки и запуска подсчета очков.

A: Извлечение кадров

Нам нужна упрощенная версия рецепта извлечения кадров, который мы использовали ранее. Это будет не так сложно из-за того, что нам не нужны данные для обучения/тестирования; мы просто будем оценивать видео (предсказывать эмоции) и возвращать оценку.

Для этого нам нужно создать рецепт Python. Для ввода создайте новую папку под названием «Видео для оценки» и создайте новую папку под названием «Изображения для оценки» для вывода.

Введите следующий код для этого рецепта:

  # --*- Кодировка: utf-8 --*- 
  импорт  датаику
  импорт  панд  как  pd, numpy  как  np
  из  dataiku  импорт  pandasutils  как  pdu

  из  custom_video_processing  импорт  Extract_frame

  # Чтение входных данных рецепта --    ИЗМЕНИТЕ ЭТОТ ИДЕНТИФИКАТОР, ЧТОБЫ СООТВЕТСТВОВАТЬ ВАШЕЙ ВХОДНОЙ ПАПКЕ  
videos_to_Score = датаику.Папка ( "MzP4vBYB" )
videos_to_Score_info = videos_to_Score.get_info()

  # Запись выходных данных рецепта --    ИЗМЕНИТЕ ЭТОТ ИДЕНТИФИКАТОР, ЧТОБЫ СООТВЕТСТВОВАТЬ ВАШЕЙ ВЫХОДНОЙ ПАПКЕ  
images_to_Score = dataiku.Folder(  "wTpdvuPd"  )
images_to_Score_info = images_to_Score.get_info()

df = pd.DataFrame()
df[ 'video_path' ] = videos_to_Score.list_paths_in_partition()

кадры = диапазон (0,105,5)

new_df = []

  для индекса , элемент  в  df.iterrows():
 для  f  в кадрах :
элемент [ 'кадр' ] = f
элемент[  'путь_изображения'  ] = элемент.video_path.replace(  '.mp4'  ,  '_f{}.png'  .format(str(f).zfill(3)))

new_df.append(item.copy())

df = pd.DataFrame(new_df).reset_index(drop=  True )

  для индекса , строка  в  df.iterrows():
_, данные кадра = извлечь_кадр (строка. путь_видео, видео_к_оценке,
 строка.кадр)

images_to_Score.upload_data(row.image_path, frame_data) 

Этот код будет читать видео и извлекать кадры. Нам не нужен фрейм данных для хранения метаданных, потому что путь к изображению содержит все, что нам нужно.

B: Создайте рецепт оценки

Перейдите к плагину Dataiku для глубокого обучения изображений. Щелкните Классификация изображений.

Задайте входные данные для изображений для оценки, а имя нового выходного набора данных — ProdScoredImages.

Убедитесь, что рецепт настроен на вывод всех меток классов независимо от их очков. В других случаях эти элементы управления могут помочь отфильтровать выходные данные вашей модели или API.

Запустить рецепт. Ваш файл ScoredImages должен выглядеть следующим образом:

C: Создание рецептов обработки данных

Для остальной части производственного конвейера нам нужны рецепты обработки данных, аналогичные тем, что были на шаге 3.

Создайте рецепт подготовки данных

Создайте рецепт подготовки данных, используя ProdScoredImages в качестве входных данных и новый набор данных ProdScoredImages_prepared в качестве выходных данных.

Значения прогноза, выдаваемые моделью классификации, вложены друг в друга. Чтобы распаковать эти значения, добавьте шаг Unnest :

С несложенными прогнозами мы можем удалить исходные столбцы прогнозов. Добавьте шаг Удалить столбцы :

Добавьте шаг Замените , чтобы перестроить имя видео, используя регулярное выражение для замены идентификатора кадра и расширения файла исходным расширением видеофайла:

Добавьте Извлечь шаг , чтобы извлечь номер кадра из имени файла.Позже мы будем использовать индивидуальные оценки на уровне кадров.

Ваш выходной набор данных должен выглядеть следующим образом:

Создать рецепт группы

Модель будет выводить прогнозы для каждого кадра. Нам нужно сгруппировать кадры вместе, чтобы получить прогноз для видео в целом. Используя ProdScoredImages_prepared в качестве входных данных и новый набор данных с именем ProdScoredVideos в качестве выходных данных, создайте рецепт Group для объединения оценок для каждого видео:

максимальное вхождение приближается от ранее.

Шаг 6. Визуализация и автоматизация производственной оценки

Теперь мы создали конвейер обработки для прогнозирования эмоций для произвольного изображения. Теперь этот конвейер можно использовать для создания визуализаций и автоматизации оценки. На этом этапе мы создадим панель мониторинга, которая отображает прогнозы модели в виде ряда диаграмм.

A: Создание визуализаций

Чтобы отобразить результаты классификации, сначала мы создаем идеи, которые будут отображаться на нашей информационной панели.

На странице Insights выберите New Insight и создайте новую диаграмму.

Выберите наш набор данных ProdScoredVideos.

Во вновь созданном обзоре выберите Сводка и переименуйте диаграмму в Эмоциональная композиция.

Выбрать Редактировать . Мы создадим гистограмму с video_path по оси Y, а затем со всеми полями предсказания по оси X.Это покажет нам разбивку каждого видео.

Чтобы получить более глубокий анализ, мы можем изучить эмоциональное содержание видео с течением времени, просматривая оценки для каждого кадра. Создайте новое понимание под названием «Эмоциональная деталь» и выберите набор данных ProdScoredImages_prepared. Выберите Stacked Area 100% в качестве типа.

Ось Y здесь будет такой же, как и раньше (все переменные предсказания), но на этот раз осью X будет поле frame1, и мы хотим добавить video_path в раздел Subcharts .Это покажет нам оценку эмоций каждого кадра каждого видео, дав нам временную шкалу эмоций в видео.

Чтобы отобразить эти сведения, создайте новую панель мониторинга (1), перейдите к кнопке добавления (2), выберите Диаграмма (3) и выберите существующую информацию (4).

(1) Создать новую приборную панель

(2) Перейти к кнопке Добавить

(3) Выбор диаграммы

(4) Выберите существующее понимание

Теперь у нас есть информационная панель, которую можно использовать для интерпретации выходных данных модели.Мы будем ссылаться на эту панель позже, когда будем создавать приложение.

B: Создать сценарий подсчета очков

Нам нужно создать сценарий для перемещения изображений для подсчета очков. Создайте новый сценарий в меню проекта под названием «Оценка входящих видео» с идентификатором PRODSCOREVIDEOS.

(1) Перейти к сценариям

(2) Выбрать новый сценарий

(3) Назовите их соответственно

Мы хотим, чтобы этот сценарий сделал все необходимое для получения нового пакет видео, которые были помещены в папку «Видео для оценки», включая очистку старых результатов.

В меню Добавить шаг добавьте шаг Очистить , чтобы удалить все ранее рассчитанные наборы данных:

Добавьте четыре шага Построить для расчета новых результатов. Вы можете объединить все это в один шаг, но отслеживать и отлаживать немного проще, если это отдельные шаги.

Сборка для изображений набрать папку

Добавьте в папку

Обновить статистику и кэш диаграмм шаг, чтобы убедиться, что наша информационная панель воссоздана.

Наконец, добавьте шаг Очистить , чтобы удалить все файлы видео и изображений, чтобы мы были готовы к следующему запуску оценки.

В сочетании с информационной панелью этот сценарий оценки позволит нам обрабатывать загруженные изображения и создавать интерпретируемые визуализации. Позже мы подключим это к приложению, чтобы предоставить эту возможность пользователям.

Шаг 6. Развертывание API

Создав модель Pipeline и Dashboard, мы можем представить эту функциональность в виде API.В конечном итоге API будет вызываться приложением на последнем этапе.

A: Создание ключей API для выполнения сценария

Чтобы создать наш API, мы создадим конечную точку, которая принимает загрузку видео, помещает его в папку «Видео для оценки», инициирует выполнение сценария оценки и возвращает результаты. Для этого нам понадобится ключ API, который можно использовать для удаленного взаимодействия с сервером DSS из конечной точки API.

Чтобы создать ключ API, откройте настройки пользователя, перейдите на страницу Ключи API и выберите Новый ключ API. Это создаст ключ, который вы можете использовать для выполнения действий в качестве вашего пользователя. Держите этот ключ в секрете. Этот ключ следует рассматривать как пароль, поскольку он обеспечивает тот же уровень доступа.

(1) открыть меню пользователя

(2) открыть настройки пользователя

(3) выбрать новый ключ API

9000 теперь вы должны увидеть ключ API. Запишите это значение на потом.

B: Создание конечной точки API

Следующим шагом является создание конечной точки API на панели конструктора API.

Мы должны создать службу API, к которой мы можем добавить конечную точку.

Создав службу, мы можем добавить конечную точку. Нажмите кнопку «Создать первую конечную точку».

Выбор типа конечной точки <Пользовательский прогноз (Python) позволит нам ввести код Python для создания прогноза.

Введите следующий код с некоторыми изменениями. Идентификатор папки «MzP4vBYB» необходимо изменить, чтобы он соответствовал идентификатору вашей папки Videos To Score, URL-адрес и ключ API для удаленного сервера DSS необходимо изменить на ваше имя хоста и ключ, а ключ проекта должен соответствовать вашему проекту. .

  из    dataiku.apinode.predict.predictor  импорт  ClassificationPredictor
  импорт  датаику
  импорт  base64
  импорт  панд  как  pd
  класс  MyPredictor (ClassificationPredictor):
 def  __init__(self, data_folder = None):
self.data_folder = папка_данных

 определение  прогнозирование (я, features_df):
dataiku.set_remote_dss( 'https://dataikuworker1.valhalla.phdata.io:11200'  ,  '2j9dLyBKEOhnVyxIiihoMhyhRwAReWpz'  )

df = характеристики_df
data_folder = dataiku.Folder( 'MzP4vBYB' , project_key=  'AWSDEVDAYEMOTIONDETECTION' )

 для  ind, строка  в  df.iterrows():
fname =  'ind_{}.mp4'  .format(ind)

df.loc[ind,  'fname'  ] = fname
data_folder.upload_data(fname, base64.urlsafe_b64decode(row.b64_video.encode( 'utf-8'  )))

клиент = датаику.API_client()
проект = клиент.get_project( 'AWSDEVDAYEMOTIONDETECTION' )
сценарий = проект.get_scenario( 'PRODSCOREVIDEOS' )

сценарий_выполнить = сценарий.выполнить_и_ждать()
успех = script_run.get_info () [ 'результат'  ][  'результат'  ] ==  'УСПЕХ' 

ds = project.get_dataset( 'ProdScoredVideos' )
оценки = pd.DataFrame(данные=список(ds.iter_rows()),
columns=[c[ 'имя' ]  для  c  в  ds.get_schema()[ 'столбцы'  ]])
баллы = scores.set_index( 'video_path' )


эмоции = [  'спокойный'  ,  'грустный'  ,  'удивленный'  ,  'нейтральный'  ,
 'страшный'  ,  'злой'  ,  'счастливый'  ,  'отвращение'  ]

df = df.drop(columns=[ 'b64_video' ]).join(scores, on=  'fname' )

 для  ind, строка  в  df.iterrows():
максимальное_значение = 0
max_label =  Нет 
сумма_значение = 0

 для  е  в  эмоции:
p = строка[  'прогноз_{}_среднее'  .формат(е)]
сумма_значение += р
, если  p > max_val:
максимальное_значение = р
max_label = е

df.loc[ind,  'прогноз'  ] = max_label

 для  е  в  эмоции:
df.loc[ind,  'proba_{}'  .format(e)] = row[ 'prediction_{}_avg'  .format(e)] / sum_val

решения = df.prediction
proba_df = df[[  'proba_{}'  .формат(e)  для  e  для  эмоций]]

 возврат  (решения, proba_df) 

Короче говоря, этот код принимает кадр данных наблюдений. Каждое наблюдение имеет функцию под названием b64_video, которая представляет собой видеофайл в кодировке base-64. Видеофайл загружается в папку скоринга, после чего запускается сценарий скоринга. После завершения этого сценария набор данных ProdScoredVideos считывается, и результаты переводятся в соответствующий формат ответа.

C: Разверните конечную точку

Во-первых, мы хотим настроить конечную точку так, чтобы она использовала безопасность на основе ключей и была закрыта для всего мира. Перейдите в меню Security , снимите флажок «Разрешить общий доступ» и сгенерируйте ключ API.

Этот ключ понадобится вам для доступа к услуге.

Теперь отправьте конечную точку в программу развертывания API и дайте ей идентификатор версии.

Появится всплывающее окно, которое позволит вам перейти к API Deployer, но вы можете попасть в него через главное меню, если пропустили его.

В API Deployer вы должны увидеть свою службу в разделе Доступно для развертывания .

Выберите развертывание. Вам нужно будет выбрать свою инфраструктуру API (эта настройка выходит за рамки этого документа). Выберите «Развернуть», затем «Начать сейчас».

После завершения развертывания вы должны увидеть сводку службы.

Вы можете перейти к разделу Пример кода и посмотреть некоторые подробности о том, как вызывать этот API из разных языков.Особое значение имеет пример Python:

Мы не предоставили никаких тестовых запросов, поэтому формат записи неверен, но это демонстрирует базовый API.

D: Проверка конечной точки с помощью Jupyter Notebook

Чтобы протестировать эту конечную точку, мы создадим Jupyter Notebook для доступа к ней. В меню проекта откройте раздел Блокноты и создайте новый блокнот Python. Выбор стартового кода значения не имеет — мы все равно его удалим.

(1) Откройте тетради раздел

(2) Создать новый Python Notebook

(3) Выберите любой стартовый код

Этот ноутбук будет схватить несколько видео случайным образом , затем вызовите наш API оценки.Этот код устанавливает среду:

  из  tempfile  import  mkstemp
  импорт  ОС
  импорт  base64

  импорт  датаику
  импорт  датаикуапи

  импорт  панд  как  pd

client = dataikuapi.APINodeClient( "https://dataikuworker1.valhalla.phdata.io:11220" ,
 "score_video"  ,  "A2HZU6HB4vPoh2Ut0qRDHpbLG3bZwIzP"  )

Emotion_map = { '01' :  'Nealure' :  '02' ,  '02' :  'Smash' ,  '03' :  '03' :  '04' ,  '04' :  'Sad'  ,
 '05' :  'Angry' ,  '06' :  'Feagual' :  '07' ,  '07' :  'disgust' ,  '08' :  'Удивлен }

  по определению  get_emotion(fname):
код = имя.разделить(  '-'  )[2]
 return  EMOTION_MAP.get(code,  'unknown'  ) 

Теперь мы берем несколько видео. Обратите внимание, что мы можем напрямую использовать Dataiku API без ключа, потому что мы запускаем его непосредственно на сервере DSS.

  # Измените ключ ниже, чтобы он соответствовал вашей папке Emotion Videos 
motion_videos = dataiku.Folder(  "JV4cw0cu"  )
эмоция_видео_информация = эмоция_видео.get_info()

df = pd.DataFrame()
df[ 'video_path'  ] = видео_эмоций.list_paths_in_partition()
df[ 'эмоция'  ] = df.video_path.apply(get_emotion)

df = df.sample(5)
df 

Мы должны увидеть случайно выбранные видео:

Теперь мы делаем несколько вещей одновременно. Мы будем использовать Dataiku Folder API для загрузки выбранных видеофайлов, затем мы будем использовать пакет base64 для кодирования видео и создания фрейма данных функций.

 записей = []

  для  ind, строка  в  df.iterrows():
путь_видео, папка_видео = строка.video_path, эмоция_видео
vf, vfname = mkstemp (суффикс =  '.mp4' )
vfile = os.fdopen(vf,  'wb'  )

р = путь_видео
 с  video_folder.get_download_stream(p)  как поток :
vfile.write(поток.read())
vfile.close()

 с  open(vfname,  'rb'  )  как  f:
b64f = base64.urlsafe_b64encode(f.read())

records.append({ 'функции' : {
 'имя_файла'  : строка.видео_путь[1:],
 'b64_video' : b64f.decode( 'utf-8' )
}}) 

Наконец, чтобы загрузить и оценить видео, мы используем клиентский API и передаем свои записи.

 прогнозы = client.predict_records(  'prod_score_video'  , записи) 

Это вызовет класс предиктора, который мы создали ранее. Вы должны увидеть уведомление в правом нижнем углу, показывающее ход сценария:

Теперь переменная прогнозов содержит ответ API:

Вы можете комбинировать эти прогнозы с исходными метками, чтобы увидеть, прогноз был верным:

Теперь у нас есть рабочая конечная точка API!

Шаг 7: Создание приложения

Чтобы поделиться этим проектом как приложением, мы можем использовать Application Designer .

Создайте новое визуальное приложение.

Вы можете выбрать всю информацию, которая копируется с вашим приложением. Для этого проекта единственная информация, которая действительно необходима, — это обученная нейронная сеть и наборы данных/папки в производственном конвейере. Добавьте эту папку к включенному контенту.

Далее нам нужно добавить функциональность в приложение. Выберите Добавить раздел и укажите имя для своего приложения.

Теперь нам нужно добавить плитки, чтобы пользователи могли загружать видеофайлы, запускать сценарий подсчета очков и просматривать или загружать результаты.Именно здесь все компоненты, которые мы разработали до сих пор, соединяются воедино.

После добавления плиток вы можете протестировать приложение:

Вы должны увидеть интерфейс своего приложения:

Протестируйте его, перетащив видеофайл в область загрузки (вы можете загрузить его вручную из папки видео, если это необходимо), выбрав Run Now , а затем взглянув на панель управления.

Теперь, когда приложение готово, вы можете создать новый экземпляр с главного экрана Dataiku.

Когда пользователь выбирает это, ему предлагается создать собственную копию приложения.

После того, как пользователь создал экземпляр своего собственного проекта приложения, он работает в совершенно другой среде, чем исходный проект Dataiku. Они не могут случайно помешать исходной работе или любым другим созданным приложениям.

Вы также можете создать приложение-плагин из дизайнера приложений. Это позволяет вам распространять плагин в виде отдельного файла, который можно установить в совершенно отдельный экземпляр Dataiku.

Заключение

В этом пошаговом руководстве мы создали полнофункциональную систему для обработки видео с использованием глубокого обучения и извлечения эмоциональных классификаций. Это может послужить отличной отправной точкой для дальнейшей работы или шаблоном для повторного использования в других проектах.

Тот же метод, который мы использовали здесь для классификации видео по эмоциям, может быть применен ко многим различным задачам классификации видео, от определения того, получают ли розничные покупатели удовольствие от просмотра видеозаписи, до выявления дефектных деталей на производственной линии.

Ищете дополнительные идеи о том, как вы можете использовать передовые инструменты для развития своего бизнеса, или консультации по глубокому обучению для ваших продвинутых проектов машинного обучения? Свяжитесь с нами по адресу [email protected], чтобы более подробно рассказать о своих проектах!

[PDF] Feeler: классификация эмоций текста с использованием модели векторного пространства -проблема прогнозирования эмоций эмпирическим путем с использованием контролируемого машинного обучения с архитектурой обучения SNoW для классификации эмоциональной близости предложений в повествовательной области детских сказок для последующего использования в соответствующем выразительном рендеринге синтеза речи.Развернуть

  • Посмотреть 1 отрывок, библиографический фон

Когнитивно-ориентированный подход к восприятию аффекта из текста

Предлагается формальная модель, которая может не только «понимать», какие эмоции люди связывают со своими текстовыми сообщениями, но и может давать автоматический эмпатический ответ относительно эмоционального состояния, обнаруженного в тексте (например, в системе чата). Expand
  • Просмотреть 1 отрывок, справочная информация

Модель восприятия текстового аффекта с использованием знаний реального мира

В этой статье демонстрируется новый подход, использующий крупномасштабные знания реального мира о присущей повседневным ситуациям аффективной природе для классификации предложений на «базовые» категории эмоций и предполагает, что подход достаточно надежен, чтобы обеспечить правдоподобные аффективные текстовые пользовательские интерфейсы.Expand
  • View 1 отрывок, ссылки на методы

Механизм преобразования текста в эмоции для интернет-общения в реальном времени

В этой статье представлена ​​последняя версия механизма извлечения эмоций, используемого для текстового общения в Интернете в реальном времени. Движок может анализировать входящий текст из среды чата, извлекать… Развернуть

  • Просмотреть 1 отрывок, фон ссылок

SemEval-2007 Задача 14: Аффективный текст

Набор данных, использованных при оценке, и результаты, полученные участниками системы описываются, подразумевая исследование связи между эмоциями и лексической семантикой.

Добавить комментарий

Ваш адрес email не будет опубликован.