每個(gè)人的走路方式都各有不同，而且它還會(huì)泄露有關(guān)你的更多秘密，比如你每時(shí)每刻的情緒。舉例來說，當(dāng)你感到壓抑或沮喪時(shí)，你更有可能耷拉著肩膀，而不是昂首闊步地走路。

美國(guó)查佩爾希爾大學(xué)和馬里蘭大學(xué)的研究人員利用這種身體語(yǔ)言，最近研究了一種機(jī)器學(xué)習(xí)方法，這種方法可以從某人的步態(tài)中識(shí)別出他當(dāng)前的情緒，包括情緒向性(消極或積極)和喚起水平(平靜或充滿活力)。研究人員稱，這種方法在初步實(shí)驗(yàn)中的準(zhǔn)確率達(dá)到80.07%。

研究人員寫道：“情緒在我們的生活中扮演著重要的角色，定義著我們的經(jīng)歷，塑造著我們看待世界和與他人互動(dòng)的方式。由于感知情感在日常生活中的重要性，自動(dòng)情感識(shí)別在許多領(lǐng)域都是一個(gè)關(guān)鍵問題，比如游戲和娛樂、安全和執(zhí)法、購(gòu)物以及人機(jī)交互等。”

研究人員選擇了四種情緒——快樂、悲傷、憤怒和中性，以此作為測(cè)試步態(tài)分析算法的例證。然后，他們從多個(gè)步行視頻語(yǔ)料庫(kù)中提取步態(tài)來識(shí)別情感特征，并使用三維姿態(tài)估計(jì)技術(shù)提取姿態(tài)。

最后，他們利用長(zhǎng)短時(shí)記憶(LSTM)模型——能夠?qū)W習(xí)長(zhǎng)期依賴關(guān)系，從姿態(tài)序列中獲得特征，并將其與隨機(jī)森林分類器(該分類器輸出多個(gè)獨(dú)立決策樹的平均預(yù)測(cè))相結(jié)合，將其所分析步態(tài)歸入上述四種情緒類別中。

這些特征包括肩膀姿勢(shì)、連續(xù)步數(shù)之間的距離以及手和脖子之間的抖動(dòng)頻率。頭部?jī)A斜角度被用來區(qū)分快樂和悲傷的情緒，而更緊湊的姿勢(shì)和“身體擴(kuò)張”分別代表著消極和積極的情緒。

至于喚起水平，科學(xué)家們注意到它往往與增加的動(dòng)作相對(duì)應(yīng)，該模型考慮了速度、加速度的大小，以及手、腳和頭部關(guān)節(jié)的“運(yùn)動(dòng)抖動(dòng)”。

AI系統(tǒng)處理了來自“情感漫步”(Emotion Walk，簡(jiǎn)稱EWalk)的樣本。EWalk是包含1384個(gè)步態(tài)的新數(shù)據(jù)集，這些步態(tài)是從24名受試者在大學(xué)校園(包括室內(nèi)和室外)散步的視頻中提取的。大約有700名來自亞馬遜土耳其機(jī)械公司的參與者給情緒貼上標(biāo)簽，研究人員用這些標(biāo)簽來確定情緒的向性和興奮程度。

在測(cè)試中，研究小組報(bào)告說，他們的情感檢測(cè)方法準(zhǔn)確性比***進(jìn)的算法提高了13.85%，比不考慮情感特征的“普通”LSTM提高了24.60%。這并不是說它是***的，畢竟其精度度在很大程度上取決于三維人體姿態(tài)估計(jì)和步態(tài)提取的精度。但盡管有這些限制，研究小組相信他們的方法將為涉及額外活動(dòng)和其他情感識(shí)別算法的研究提供堅(jiān)實(shí)的基礎(chǔ)。

研究人員表示：“我們的方法也是***個(gè)利用***進(jìn)3D人體姿態(tài)估計(jì)技術(shù)，為行走視頻中的情緒識(shí)別提供實(shí)時(shí)通道的方法。作為未來工作的一部分，我們希望收集更多的數(shù)據(jù)集，并改進(jìn)當(dāng)前系統(tǒng)中存在的限制。”