人工智能可以做的事情很多，但它們能“讀懂”人類的心情嘛?近日科學(xué)家們可能找到了一種讓AI學(xué)會“讀心”的方法。

由于每個(gè)人走路的姿勢各有不同，盡管你會認(rèn)為這可能沒什么，但其實(shí)你的走路姿勢就可能泄露了你當(dāng)時(shí)的情緒。比如，當(dāng)你昂首挺胸時(shí)，你可能感到十分興奮愉快，而當(dāng)你垂頭喪氣時(shí)，你很可能低頭或者駝背走路。

美國查佩爾希爾大學(xué)和馬里蘭大學(xué)的研究人員利用身體語言，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，這種方法識別出來的人類情緒準(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、購物以及人機(jī)交互等?！?/p>

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

最后，他們利用長短時(shí)記憶(LSTM)模型——這個(gè)模型能夠?qū)W習(xí)長期依賴關(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)相結(jié)合，將其所分析步態(tài)歸入上述四種情緒類別中。

▲這個(gè)AI系統(tǒng)根據(jù)人們走路的方式對他們的情緒進(jìn)行分類

步態(tài)的特征包括肩膀姿勢、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。頭部傾斜角度被用來區(qū)分快樂和悲傷的情緒，而更緊湊的姿勢和“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，簡稱EWalk)的樣本。EWalk是一組包含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。同時(shí)，大約700名來自亞馬遜土耳其機(jī)器人公司的參與者，還給該數(shù)據(jù)集的步態(tài)情緒進(jìn)行標(biāo)記，以便研究人員根據(jù)這些標(biāo)記來確定受試者步態(tài)情緒的效價(jià)和興奮程度。

測試報(bào)告顯示，他們的情感檢測方法準(zhǔn)確率比之前最先進(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%。

但這些數(shù)據(jù)并不代表該機(jī)器學(xué)習(xí)方法的檢測是萬無一失的，因?yàn)樗臏?zhǔn)確率在很大程度上取決于3D人體姿態(tài)估計(jì)和步態(tài)提取的精確度。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：“我們的方法也是第一個(gè)利用最先進(jìn)3D人體姿態(tài)估計(jì)技術(shù)，為行走視頻中的情緒識別提供實(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。”