Pojedinac može prineti ruke licu kada je tužan ili skočiti u vazduh kada je srećan. Pokreti ljudskog tela prenose emocije, što igra ključnu ulogu u svakodnevnoj komunikaciji, prema timu koji predvode istraživači Penn Stejta. Kombinujući računarstvo, psihologiju i izvođačke umetnosti, istraživači su razvili skup podataka o ljudskom pokretu koji može poboljšati sposobnost veštačke inteligencije da prepozna emocije izražene govorom tela.
Rad—koji je vodio Džejms Vang, istaknuti profesor na Koledžu za informacione sisteme i tehnologiju (IST), a koji je prvenstveno izvodio Čenjan Vu, student doktorskih studija u Vangovoj grupi—je objavljen 13. oktobra u štampanom izdanju časopisa Obrasci i na naslovnoj strani časopisa.
„Ljudi se često kreću koristeći specifične motoričke obrasce da bi preneli emocije i ti pokreti tela nose važne informacije o emocijama ili mentalnom stanju osobe“, rekao je Vang. „Opisivanjem specifičnih pokreta uobičajenih za ljude koristeći njihove temeljne obrasce, poznate kao motorni elementi, možemo uspostaviti odnos između ovih motoričkih elemenata i telesno izraženih emocija.“
Prema Vangu, povećanje razumevanja fizičkih emocija koje izražavaju mašine može pomoći u poboljšanju komunikacije između pomoćnih robota i dece ili starijih korisnika; pružiti psihijatrijskim stručnjacima kvantitativnu dijagnostičku i prognostičku pomoć; i pojačati bezbednost sprečavanjem nezgoda u interakciji ljudi-mašina.
„U ovom radu uveli smo novu paradigmu za razumevanje telesno izraženih emocija koja uključuje analizu motoričkih elemenata“, rekao je Vang. „Naš pristup koristi duboke neuronske mreže — vrstu veštačke inteligencije — da prepozna motorne elemente, koji se kasnije koriste kao posredne karakteristike za prepoznavanje emocija.
Tim je kreirao skup podataka o načinu na koji pokreti tela ukazuju na emocije – motoričke elemente tela – koristeći 1.600 ljudskih video snimaka. Svaki video snimak je obeležen korišćenjem Labanove analize pokreta (LMA), metode i jezika za opisivanje, vizuelizaciju, tumačenje i dokumentovanje ljudskog pokreta.
Vu je zatim dizajnirao mrežu za analizu kretanja sa dvostrukom granom i dvostrukim zadatkom koja je sposobna da koristi označeni skup podataka za proizvodnju predviđanja i za telesne izražene emocije i LMA oznake za nove slike ili video zapise.
„Oznake emocija i LMA elemenata su povezane, a LMA oznake su lakše za učenje dubokih neuronskih mreža“, rekao je Vu.
Prema Vangu, LMA može da proučava motoričke elemente i emocije dok istovremeno stvara skup podataka „visoke preciznosti“ koji pokazuje efikasno učenje ljudskog pokreta i emocionalnog izražavanja.
„Uključivanje LMA funkcija efikasno je poboljšalo razumevanje emocija koje se izražavaju telom“, rekao je Vang. „Obimni eksperimenti koji su koristili video podatke iz stvarnog sveta otkrili su da je naš pristup značajno nadmašio osnovne vrednosti koje su razmatrale samo rudimentarno kretanje tela, što obećava dalji napredak u budućnosti.“
