Актуальные направления зарубежных исследований невербального проявления эмоциональных состояний

Проблема бесконтактного распознавания микродвижений мимических мышц лица, соответствующих различным эмоциональным состояниям человека, является сегодня одной из фундаментальных проблем психологии. Решение этой проблемы напрямую связано с развитием метода наблюдения, возможности которого существенно возросли на современном этапе развития информационно-ком-.муникационных технологий, доступностью проведения видеосъёмки в цифровом формате и прогресса в разработке программного обеспечения для анализа аудио- и видеоинформации. Как отмечает В.А. Барабанщиков[1] (2011), интенсивное развитие методов измерения и обработки данных, математизация знания привели к изменению инструментария и технологий экспериментальной работы, существенно расширяющих возможности исследования. Открылась возможность применения новой стратегии научного исследования, ориентированной на выявление многокачественности и динамизма психических явлений.

В зарубежной научной психологической литературе в последнее время появилось большое количество публикаций, относящих современные формы метода наблюдения к количественным методам. Так, Jamie М. Ostrov и Emily J. Hart1 (2013) отмечают необходимость разработки систем кодирования, технологий для облегчения сбора и анализа данных. Сегодня многие IT-компании разрабатывают программное обеспечение на основе искусственного интеллекта для изучения эмоций человека с использованием различных технологий распознавания мимики. Полученная информация кодируется и переводится в количественные данные. Многие такого рода программные продукты разрабатываются для маркетинговых исследований (например, оценка реакции покупателей). В частности, в проекте Emotient используется ПО для детального анализа эмоций, отраженных на лице каждого человека на отдельном видеокадре, с последующей разбивкой выраженных чувств на микроэлементы и измерения данных по трем показателям: обратил ли человек внимание на рекламу, повлияла ли на него реклама на эмоциональном уровне, и какие эмоции она вызвала[2] .

Следует отметить, что разработанные технологии распознавания эмоций ориентируются на существующие типологии и мимические модели эмоционального реагирования, в первую очередь — на ней-рокультурную моделью эмоций П. Экмана (Р. Ekman, 1972). В соответствии с этой моделью выражение эмоций определено тремя основными факторами: (1) внешний стимул (события, воспоминания); (2) специфика активности мимических мышц при выражении основных эмоций; (3) предписания «культуры» усилить или ослабить интенсивность проявления эмоций; (4) последствия — изменения на лице, моторная активность, изменения голоса и т. и. Предложенная П. Экманом классификация основных эмоций (счастье, гнев, удивление, страх, отвращение, печаль) широко используется в качестве базиса как научных исследований, так и различных разработок интеллектуальных систем распознавания эмоций. В совместных исследованиях П. Экмана и У. Фризена (Р. Ekman, W. Friesen, 1978) на основе анатомического атласа определены единицы действия мышц

лица (AUs — ActionUnits) и разработана система кодирования активности лицевых мышц (FACS — FacialActionCodingSystem). Эта система широко используется но настоящее время в исследованиях эмоциональных реакций людей с помощью специализированного программного обеспечения.

Rosalind Picard был введён термин «Affective Computing»1 (1997) — изучение и развитие систем и механизмов по опознаванию, интерпретации, обработке и воспроизведению человеческих эмоций. Ею разработаны сенсорные и неконтактные датчики, применяющиеся в исследованиях эмоций в детской психологии, психологии бизнеса, медицине, а также в маркетинговых исследованиях для изучения эмоций потребителей. Judith A. Hall были проведены исследования невербальной коммуникации в социальной психологии, определены гендерные различия в восприятии эмоций[3] .

Технологии распознавания и анализа лиц, базирующиеся па подходе П. Экмана и У. Фризена и развивающие его подход, были разработаны Джеффри Коном (JeffreyCohn) и его сотрудниками. Ими была усовершенствована система мимических единиц AUs предложен новый подход к их распознаванию и создана методика СОТ (CascadeofTasks), позволяющая более точно распознавать AUs. Каждый AU эпизод (AU event) разбивается на три подзадачи: распознавание на уровне кадра (frame-leveldetection), распознавание на уровне сегмента (segment-leveldetection) и распознавание переходного состояния, т. е. начального момента и момента окончания действия (transition detection of on sets and offsets). По мнению авторов, данная методика позволяет более точно выявлять AUs, прежние подходы фокусировались только на одной из задач. Программа СОТ также создаст графическое изображение всего процесса: прогнозный вектор (предполагаемый результат) и реальная ситуация. Разработанные технологии были приобретены в 2016 г. компанией Facebook.

Поставленная П. Экманом проблема культурного аспекта невербального проявления эмоциональных состояний получила своё раз

витие в исследованиях Д. Мацумото (David Matsumoto), которым была разработана программа чтения микроэмоций лица. В соответствии с кросс-культурной концепцией Д. Мацумото нормы проявления эмоций различаются в соответствии с особенностями индивидуалистического или коллективистского подхода с точки зрения отношений личности с членами и не членами группы (на примере различий в культурных проявлениях эмоций между американцами и японцами)1.

Широкий спектр исследований невербального поведения человека посредством составления математических моделей представлен в исследованиях i-BUG group по руководством MajaPantic[4] . Основное внимание в исследованиях уделяется автоматическому анализу видеоинформации (computervision) и машинному обучению (machinelearning) для распознавания мультимодальных эмоциональных сигналов человека. Целью одного из проектов, разрабатываемого группой (FACER2VM), является разработка механизмов автоматического извлечения, узнавания, проверки/подтверждения подлинности при работе с видео- и фотоматериалами.

Существующие виды программного обеспечения, используемые для фиксации поведенческих и мимических паттернов, в качестве базы принятия решения используют усредненные модели поведения людей и мимического выражения типовых эмоций. Так, например, механизм работы программы FaceReader, разработанной голландской фирмой Noldus, основан на трехмерном моделировании лица с использованием ААМ (ActiveAppearanceModels) — статистических моделей изображений, которые путем разного рода деформаций могут быть подогнаны под реальное изображение. ААМ используется для вычисления правдоподобия (probability) и интенсивности (intensity) выражения эмоций по шкале от 0 до 1. При этом используется дополненная классификация эмоций по П. Экману, включающая 8 базовых выражений лица: счастье, грусть, страх, отвращение, удивление, гнев, нейтральное выражение, презрение. FaceReader со-

держит 4 модели лиц: общая (европейская), детская (3-10 лет), восточноазиатская, а также модель пожилого возраста (60 лет и старше).

Проведенный анализ направлений зарубежных исследований невербального проявления эмоциональных состояний свидетельствует, что существующие виды программного обеспечения, используемые для фиксации поведенческих и мимических паттернов, в качестве базы принятия решения используют усредненные модели поведения людей и мимического выражения типовых эмоций. И если при изучении массовых проявлений эмоций (например, в маркетинговых исследованиях) индивидуальная специфика на фоне общих тенденций невербального проявления эмоций большого значения не имеет, то при проведении индивидуальных обследований (например, при производстве СПЭ) ориентация на среднестатистические нормы может привести к недостоверным выводам. Перспективным направлением научных исследований проблемы распознавания эмоциональных состояний человека является разработка методики анализа мимической активности лиц с помощью интеллектуальной системы машинного зрения, с дальнейшей автоматической классификацией мимических паттернов с учётом индивидуальных особенностей каждого респондента, без использования усредненных моделей невербального выражения эмоций.

? Майлис Н.П.

профессор кафедры трасологии и оружиеве-дения Московского университета МВД РФ им. В.Я. Кикотя, д-р юрид. наук, профессор, заслуженный деятель науки РФ

  • [1] Барабанщиков В.А. Экспериментальный метод в психологии // Экспериментальная психология. 2011. Т. 4. № 1. С. 4-16.
  • [2] Ostrov J.M., Hart E.J. Observational Methods. The Oxford Handbook of Quantitative Methods in Psychology, 2013, Vol. 1 pp. 285-303 2 https://habrahabr. ru/post/297778/ 3 Ekman P. Universal and cultural differences facial expressions of emotions. In: Cole J. Nebraska Symposium on Motivation. Lincln: University of Nebraska Press, 1972, p. 207-283
  • [3] Picard R. Affective Computing. MIT Press. Cambridge, 1997. 2 Knapp M.L., Hall J.A., Horgan T.G. Nonverbal Communication in Human Interaction. Cengage Learning. 2014. 528 p. 3 Ekman P, Friesen IT. Facial Action Coding System. Palo Alto: Consulting psychologists Press, 1978. 4 Tian Y., Kanade T„ Cohn J.F. Recognizing Action Units for Facial Expression Analysis. IEEE Trans. Pattern Anal. Mach. Intell. 23, 2, 2001, pp. 97-115. DOI: https://doi. org/10.1109/34.908962
  • [4] Matsumoto D. Cultural similarities and differences in display rules. Motivation and emotion. 1990. 14. 3. pp. 195-214. 2 Pantic M. Machine analysis of facial behaviour: Naturalistic and dynamic behaviour. Philosophical Transactions of the Royal Society of London B: Biological Sciences, vol. 365 N1535 pp. 3505-3515 3 http://www. noldus. com/files/file_manager/downloads/whitepaper/Face Rcadcr Mcthodology. pdf
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ   След >