[论文解读] Identifying Emotion from Natural Walking

Liqing Cui, Shun Li+3 more|arXiv (Cornell University)|Aug 3, 2015

Anomaly Detection Techniques and Applications参考文献 8被引用 3

一句话总结

本文提出了一种方法，通过佩戴在手腕和脚踝上的智能手机加速度计数据，从自然行走中识别人类情绪。通过应用移动平均滤波、提取114个时域与频域特征，并使用主成分分析（PCA）进行降维，研究在使用支持向量机（SVM）时，对愤怒情绪的分类准确率最高达90.31%，对快乐情绪的分类准确率为89.76%。脚踝数据的表现优于手腕数据，表明步态模式能可靠地反映情感状态。

ABSTRACT

Emotion identification from gait aims to automatically determine persons affective state, it has attracted a great deal of interests and offered immense potential value in action tendency, health care, psychological detection and human-computer(robot) interaction.In this paper, we propose a new method of identifying emotion from natural walking, and analyze the relevance between the traits of walking and affective states. After obtaining the pure acceleration data of wrist and ankle, we set a moving average filter window with different sizes w, then extract 114 features including time-domain, frequency-domain, power and distribution features from each data slice, and run principal component analysis (PCA) to reduce dimension. In experiments, we train SVM, Decision Tree, multilayerperception, Random Tree and Random Forest classification models, and compare the classification accuracy on data of wrist and ankle with respect to different w. The performance of emotion identification on acceleration data of ankle is better than wrist.Comparing different classification models' results, SVM has best accuracy of identifying anger and happy could achieve 90:31% and 89:76% respectively, and identification ratio of anger-happy is 87:10%.The anger-neutral-happy classification reaches 85%-78%-78%.The results show that it is capable of identifying personal emotional states through the gait of walking.

研究动机与目标

• 探究是否能从可穿戴加速度计数据中可靠地推断情绪状态。
• 比较手腕与脚踝传感器位置在情绪识别中的有效性。
• 评估数据预处理（特别是不同窗口大小的移动平均滤波）对分类准确率的影响。
• 确定在从步态特征分类情绪时，哪种机器学习模型表现最佳。
• 探讨利用日常智能手机传感器实现持续、非侵入性情感状态监测的可行性。

提出的方法

• 从参与者自然行走时佩戴在手腕和脚踝上的智能手机中采集加速度计数据。
• 对原始加速度信号应用窗口大小w（3或5）可变的移动平均滤波器，以平滑信号并减少噪声。
• 从每个滤波后的数据段中提取共计114个特征——包括时域、频域、功率和分布特征。
• 使用主成分分析（PCA）对高维特征集进行降维，以消除冗余信息。
• 使用10折交叉验证训练并评估五种分类模型——支持向量机（SVM）、决策树、多层感知机、随机树和随机森林。
• 比较不同窗口大小（w=3, w=5）和传感器位置（手腕与脚踝）下的性能，以评估其对情绪分类准确率的影响。

实验结果

研究问题

• RQ1 是否能利用智能手机加速度计数据，从自然行走中准确分类愤怒、快乐和中性等情绪？
• RQ2 传感器位置（手腕与脚踝）是否显著影响情绪分类的准确率？
• RQ3 移动平均滤波窗口大小（w）如何影响情绪分类模型的性能？
• RQ4 哪种机器学习模型在从步态特征识别情感状态时获得最高分类准确率？
• RQ5 数据预处理（包括降噪和特征提取）在多大程度上影响最终的分类性能？

主要发现

• SVM分类器表现最佳，当使用脚踝加速度计数据时，识别愤怒的准确率达到90.31%，识别快乐的准确率为89.76%。
• 脚踝数据在情绪分类中始终优于手腕数据，最佳整体准确率90.31%出现在移动平均窗口大小w=5时。
• 混淆矩阵结果显示，快乐情绪最常被误分类为愤怒，反之亦然，表明这两种情绪之间存在重叠的步态模式。
• 中性情感是分类最准确的情绪，当w=3时，手腕数据和脚踝数据的准确率均为86%；当w=5时，脚踝数据准确率为78%。
• 使用脚踝数据且w=5时，愤怒-中性-快乐三分类的准确率分别为85%、78%和78%，表明在三类情绪中均表现出中等但稳定的性能。
• 本研究证实，步态模式中包含可用于区分情感状态的特征，且移动平均滤波和PCA等预处理步骤显著提升了模型性能。