en
Назад
Классификация эмоционального и физического напряжения посредством анализа признаков изображения лица
Полный текст «Оптического журнала»
Полный текст на elibrary.ru
Публикация в Journal of Optical Technology
Kan Hong Classification of emotional stress and physical stress using facial imaging features (Классификация эмоционального и физического напряжения посредством анализа признаков изображения лица) [на англ. яз.] // Оптический журнал. 2016. Т. 83. № 8. С. 77–83.
Kan Hong Classification of emotional stress and physical stress using facial imaging features (Классификация эмоционального и физического напряжения посредством анализа признаков изображения лица) [in English] // Opticheskii Zhurnal. 2016. V. 83. № 8. P. 77–83.
Kan Hong, "Classification of emotional stress and physical stress using facial imaging features," Journal of Optical Technology. 83(8), 508-512 (2016). https://doi.org/10.1364/JOT.83.000508
Для различения и классификации стрессовых состояний, вызванных эмоциональными либо физическими нагрузками, предложен новый алгоритм, основанный на применении эйлеровского видео-увеличения и разложения по эмпирическим модам (EM-EMD). В отличие от предыдущих алгоритмов распознавания стрессовых состояний, в методе EM-EMD не моделируется взаимоотношение между физиологическими параметрами стресса и соответствующими тепловыми изображениями, но формируется классификационная модель на основе признаков термических изображений, различающих те или иные типы и состояния стресса. Вначале проводится видеоувеличение сигналов от подкожных кровеносных сосудов на лобной части. Далее, в предложенном алгоритме, на соответствующей нагрузкам временной шкале выполняется частотный анализ сигналов для стресса, вызванного эмоциональными либо физическими нагрузками. Наконец, с использованием классификатора, использующего модель смеси нормальных распределений, строится классификационная модель, соответствующая эмоционально и физически обусловленному стрессу. Экспериментальные результаты показали, что алгоритм EM-EMD обеспечивает 85% достоверность различения и может быть взят за основу дальнейших практических применений. Обнаружилось, что скорость обработки с использованием предложенного алгоритма выше, чем у обычных методов. По нашему мнению, предложенный алгоритм EM-EMD может быть успешно использован для бесконтактного, по анализу изображений, различения эмоционально либо физически обусловленных стрессов.
классификация стрессовых состояний; эмоциональтный стресс; физический стресс
Благодарность:Работа выполнена при финансовой поддержке Национального фонда естественных наук Китая (грант № 61304111), Фонда естественных наук Пекина (грант № 4153059), Национальной китайской программы основных фундаментальных исследований (грант № 2014CB744904) и Научно-технологического проекта департамента образования провинции Цзянси (грант № GJJ150798).
Коды OCIS: 100.0100
Список источников:1. Natural Tech: The Adrenal Stress Profile. http://www.natratech.com/Products/saliva_test.htm. Accessed 7 March 2012.
2. Read G.F. Immunoassays of steroids in saliva // Steroid Biochem. 1985. V. 22. Is. 33. P. 437–438.
3. Healey J.A., Picar R.W. Detecting stress during real-world driving tasks using physiological sensors // IEEE Trans. Intell. Transp. Syst. 2005. V. 6. Is. 2. P. 156–166.
4. Barreto A., Zhai J., Adjouadi M. Non-intrusive physiological monitoring for automated stress detection in human–computer interaction // IEEE International Workshop on Human–Computer Interaction. 2007. V. 4796. Is. 1. P. 29–38.
5. Shi Y., Nguyen M.H., Blitz P., French B., Fisk S., DelaTorre F., Smailagic A., Siewiorek D.P., Kumar S. Personalized stress detection from physiological measurements // International Symposium on Quality of Life Technology. 2010. V. 1. Is. 1. P. 28–29.
6. Qiang W., Sourina O., Nguyen M.K. Fractal dimension based neuro-feedback in serious games // Visual Computer. 2011. V. 27. Is. 4. P. 299–309.
7. Stephanos I., Vittorio G., Arcangelo M. Thermal infrared imaging in psychophysiology: potentialities and limits // Psychophysiology. 2014. V. 51. Is. 10. P. 951–963.
8. Pavlidis I., Eberhardt N.L., Levine J.A. Human behavior: seeing through the face of deception // Nature. 2002. V. 415. Is. 6867. P. 35–36.
9. Pavlidis I., Dowdall J., Sun N., Puri C., Fei J. Interacting with human physiology // Computer Vision & Image Understanding. 2007. V. 108. Is. 1. P. 150–170.
10. Pavlidis I., Tsiamyrtzis P., Shastri D., Wesley A., Yan Z. Fast by nature – how stress patterns define human experience and performance in dexterous tasks // Scientific Reports. 2012. V. 2. Is. 3. P. 305–305.
11. Calvin K.L., Duffy V.G. Development of a facial skin temperature-based methodology for non-intrusive mental workload measurement // Occupational Eorgonomics. 2007. V. 7. Is. 2. P. 83–94.
12. Drummond P. The effect of adrenergic blockade on blushing and facial flushing // Psychophysiology. 1997. V. 34. Is. 2. P. 163–168.
13. Ebisch S.J., Aureli T., Bafunno D., Cardone D., Romani G.L. Mother and child in synchrony: thermal facial imprints of autonomic contagion // Biological Psychology. 2012. V. 89. Is. 1. P. 123–129.
14. Nozawa A., Tacano M. Correlation analysis on alpha attenuation and nasal skin temperature // Journal of Statistical Mechanics Theory & Experiment. 2009. V. 9. Is. 1. P. 415–430.
15. Anbar M. Assessment of physiologic and pathologic radiative heat dissipation using dynamic infrared imaging // Annals of the New York Academy of Sciences. 2002. V. 972. Is. 972. P. 111–118.
16. Jarlier S., Grandjean D., Delplanque S., NDiaye K., Cayeux I., Velazco M.I., Sander D., Vuilleumier P., Scherer K.R. Thermal analysis of facial muscles contractions // IEEE Transactions on Affective Computing. 2011. V. 2. Is. 1. P. 2–9.
17. Nhan B.R., Tom C. Classifying affective states using thermal infrared imaging of the human face // IEEE Transactions on Biomedical Engineering. 2010. V. 57. Is. 4. P. 979–987.
18. Kan H., Sheng H. Real time stress assessment using thermal imaging // The Visual Computer. 2015. V. 10. Is. 1. P. 1–9.
19. Kreibig S.D. Autonomic nervous activity in emotion: A review // Biological Psychology. 2010. V. 84. Is. 3. P. 394–421.
20. Nummenmaa L., Glerean E., Hari R., Hietanen J.K. Bodily maps of emotions // Proceedings of the National Academy of Sciences. 2013. V. 111. Is. 2. P. 646–651.
21. Sharma N., Dhall A., Gedeon T., Goecke R. Thermal spatio-temporal data for stress recognition // Eurasip Journal on Image & Video Processing. 2014. V. 2014. Is. 1. P. 1–12.
22. Takahashi T., Kageyama Y., Goto Y., Ishhii M., Nishida M. Detection of amusement feeling by using skin temperature on cheeks // IEEJ Transactions on Electronics Information & Systems. 2014. V. 134. Is. 3. P. 353–354.
23. Kan H., Peter Y. Detection and classification of stress using thermal imaging technique // SPIE 3rd International Conference on Proceedings of the Crime Detection and Prevention. 2009. V. 7486. P. 1–9.
24. Logunova E.V., Shelepin Y.E. Study of the role of spatial-frequency filtering of images when evaluating the age and interpreting the emotional expression of faces // Journal of Optical Technology. 2015. V. 82. Is. 10. P. 694–699.
25. Dowdall J., Pavalidis I.T., Tsiamyrtzis P. Coalitional tracking // Computer Vision & Image Understanding. 2007. V. 106. Is. 2. P. 205–219.
26. Hao Yu.W., Michael R., Shih E., Guttag J. Eulerian video magnification for revealing subtle changes in the world // ACM Transactions on Graphics. 2012. V. 31. Is. 4. P. 1–8.
27. Ne H., Shen Z., Sr L., Mc W., Shih H.H. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis // Proceedings of the Royal Society. A. Mathematical Physical & Engineering Sciences. 1998. V. 454. Is. 1971. P. 903–995.
28. Zhaohua W., Norden E.H. Ensemble empirical mode decomposition A noise assisted data analysis method // Advances in Adaptive Data Analysis. 2009. V. 1. P. 1–41.
29. Jinde Z., Junsheng C., Yu Y. Modified EEMD algorithm and its applications // Journal of vibration and shock. 2013. V. 32. Is. 21. P. 1–21.
30. Mohammadi H., Saeidi R. Speaker identification performance enhancement using Gaussian mixture model with GMM classification post-processor // IEEE International Conference on Signal Processing and Communication. 2007. P. 24–27.
31. Miller R., Plessow F., Kirschbaum C., Stalder T. Classification criteria for distinguishing cortisol responders from nonresponders to psychosocial stress: evaluation of salivary cortisol pulse detection in panel designs // Psychosom Med. 2013. V. 75. Is. 9. Р. 832–840.