你走路的方式说明了你在任何特定时刻的感受。例如，当你被压迫或沮丧时，你比你满足或心烦时更容易瘫痪。利用这个体细胞词典，教堂山大学和马里兰大学的研究人员最近调查了一种机器学习方法，该方法可以识别一个人的感知情绪，效价(例如，消极或积极)，以及从他们的步态唤醒(平静或精力充沛)单独。研究人员声称这种方法 - 他们认为这是同类中的第一种 - 在初步实验中达到了80.07%的准确率。

“情绪在我们的生活中发挥着重要作用，定义了我们的经验，塑造了我们如何看待世界并与其他人互动，”共同作者写道。“由于感知情绪在日常生活中的重要性，自动情绪识别是许多领域的关键问题，如游戏和娱乐，安全和执法，购物，人机交互和人机交互。”

研究人员选择了四种情绪 - 快乐，悲伤，愤怒和中立 - 因为他们倾向于“持续一段时间”并且在行走活动中“丰富”。然后，他们从多个步行视频语料库中提取步态，以使用3D姿势估计技术识别情感特征和提取的姿势。最后，他们利用长期短期记忆(LSTM)模型 - 能够学习长期依赖性 - 从姿势序列中获取特征，并将它们与随机森林分类器(输出几个单独决策树的平均预测)相结合将例子分类为上述四种情绪类别。

这些功能包括肩膀姿势，连续步骤之间的距离以及手和颈部之间的区域。头部倾斜角度用于区分快乐和悲伤情绪，而更紧凑的姿势和“身体扩张”分别识别正面和负面情绪。至于唤醒，科学家注意到它往往与增加的运动相对应，该模型考虑了手，脚和头关节的速度，加速度和“运动抖动”的大小。

人工智能系统处理来自Emotion Walk或EWalk的样本，这是一个新的数据集，包含从在大学校园内，室内和室外走动的24名受试者的视频中提取的1,384个步态。来自亚马逊机械土耳其人的大约700名参与者标记了情绪，研究人员使用这些标签来确定化合价和唤醒水平。

在测试中，该团队报告说他们的情绪检测方法比最先进的算法提高了13.85%，比不考虑情感特征的“vanilla”LSTM提高了24.60%。这并不是说它是万无一失的 - 它的准确性在很大程度上取决于3D人体姿势估计和步态提取的精确度。但尽管有这些限制，该团队仍然相信他们的方法将为涉及其他活动和其他情绪识别算法的研究提供坚实的基础。

“我们的方法也是第一种通过利用最先进的3D人体姿态估计从步行视频中提供情感识别的实时管道的方法，”共同作者写道。“作为未来工作的一部分，我们希望收集更多数据集并解决[限制]。”