Perception d'états affectifs et apprentissage
Le problème abordé dans ce travail est celui de la reconnaissance des états affectifs d'un utilisateur à partir de mesures physiques (accéléromètres) et physiologiques (ECG, EMG...) issues de capteurs portés. Etant donné la nature complexe de la relation entre les signaux dont nous disposons et les états affectifs à reconnaître, nous proposons d'utiliser une méthode d'apprentissage statistique. Nous commençons par discuter des états de l'art dans les domaines de l'apprentissage statistique et de la reconnaissance d'émotions. Nous présentons ensuite un cadre permettant de comparer les différents algorithmes d'apprentissages et leurs conditions d'utilisation. A l'issue de cette préétude, nous proposons une architecture globale d'un système embarqué de reconnaissance en temps réel. Au lieu de chercher à directement reconnaître les états affectifs, nous proposons de commencer par une phase de détection de changement dans les signaux et par la suite nous étiquetterons les segments identifiés entre deux ruptures. Nous démontrons enfin l'intérêt de notre approche sur deux exemples réels.
This article deals with the problem of affective states recognition from physical and physiological wearable sensors. Given the complex nature of the relationship between available signals and affective states to be detected we propose to use a statistical learning method. We begin with a discussion about the state of the art in the field of statistical learning algorithms and their application to affective states recognition. Then a framework is presented to compare different learning algorithms and methodologies. Using the results of this pre-study, a global architecture is proposed for a real time embedded recognition system. Instead of directly recognizing the affective states we propose to begin with detecting abrupt changes in the incoming signal to segment it first and label each segment afterwards. The interest of the proposed method is demonstrated on two real affective state recognition tasks.
G.LOOSLI, S.LEE, A.RAKOTOMAMONJY
reconnaissance d'émotions, états affectifs, apprentissage, SVM, contexte, SVM à une classe, détection de ruptures.
emotion recognition, affective computing, affective states, learning systems, learning algorithms, SVM,1-class SVM, context retrieval, sequential detection, novelty detection.
Français
|
