视觉信号：

**
Visual signals from the face-to-face data show that several features can serve as indicators of depression, anxiety, and PTSD (Scherer et al., 2013b; Scherer et al., 2014). Speciﬁcally, these forms of psychological distress are predicted by a more downward angle of the gaze, less intense smiles and shorter average durations of smile, as well as longer self-touches and ﬁdget on average longer with both hands (e.g. rubbing, stroking) and legs (e.g. tapping, shaking). Moreover, the predictive ability of these indicators is moderated by gender (Stratou et al., 2013). A crossover interaction was observed between gender and distress level on emotional displays such as frowning,contempt,anddisgust. For example, men who scored positively for depression tend to display more frowning than men who did not, whereas women who scored positively for depression tend to display less frowning than those who did not. Other features such as variability of facial expressions show a main effect of gender – women tend to be more expressive than men, while still other observations, such as head-rotation variation, were entirely gender independent.

来自面对面数据的视觉信号表明，一些功能可以作为抑郁，焦虑和PTSD的指标（Scherer等，2013b； Scherer等，2014）。具体地说，这些心理困扰的形式通过一下指标来预测：凝视的向下角度更大，微笑强度降低和平均微笑持续时间较短，以及用双手（例如，抚摸，抚摸）和腿（例如轻拍，摇晃），更长的自我触摸和平均时间更长的手指。此外，这些指标的预测能力受性别影响（Stratou等，2013）。观察到性别与患病级别的一种运动显示之间的交叉互动，如皱着眉头，轻蔑和厌恶。例如，抑郁得分为正的男人比没有得分的男人更容易皱眉，而抑郁得分为正的女人比没有得分的男人更容易皱眉。面部表情的变异性等其他特征显示出性别的主要影响–女性往往比男性更具表现力，而其他诸如头部旋转度的观察结果则完全不依赖性别。

非语言行为注解

**
Severalnon-verbalbehaviors were annotated (Waxer, 1974; Hall et al., 1995): gaze directionality (up, down, left, right, towards interviewer), listening smiles (smiles while not speaking), selfadaptors (self-touches in the hand, body, and head), ﬁdgetingbehaviors,andfoot-tappingorshakingbehaviors. Each behavior was annotated in a separate tier in ELAN. Four student annotators participated in the annotation; each tier was assigned to apair of annotators, who ﬁrst went through a training phase until the inter-rater agreement (Krippendorff’salpha)exceeded0.7. Following training, each video was annotated by a single annotator; to monitor reliability, every 10–15 videos each pair was assigned the same video and inter-rater agreement was re-checked. Annotators were informed that their reliability was measured but did not know which videos were used for cross-checking (Wildman et al., 1975; Harris and Lahey, 1982).

注释了几种非语言行为（Waxer，1974； Hall等，1995）：注视方向（上，下，左，右，向面试官），倾听的微笑（不说话时微笑），自适应器（手中的自我触碰），身体和头部），获取行为以及踩踏或晃动行为。每个行为都在ELAN的单独层中进行了注释。四个学生注释者参加了注释；每个等级都分配给一对注释者，他们首先经过培训阶段，直到评分者间协议（Krippendorff的alpha）超过0.7。经过培训后，每个视频都由一个注释者来注释；为了监控可靠性，对每10到15个视频分配了相同的视频，并且重新检查了评估者之间的协议。注释者被告知他们的可靠性已经过测量，但是不知道哪些视频用于交叉检查（Wildman等，1975； Harris和Lahey，1982）。

In addition, automatic annotation of non-verbal features was carried out using a multimodal sensor fusion framework called MultiSense, with a multithreading architecture that enables different face- and body-tracking technologies to run in parallel and in realtime. Output from MultiSense was used to estimate the head orientation, the eye-gaze direction, smile level, and smile duration. Further, we automatically analyzed voice characteristics including speakers’ prosody(e.g.fundamentalfrequencyorvoiceintensity) and voice quality characteristics, on a breathy to tense dimension (Scherer et al., 2013a).

此外，使用称为MultiSense的多模式传感器融合框架执行了非语言功能的自动注释，该框架具有多线程架构，该架构使不同的面部和身体跟踪技术能够并行并实时运行。 MultiSense的输出用于估计头部方向，视线方向，微笑水平和微笑持续时间。此外，我们会在呼吸到紧张的维度上自动分析语音特征，包括说话者的韵律（例如基本频率或语音强度）和语音质量特征（Scherer等人，2013a）。

实例

该语料库通过开发定制的声音和声音来支持自动代理的交互功能。用于语音识别的语言模型，训练对自然语言理解的分类器以及为制定对话政策提供信息；有关详细信息，请参见DeVault等。（2014）。该语料库还用于支持座席的遇险检测功能，它使用多种类型的信息，包括视觉信号，语音质量和对话级别的功能。

来自面对面数据的视觉信号表明，一些功能可以作为抑郁，焦虑和PTSD的指标（Scherer等，2013b； Scherer等，2014）。具体地说，这些心理困扰的形式是通过凝视的向下角度更大，微笑强度降低和平均微笑持续时间较短，以及用双手（例如，抚摸，抚摸）和更长的自我触摸和平均时间更长的手指来预测的。腿（例如轻拍，摇晃）。此外，这些指标的预测能力受性别影响（Stratou等，2013）。观察到性别与遇险级别的一种运动显示之间的交叉互动，如皱着眉头，轻蔑和厌恶。例如，抑郁得分为正的男人比没有得分的男人更容易皱眉，而抑郁得分为正的女人比没有得分的男人更容易皱眉。面部表情的变异性等其他特征显示出性别的主要影响–女性往往比男性更具表现力，而其他诸如头部旋转度的观察结果则完全不依赖性别。

DIAC-WOZ数据集（二）---Visual signals相关推荐

ML之FE之FS：特征工程/数据预处理—特征选择之利用过滤式filter、包装式wrapper、嵌入式Embedded方法(RF/SF)进行特征选择(mushroom蘑菇数据集二分类预测)最全案例应用
ML之FE之FS:特征工程/数据预处理-特征选择之利用过滤式filter.包装式wrapper.嵌入式Embedded方法(RF/SF)进行特征选择(mushroom蘑菇数据集二分类预测)案例应用利 ...
鸢尾花数据集、月亮数据集二分类可视化分析
鸢尾花数据集.月亮数据集二分类可视化分析目录鸢尾花数据集.月亮数据集二分类可视化分析一.线性LDA算法 1.LDA算法 2.鸢尾花数据集 2.月亮数据集二.K-Means算法 1.K-Mean ...
（！详解 Pytorch实战：①）kaggle猫狗数据集二分类：加载（集成/自定义）数据集
这系列的文章是我对Pytorch入门之后的一个总结,特别是对数据集生成加载这一块加强学习另外,这里有一些比较常用的数据集,大家可以进行下载: 需要注意的是,本篇文章使用的PyTorch的版本是v0. ...
使用Dundas控件在web应用上展现多维数据集(二)
摘要: [20111014批注]此文所讲述的内容已过期,Dundas现在已不提供相关组件,详细情况请参考Dundas官方网站. 上一篇中描述了使用Dundas OLAP构建简单的多维数据集展现,此文简 ...
YoloV4训练自己的数据集(二)
本文主要介绍使用GPU测试网络,请先看前文然后再看本文.上文中我没有使用Opencv以及GPU,因此测试时间较长,本文介绍使用Opencv以及GPU. 1.安装OpenCV 首先去Opencv官网下载 ...
项目二 Visual studio 实现贪吃蛇C++
一实现过程中遇到的问题及相关代码: 1.error C2665: "outtextxy": 2 个重载中没有一个可以转换所有参数类型错误原因 VC6 默认使用的 MBCS 编码 ...
(网络安全数据集二)美国攻击类型数据集通用攻击枚举和分类CAPEC解析
CAPEC 攻击类型枚举和分类数据集解析 CAPEC是常用冲击类型的分类:https://capec.mitre.org/index.html 拿下载到的数据集中某一条攻击类型信息举例: 缓冲区变量溢 ...
深度学习（二）——从零自己制作数据集到利用deepNN实现夸张人脸表情的实时监测（tensorflow实现）
一.背景介绍这篇文章主要参考我的上一篇文章:深度学习(一)--deepNN模型实现摄像头实时识别人脸表情(C++和python3.6混合编程).由于上一篇文章的模型所采用的数据集为fer2013,前 ...
情感识别相关数据集总结
(*主要介绍数据集的格式) 一. 图片 1. artphoto 未划分train-test: 图片数据:标签 2. SFEW2.0 训练集+验证集: 图片数据:标签:特征测试集 ...

DIAC-WOZ数据集（二）---Visual signals

视觉信号：

非语言行为注解

实例

DIAC-WOZ数据集（二）---Visual signals相关推荐

最新文章

热门文章