您现在的位置是：首页 > 财经网站首页财经

互联网可以使学生变成老师；互联网可以使名不见经传的人闻名天下；互联网可以结交志同道合的朋友；互联网可以让自己获取最多的知识，改变以往的传统的学习方式。下面分享一篇关于互联网的文章供大家阅读。

人们对情感的普遍看法是，它们过于特质和主观，无法进行科学的研究。但是，正如今天在认知神经科学协会(CNS)虚拟会议上所介绍的那样，认知神经科学家正在使用当代的，数据驱动的计算方法来推翻有关全人类情感结构的古老观念。

研究人员正在利用计算能力来理解一切，从我们在思维游荡期间如何产生自发性情绪，到我们如何解码跨文化的面部表情。他们的发现对于表征情绪如何促进幸福，精神疾病的神经生物学，甚至如何制造更有效的社交机器人具有重要意义。

杜克大学主席凯文·拉巴尔(Kevin LaBar)表示：“人工智能(AI)使科学家能够以以前认为不可能的方式研究情绪，这导致发现改变了我们认为生物信号产生情绪的方式。”在CNS虚拟会议上讨论此主题。

解码跨文化的面部表情

六种人类的核心情感-恐惧，愤怒，厌恶，悲伤，幸福和惊奇-几十年来一直被认为是人类心理学中普遍存在的情感，并在皮克斯电影《从里到外》中流行。尽管这个想法在社会上很普遍，可以追溯到保罗·埃克曼(Paul Ekman)的工作，但科学共识实际上表明，这些情绪远非普遍存在，在不同文化中，尤其是对于东亚人来说，这些情绪在面部识别方面存在巨大差距，格拉斯哥大学的研究员瑞秋·杰克(Rachael Jack)说。

杰克一直在努力理解她所谓的“面部语言”，即个人面部动作如何以不同方式组合以创建有意义的面部表情(例如字母如何组合以创建单词)。杰克说：“我认为这有点像试图破解象形文字或未知的古代语言。” “我们对口头和书面语言了解甚多，甚至对数百种古代语言也了解甚多，但是对于我们每天使用的非语言交流系统的形式知识却相对较少，这对整个人类社会都至关重要。”

在她在CNS年会上提出的新作品中，杰克将展示她的团队用来开发这些面部动作的动态模型的新颖的数据驱动方法，例如情感面部表情的食谱。她的团队现在将这些模型转移给数字代理，例如社交机器人和虚拟人，以便它们可以生成具有社交差异和文化敏感性的面部表情。

在他们的工作中，由格拉斯哥大学神经科学与心理学研究所创建的新型面部运动发生器随机选择了个别面部运动的子集，例如眉毛抬高器，鼻子皱纹或嘴唇伸展器，并随机激活强度和每个时间。这些随机激活的面部运动然后结合在一起以创建面部动画。来自不同文化的研究参与者然后根据六种经典情感对面部动画进行分类，或者如果他们没有感知到这些情感中的任何一种，则可以选择“其他”。经过多次此类试验后，研究人员在每次试验中呈现的面部动作与参与者的反应之间建立了统计关系，从而产生了数学模型。

她解释说：“与传统的理论驱动方法相反，实验人员采用一组假设的面部表情并将其展示给全世界的参与者，我们增加了一种心理物理方法。” “在采样和测试面部表情时，它更多是由数据驱动的，并且更加不可知论，并且更重要的是，使用文化参与者的主观理解来了解哪些面部表情会推动他们对特定情绪的感知，例如，'他很高兴'。”

这些研究将情感的通用面部表情的六种常用思想缩减为只有四种跨文化的表情。杰克说：“面部表情存在重大的文化差异，可能会阻碍跨文化交流。” “我们经常但并非总是发现，东亚人的面部表情比西方人的面部表情更具表达力，西方人的面部表情倾向于嘴部更具表达力，就像东方人诉西方表情符号一样!”

她补充说，还有一些文化共性可用于支持特定信息的准确跨文化交流，例如，东西方文化中快乐，感兴趣和无聊的面部表情相似，并且很容易在各种文化中得到认可。

Jack和她的团队现在正在使用他们的模型来增强可在全球使用的机器人和其他数字代理的社交信号功能。她说：“我们很高兴将面部表情模型转移到一系列数字代理中，并看到其性能有了显着提高。”

了解休息时的自发情绪

杜克大学的LaBar说，了解情感的主观体验如何在大脑中介导是情感神经科学的圣杯。“这是一个棘手的问题，迄今为止进展甚微。”

LaBar和他的同事正在他的实验室中研究大脑休息时大脑出现的情绪。他解释说：“无论是由内在的思想还是记忆引起的，这些“意识流”的情感都是反省和担心的目标，它们可能导致长时间的情绪状态，并可能使记忆和决策产生偏差。

直到最近，研究人员还无法从大脑功能的静止状态信号中解译这些情绪。在今天的演讲中，LaBar的团队已经能够应用机器学习工具来导出神经成像标记，这些标记是一小组情绪的集合，例如恐惧，愤怒和惊奇。研究人员已经建模了当受试者躺在MRI扫描仪中时这些情绪如何自发地出现在大脑中。

这项工作的核心是训练一种机器学习算法，以区分将情感彼此分开的大脑活动模式。研究人员提出了一种模式分类器算法，该算法带有一组训练数据集，这些训练数据集来自与会诱导特定情绪的音乐和电影剪辑的一组参与者。通过使用反馈，该算法学会权衡来自大脑不同区域的输入，以优化每种情感的信号传递。然后，研究人员使用从测试样本中生成的一组大脑权重，测试分类器如何很好地预测新参与者样本中的诱发情绪。

他说：“一旦以这种方式在各个受试者之间验证了特定于情绪的大脑模式，我们就会寻找证据证明这些模式会在只是躺在扫描仪中静止的参与者中自发出现。” “然后我们可以确定模式分类器是否准确预测人们在扫描仪中自发报告的情绪，并识别出个体差异。”

通过这种方法，他们已经证明，例如，焦虑和抑郁的个体差异如何使自发性情绪的表达产生偏见，随着年龄的增长，情绪在整个寿命过程中如何变化，以及情绪的时间动态如何使健康受试者与患有精神病理学的个体区分开。

“我们的希望是，这种努力将导致不依赖自我报告的特定情感体验的更可靠，客观的指标，因为这些口头报告在某些人群中并不可靠，例如儿童或什至是很少自我意识的成年人洞察他们的情绪，”他说。“如果是这样，那么我们可能会更好地理解这些人的情感生活。”