краткое содержание
В этой статье предлагается база данных эмоций fNIRS-EEG (FEAD), которую можно использовать для обучения моделей распознавания эмоций. В ходе исследования были записаны в общей сложности электрическая активность мозга и церебральные гемодинамические реакции 37 испытуемых, а также классификация и размерные оценки 24 видов эмоциональных аудиовизуальных стимулов. Была изучена взаимосвязь между нейрофизиологическими сигналами и субъективными оценками, и значительные корреляции были обнаружены в области префронтальной коры. База данных будет общедоступной и призвана побудить исследователей разрабатывать более совершенные алгоритмы аффективных вычислений и распознавания эмоций.
введение
Эмоция – это кратковременная и интенсивная реакция нервной системы на определенный раздражитель. Многие исследования показали, что кора головного мозга и подкорковые нейронные структуры участвуют в регуляции и обработке эмоций. Поскольку нервная система играет важную роль в контроле, реагировании и регулировании психологических процессов, понимание ее функций может помочь нам определить эффективные индикаторы эмоций. Наши сенсорные рецепторы обнаруживают изменения во внутренней и внешней среде и передают эти изменения соответствующим частям нервной системы мозга посредством потенциалов действия (сигналов). Чувства, мысли и решения являются результатом синтеза этих сенсорных сигналов. Нервная система затем позволяет людям сознательно или бессознательно реагировать на изменения в окружающей среде, посылая сигналы различным органам, таким как мышцы и железы. Это приводит к трем основным направлениям измерения эмоций: 1) измерение биомаркеров путем сбора физиологических сигналов (таких как частота дыхания, сердцебиение или электрическая активность нейронов); 2) мониторинг внешних проявлений (таких как макро/микровыражения лица или язык тела); ;3) Субъективная оценка (например, самоотчеты).
Выбор индикатора или индикаторов эмоций, которые лучше всего отражают эмоциональное состояние человека, требует учета сложности человеческих эмоций. Хотя внешние показатели легко наблюдать и получать, различные факторы, включая социальные обязательства и личные привычки, затрудняют понимание эмоций, связанных с этими показателями, сторонним наблюдателям. С другой стороны, физиологические сигналы могут быть трудно интерпретировать из-за таких факторов, как низкое соотношение сигнал/шум, индивидуальные психофизиологические механизмы, пол, психологические и физические характеристики. Однако биомаркеры менее восприимчивы к внешним индикаторам, и их трудно скрыть или замаскировать. Кроме того, технологические достижения последних лет сделали сбор данных простым и дешевым, что позволяет надежно использовать физиологические сигналы для обнаружения человеческих эмоций.
Когда дело доходит до отображения человеческих эмоций на семантические аффективные состояния, существуют две широко распространенные концепции: теория дискретных эмоций и теория пространственных эмоций. Теория дискретных эмоций утверждает, что существует основной набор эмоций, который можно идентифицировать у людей в разных культурах. Шесть основных эмоций Экмана, включая гнев, отвращение, страх, счастье, печаль и удивление, являются популярной моделью в теории дискретных эмоций. Каждое эмоциональное состояние уникально и универсально, имеет специфические характеристики, позволяющие четко определить и описать широкий спектр эмоций. Однако, учитывая сложность человеческих эмоций и разные взгляды на основные эмоциональные компоненты, другие исследователи предложили методы отображения аффективных состояний на многомерные оси, которые представляют собой так называемую теорию размерных эмоций. Существует несколько различных моделей этой теории. Например, трехмерная модель PAD использует удовольствие, возбуждение и доминирование для описания человеческих эмоций, где удовольствие представляет собой степень счастья или удовольствия, возбуждение представляет собой уровень бдительности, а доминирование представляет собой чувство влияния на окружающую среду. Другая популярная многомерная модель — циркумплексная модель, которая пытается отобразить эмоции по двум осям: удовольствие и возбуждение. Колесо эмоций, предложенное Плутчиком (2003), сочетает в себе теорию категорий и теорию размерностей. Он располагает четыре противоположные основные эмоции — счастье, страх, печаль и гнев — в концентрических кругах. Здесь в этой статье используется многомерная модель PAD и четыре категории эмоций в колесе эмоций Плутчика, чтобы установить базовое истинное значение.
В последние годы было выпущено множество баз данных тестов эмоций, в которых используются одиночные (унимодальные) или множественные (мультимодальные) индикаторы эмоций и одна или несколько теорий эмоций. Например, Берлинская база данных Emotion Speech Database (Emo-DB) записывает 535 предложений, произнесенных 10 актерами (пятью мужчинами и пятью женщинами), с целью отобразить их эмоции по шести категориям эмоций (счастье, гнев, тревога, страх, скука и отвращение). ). Наборы данных «Спонтанные микровыражения» (SMIC) и «Спонтанные микрофациальные движения» (SAMM) также представляют собой одномодальные базы данных, в которых записываются выражения лица участников, а их эмоции преобразуются в категориальные эмоции. Аналогично, набор данных SEED использует физиологические сигналы (ЭЭГ) 15 участников для классификации их эмоций. Однако сложность психологических состояний человека, субъективное сознание и бессознательные характеристики, а также необходимость комплексного понимания человеческих эмоций побудили исследователей провести исследования по мультимодальному распознаванию эмоций. Набор данных AMIGOS собирает три физиологических сигнала и информацию о видеозаписях лиц и тел 40 человек, чтобы выявить их тонкие эмоциональные изменения. DEAP, MAHNOB-HCI, RECOLA, DREAMER и DECAF также представляют собой мультимодальные базы данных, которые записывают движения глаз участников, видео лица, речь и физиологические сигналы (ЭЭГ, электромиография (ЭМГ), электрокардиограмма (ЭКГ), электродермальная активность (EDA)) .
Учитывая, что мозг играет центральную роль в обработке и генерации эмоциональных реакций, измерение нейронной активности может дать ценную информацию об этом процессе и помочь нам лучше понять, как выражаются эмоции. Такие технологии, как ЭЭГ и fNIRS, относительно недороги и отлично подходят для сбора динамической информации о мозге. Некоторые ранние исследования подчеркнули взаимодополняемость этих методов в гибридных условиях, особенно в контексте исследований эмоций, измеряющих нейрососудистую связь (взаимосвязь между мозговым кровотоком и нервной активностью). Хотя существуют некоторые общедоступные базы данных fNIRS-ЭЭГ, посвященные двигательным воображениям, умственной нагрузке и анализу артефактов движения, насколько нам известно, в настоящее время существует только одна общедоступная база данных fNIRS-ЭЭГ, посвященная распознаванию эмоций. Этот набор данных содержит записи только от пяти участников. Таким образом, в настоящее время отсутствует всеобъемлющая крупномасштабная база данных эмоций, содержащая сигналы fNIRS и ЭЭГ для исследования эмоций.
В ходе этого исследования была создана база данных fNIRS-EEG Emotion (FEAD), которая одновременно записывала сигналы ЭЭГ и fNIRS от 37 участников, когда они реагировали на 24 эмоциональных сигнала (аудиовизуальных стимулов). Затем этот бимодальный показатель был отображен в многомерной модели эмоций с использованием шкалы самооценки настроения (SAM) для субъективных самооценок, охватывающих валентность, возбуждение и доминирование, а также четыре дискретные категории счастья, гнева, страха и и печаль. Кроме того, база данных FEAD содержит ответы участников о знакомстве с видео, демографическую информацию, а также шкалу положительной и отрицательной аффективности (PANAS), которая предоставляет информацию об эмоциональном состоянии участников перед экспериментом. В этом исследовании эта гибридная установка рассматривается как система измерения эмоциональных биомаркеров и демонстрируется предварительные результаты пространственной классификации эмоций fNIRS и ЭЭГ как унимодальные и бимодальные системы.
Экспериментальные процедуры
база данных стимулов
В настоящее время существует множество парадигм индукции эмоций, которые в основном делятся на две категории: индукция эндогенных и экзогенных эмоций. Эндогенный метод требует от испытуемых вспомнить воспоминания, связанные с конкретными эмоциями (такие воспоминания неопределенны и неконтролируемы). Экзогенные методы вызывают эмоции испытуемых посредством внешней стимуляции. Парадигмы индукции экзогенных эмоций более широко используются в исследованиях по распознаванию эмоций, поскольку исследователи могут контролировать стимулы, подаваемые испытуемым.
Стандартизированные инструменты индукции эмоций включают различные типы стимулов, такие как изображения, аудио, видео, язык, видеоигры и виртуальная реальность (VR). Каждый тип стимула имеет свои преимущества и ограничения, а выбор типа стимула зависит от конкретного вопроса исследования. Здесь в этом исследовании была выбрана видеостимуляция, поскольку она имеет такие преимущества, как высокая экологическая достоверность, быстрое привлечение внимания, небольшие артефакты движения и т. д., а также может обеспечить опыт, близкий к реальному миру.
С YouTube было собрано 150 видеороликов по следующим критериям:
1. Видео вызывает эмоции.
2. На видео нет водяных знаков, логотипов или явной рекламы во избежание предвзятости.
3. Содержание видео должно быть достаточно ясным, чтобы участники могли понять его без дополнительных пояснений.
4. Выбирайте видео с меньшим количеством просмотров, чтобы свести к минимуму мешающие эффекты, такие как знакомство.
5. Видео достаточно длинное, чтобы отслеживать гемодинамические реакции, но не влияет на настроение, не вызывает утомления и не увеличивает когнитивную нагрузку.
Два психолога (один мужчина и одна женщина) просмотрели видеоролики и выделили 76 видеороликов продолжительностью 80 секунд, охватывающих широкий спектр сценариев (например, взаимодействие людей, животных, природу, еду и комедии).
Чтобы дополнительно проверить эффективность этих видеороликов в вызывании эмоций, в ходе исследования был проведен опрос на Amazon Mechanical Turk (MTurk). Респондентам было предложено просмотреть 76 видеороликов и ответить на пять вопросов по каждому видеоролику. Первый вопрос касается знакомства испытуемого с видео, которое оценивается по стандартной 5-балльной шкале Лайкерта (1 = совсем не знакомо, 5 = очень знакомо). В следующих трех вопросах используется стандартная 9-балльная шкала Лайкерта (шкала SAM) для оценки валентности, возбуждения и доминирования (VAD) эмоции. Последний вопрос касается основных эмоций на главной оси колеса эмоций Плутчика. Опрос MTurk для этого исследования ограничен людьми старше 18 лет и лицами, имеющими квалификацию магистра MTurk. В ходе этого исследования за 14 дней было собрано 169 ответов, 106 из которых были полными. Чтобы повысить надежность результатов опроса, в этом исследовании были удалены элементы с очень коротким временем ответа, чтобы исключить вероятность того, что испытуемые заполнили анкету без просмотра видео. Наконец, были получены данные от 73 субъектов (45 мужчин и 28 женщин) со средним возрастом µ=32,8 года и σ2=9,30. Рейтинги этих испытуемых были проанализированы для создания видеотеки для использования в этом исследовании.
На основании результатов опроса MTurk и средних показателей валентности видео были разделены на три категории: положительные, нейтральные и отрицательные. Чтобы избежать дублирования контента и обеспечить охват широкого спектра возбуждения и доминирования, два исследователя выбрали по восемь видео из каждой группы.
Оборудование для сбора и экспериментальная среда
Предыдущие исследования показали, что экспериментальная среда оказывает существенное влияние не только на записываемые данные, но и на психологическое состояние испытуемых. Таким образом, лабораторная установка остается простой и не отвлекает внимание (рис. 1). Свет в комнате был приглушен, чтобы окружающий свет не мешал инфракрасным лучам. Чтобы уменьшить артефакты движения в сигналах ЭЭГ, исследователи снабдили испытуемых удобными креслами с регулируемой спинкой. Дисплей LG имел размер 59,5 дюймов, частоту обновления 50/60 Гц и был расположен на удобном расстоянии, чтобы глаза испытуемых могли быть сфокусированы в центре экрана. Все весы выполняются на 9,7-дюймовом iPad.
Рисунок 1. Экспериментальная среда.
В этом исследовании одновременно собирались данные ЭЭГ и fNIRS с использованием оборудования g.Nautilus Research. g.Nautilus — это беспроводное ЭЭГ-устройство с батарейным питанием, оснащенное 16 влажными электродами, а также референтным электродом и заземляющим электродом. Дополнительное устройство g.SENSOR 8 fNIRS состоит из 8 передатчиков и 2 приемников, которые фиксируются на колпачке ЭЭГ посредством магнитного кронштейна. Устройство соответствует стандартной системе компоновки 10/20 и поддерживает как крепление датчика fNIRS, так и гибкое размещение электродов ЭЭГ. Сигнал ЭЭГ имел частоту дискретизации 500 Гц, чувствительность ±187,5 мВ и записывался с использованием режекторного фильтра 50 Гц. Примените полосовой фильтр 0,01–100 Гц. Частота дискретизации сигнала fNIRS составляет 10 Гц, а расстояние между каждым передатчиком и приемником — 30 мм. Инфракрасный свет с длинами волн 785 и 850 нм используется для измерения изменений поглощения света молекулами гемоглобина в мозговом кровотоке. Коэффициент дифференциальной длины пути (DPF) для всех субъектов составил 6.
В этом исследовании контролировались следующие области мозга: медиальная префронтальная кора (mPFC), дорсолатеральная префронтальная кора (DLPFC), нижняя теменная долька, лобный полюс, дополнительная моторная кора, верхняя височная извилина и зона Брока. На рисунке 2 показано расположение электродов ЭЭГ и датчика fNIRS, остальные места примерно откалиброваны с использованием международной системы 10/5. Приблизительные местоположения передатчиков fNIRS: AF4h, AF3h, F8h, F7h, AFF10h, AFF9h, NFp2 и NFp1, местоположения приемников — AF7h и AF8h; Расположение электродов ЭЭГ: FC3, FC4, FC5, FC6, CP3, CP4, T7, T8, F7, F8, AF5, AF6, F1, F2, FPz и AFz.
Рисунок 2. Расположение электродов ЭЭГ (черные) и датчика fNIRS (синий).
участники
Всего в этом эксперименте приняли участие 37 испытуемых (17 женщин и 20 мужчин) в возрасте от 22 до 44 лет (µ=28,97, σ2=5,73). Все испытуемые имели нормальное или скорректированное до нормального зрение и не имели диагностированных неврологических или психологических расстройств, таких как биполярное расстройство или депрессия. Испытуемых просили избегать еды и питья чая или кофе с кофеином в течение двух часов до начала эксперимента. Это исследование было проведено в Оклендском институте биоинженерии и одобрено Комитетом по этике участников-людей Оклендского университета (UAHPEC). Данные анонимизируются, чтобы сделать их общедоступными.
Экспериментальный протокол
Каждый испытуемый посетил лабораторию в начале эксперимента, чтобы ознакомиться с окружающей средой, а исследователи дали краткое представление об оборудовании, чтобы уменьшить беспокойство и уменьшить влияние дополнительных переменных. Далее следует введение в методику эксперимента и объяснение масштабов исследования. После подписания формы информированного согласия испытуемым было предложено заполнить анкету перед исследованием, включая демографические вопросы (возраст, пол, рука и язык) и стандартную шкалу PANAS. PANAS — это шкала самооценки из 20 пунктов, измеряющая положительные и отрицательные эмоции по 5-балльной шкале. Эта шкала использовалась для оценки общего эмоционального состояния испытуемых до начала исследования.
Чтобы уменьшить влияние густоты и цвета волос испытуемого на передачу инфракрасного света и сигналы ЭЭГ, в этом исследовании использовалась расческа для разделения волос и очистки волос на лбу перед прикреплением электродов к коже головы. Чтобы обеспечить четкость звука и изоляцию испытуемых от внешней среды, перед экспериментом готовят наушники и регулируют соответствующую громкость в соответствии с потребностями каждого испытуемого.
Эксперимент состоял из трех этапов, каждый из которых содержал восемь испытаний (рис. 3). Затем 24 выбранных видео были псевдослучайным образом разделены на три экспериментальные подгруппы. За каждым положительным или отрицательным видео следовал нейтральный видеоролик. В каждом испытании испытуемые смотрели 80-секундное видео, а затем имели 35 секунд, чтобы оценить свои эмоции. Затем они смотрели в центр экрана и в течение 5 секунд глубоко дышали, чтобы подготовиться к следующему испытанию. Чтобы предотвратить усталость и сонливость, между каждым этапом предусмотрен двух-трехминутный период отдыха. После каждого видео испытуемым предлагалось ответить на пять вопросов: (I) Знакомы ли вы с этим видео? Оценивается по 5-балльной шкале Лайкерта (1: Совсем не знаком; 5: Очень знакомо); (II)–(IV) – вопросы по 9-балльной шкале SAM (рис. 4) (V) Для обозначения ответа используйте одно слово; описать свои чувства (счастье, печаль, страх, гнев). Детали эксперимента показаны в таблице 1.
Рисунок 3. Протокол эксперимента.
Рисунок 4. Субъективная эмоциональная оценка валентности, возбуждения и доминирования с помощью SAM.
Таблица 1. Сводная информация об эксперименте.
субъективная оценка анализ
Как упоминалось ранее, в этом исследовании собранные видео были разделены на три категории (негативные, позитивные и нейтральные), чтобы вызвать широкий спектр эмоций. На рисунке 5 показаны средние оценки валентности 37 испытуемых для каждой категории выбранных стимулов. С помощью знаково-рангового критерия Уилкоксона было обнаружено, что существует значительная разница в показателях валентности между отрицательными и нейтральными стимулами (p<0,001), и аналогичным образом существует значительная разница между нейтральными и положительными стимулами (p<0,001).
Рисунок 5. Рейтинги валентности негативных, позитивных и нейтральных видеороликов.
По всему набору данных средние оценки валентности, возбуждения и доминирования составили 5,35 (±2,74), 5,06 (±2,28) и 5,16 (±2,35) соответственно. На рисунке 7 показан широкий охват каждого эмоционального состояния на каждом этапе. Кроме того, согласно знаково-ранговому критерию Уилкоксона, различия в оценках респондентов mTurk и подопытных по валентности, возбуждению и доминантности не были статистически значимыми (поскольку р>0,05 для всех измерений) (рис. 6). Это означает, что две группы испытуемых одинаково отреагировали на выбранный стимул.
Рисунок 6. Сравнение диапазонов рейтингов респондентов опроса mTurk и испытуемых.
Рисунок 7. Средние оценки валентности, возбуждения и доминирования для каждой фазы.
Чтобы изучить потенциальные мешающие эффекты или признаки усталости, в этом исследовании изучались средние корреляции между оценками испытуемых (таблица 2). Результаты исследования выявили умеренную положительную корреляцию между знакомством и валентностью и слабую положительную корреляцию между знакомством и доминированием. Хотя причинно-следственная связь не была предложена, люди, как правило, испытывали более позитивные чувства к более знакомым видео. Более того, существовала значительная положительная корреляция между валентностью и доминированием и отрицательная корреляция между валентностью и возбуждением. Однако эти корреляции были слабыми, что указывает на то, что испытуемые были способны четко понимать и различать разные шкалы в процессе выставления оценок. Порядок стимулов не имел существенной связи с показателями валентности, возбуждения или доминирования, что позволяет предположить незначительное влияние эффектов привыкания или усталости.
Таблица 2. Средние корреляции между субъективными оценками знакомства, валентности, возбуждения, доминирования и порядка представления. * означает р<0,05.
конджойнт-анализ
Предварительная обработка данных
Различные источники шума могут мешать сигналам ЭЭГ и fNIRS, усложняя интерпретацию данных. Многие артефакты, наблюдаемые в сигналах ЭЭГ, такие как потоотделение, медленный дрейф, моргание и движения глаз, возникают преимущественно в низкочастотном диапазоне (<4 Гц), тогда как другие артефакты, такие как сжимание зубов и движения мышц, возникают в Чем выше диапазон частот, тем выше и шире диапазон частот. Хотя сигналы fNIRS более устойчивы к артефактам движения, чем сигналы ЭЭГ, на них все же могут влиять шумы приборов (>3 Гц), волны Мейера (0,1 Гц), дыхание (0,2–0,5 Гц), частота сердечных сокращений (1–1,5 Гц) и влияние колебаний артериального давления.
Чтобы снизить вычислительные затраты, сигнал субдискретизируется до 250 Гц. Для фильтрации используется фильтр Баттерворта третьего порядка, в котором диапазон фильтрации ЭЭГ составляет [4-80] Гц, а диапазон фильтрации fNIRS составляет [0,0125-0,7] Гц для удаления вышеуказанного шума. Последние две секунды 5-секундного периода отдыха перед каждым стимулом служили базовым уровнем, а 80-секундное видео использовалось для анализа эмоционального состояния. Известно, что разные методы коррекции базовой линии могут привести к разным результатам. Здесь в этом исследовании используются среднее и стандартное отклонение базовой линии для нормализации экспериментальных данных.
Из-за сложности и нестационарного характера динамики мозга выбор конкретных функций для представления физиологических сигналов может быть сложной задачей и, в свою очередь, влияет на интерпретацию данных. Существует множество особенностей во временной, частотной и пространственной областях, каждая из которых имеет свои преимущества. В этом исследовании используется мощность полосы (BP) и дифференциальная энтропия (DE) для представления спектральных характеристик и нелинейных динамических характеристик модальностей, которые эффективны в системах распознавания эмоций. Кроме того, в этом исследовании также были извлечены средние значения данных fNIRS, чтобы получить дополнительную информацию о сосудистой динамике. Для оценки АД в этом исследовании используется метод Уэлча (размер окна составляет 4 с) и рассчитывается область спектральной плотности мощности (PSD) в интересующем диапазоне частот.
Корреляция нейрососудистых данных и оценок
Чтобы определить, коррелируют ли данные ЭЭГ и fNIRS с субъективными оценками, корреляционный анализ проводился в середине 40-й секунды каждого испытания. АД использовалось для оценки корреляции двух модальностей, чтобы обеспечить прямое сравнение. Кроме того, оценивалась корреляция HbO и HbR с оценками субъектов. В этом исследовании был рассчитан коэффициент корреляции Спирмена между мощностью частоты и субъективными оценками каждого типа сигнала, а также рассчитано значение p для 37 субъектов, предполагая независимость между данными. 37 p-значений Спирмена для каждого типа сигнала и каждого канала были затем объединены в одно p-значение с использованием метода Фишера. Уровень значимости р<0,05. Результаты показаны в таблице 3. Можно заметить, что по всем измерениям эмоционального состояния последовательно значимые каналы преимущественно расположены в префронтальных долях (AF5, AFz, F1, Fpz) и височных долях (T7, T8). Этот результат аналогичен предыдущим исследованиям с использованием ЭЭГ для распознавания эмоций.
Таблица 3. Средняя корреляция между оптодом fNIRS и электродом ЭЭГ (p<0,05). (*=p<0,01, **=p<0,001).
В этом исследовании наблюдалась сильная корреляция между титром и сигналами ЭЭГ во всех диапазонах частот. Мощность альфа-диапазона в центральной (CP3) области увеличивалась с увеличением показателей валентности. Сигналы возбуждения и ЭЭГ достоверно коррелировали во всех диапазонах частот. В частности, это исследование обнаружило значительную отрицательную корреляцию между возбуждением и мощностью тета- и альфа-диапазонов в области PFC. Что касается доминирования, результаты настоящего исследования показывают, что правое полушарие играет более существенную роль, что отражается в выступающих электродах в областях F2, FC6 и T8.
Анализ сигнатур fNIRS в трех измерениях выявил значительную корреляцию между сигналами оксигенации и дезоксигенации. Этот вывод согласуется с исследованием Bandara et al (2018), согласно которому помимо сигналов оксигенации решающую роль в различении валентности и возбуждения также играют сигналы дезоксигенации. Результаты этого исследования показывают, что сигнал fNIRS имеет наиболее сильную корреляцию с показателем эффективности. В частности, активная стимуляция вызывала увеличение мощности полосы частот сигнала оксигенации AFF10h в области PFC, одновременно вызывая снижение мощности полосы частот сигнала дезоксигенации в областях F8h, AF4h и F7h. Кроме того, уровни дезоксигенации каналов NFp1 и AF3h показали значительную положительную корреляцию с эффективностью (p<0,01). Что касается возбуждения, наблюдалось увеличение как мощности диапазона, так и сигнала оксигенации в положении AFF10h. По доминантности средний уровень дезоксигенации каналов NFp1 снизился.
в заключение
В этом исследовании предлагается база данных fNIRS-EEG Emotion (FEAD), которая содержит нейрогемодинамические данные 37 субъектов и оценки аффективного состояния для 24 эмоциональных видеостимулов. В этом исследовании используются портативные устройства для записи сигналов ЭЭГ и fNIRS. Этот метод дает возможность интеграции аффективных вычислительных технологий и алгоритмов в различные приложения, а результаты исследования хорошо показывают чувствительность сигналов ЭЭГ и fNIRS к эмоциональным измерениям. Есть надежда, что будущие исследования будут использовать эту базу данных для изучения и разработки новых методов анализа данных.
Авторы: AF Nia, V. Tang, V. Malyshau, A. Barde, GM Talou и M. Billinghurst, «FEAD: Введение в аффективную базу данных fNIRS-EEG — видеостимулы», в IEEE Transactions on Affective Computing, doi: 10.1109/TAFFC.2024.3407380.