情感模型的个性化以实现神经精神数字精准健康干预：一项可行性研究
计算机视觉与模式识别
2023-11-23 v1 人工智能
机器学习
摘要
针对自闭症谱系障碍(ASD)的移动数字疗法常靶向情绪识别与诱发，这对 ASD 儿童而言是一项挑战。尽管此类移动应用常使用计算机视觉机器学习(ML)模型来引导数字干预的自适应特性，但通常部署并应用于所有儿童的仅是单一模型。在此，我们探索模型个性化的潜力，即为每人训练单一情绪识别模型，以提升这些用于引导 ASD 儿童数字健康疗法的底层情绪识别模型性能。我们在 Emognition 数据集（一个由人类受试者诱发一系列情绪的视频数据集）上开展实验。对于数据集中具有至少两个真实情绪标签充分表示的 10 名个体子集，我们在从每视频帧提取的 51 个特征集上训练了三种经典 ML 模型的个性化版本。我们度量了所有个性化模型中各面部特征的重要性，并观察到不同受试者间前位特征的排序列表存在差异，这印证了模型个性化的必要。随后我们将个性化模型与使用全部 10 名参与者数据训练的通用模型进行比较。个性化模型达成的平均 F1 分数分别为 90.48%、92.66% 和 86.40%。相比之下，在不同人类受试者上训练并在同一测试集评估的非个性化模型所达平均 F1 分数分别为 88.55%、91.78% 和 80.42%。个性化模型在 10 名参与者中的 7 名上优于通用模型。对剩余 3 名参与者的 PCA 分析揭示了各受试者内情绪标签间相对的面部构型差异，表明当受试者内数据点间变异过低时个性化 ML 将失效。
引用
@article{arxiv.2311.12812,
title = {Personalization of Affective Models to Enable Neuropsychiatric Digital Precision Health Interventions: A Feasibility Study},
author = {Ali Kargarandehkordi and Matti Kaisti and Peter Washington},
journal= {arXiv preprint arXiv:2311.12812},
year = {2023}
}