人們對情感的普遍看法是，它們過(guò)于特質(zhì)和主觀(guān)，無(wú)法進(jìn)行科學(xué)的研究。但是，正如今天在認知神經(jīng)科學(xué)協(xié)會(huì )(CNS)虛擬會(huì )議上所介紹的那樣，認知神經(jīng)科學(xué)家正在使用當代的，數據驅動(dòng)的計算方法來(lái)推翻有關(guān)全人類(lèi)情感結構的古老觀(guān)念。
研究人員正在利用計算能力來(lái)理解一切，從我們在思維游蕩期間如何產(chǎn)生自發(fā)性情緒，到我們如何解碼跨文化的面部表情。他們的發(fā)現對于表征情緒如何促進(jìn)幸福，精神疾病的神經(jīng)生物學(xué)，甚至如何制造更有效的社交機器人具有重要意義。
杜克大學(xué)主席凱文·拉巴爾(Kevin LaBar)表示：“人工智能(AI)使科學(xué)家能夠以以前認為不可能的方式研究情緒，這導致發(fā)現改變了我們認為生物信號產(chǎn)生情緒的方式。”在CNS虛擬會(huì )議上討論此主題。
解碼跨文化的面部表情
六種人類(lèi)的核心情感-恐懼，憤怒，厭惡，悲傷，幸福和驚奇-幾十年來(lái)一直被認為是人類(lèi)心理學(xué)中普遍存在的情感，并在皮克斯電影《從里到外》中流行。盡管這個(gè)想法在社會(huì )上很普遍，可以追溯到保羅·?？寺?Paul Ekman)的工作，但科學(xué)共識實(shí)際上表明，這些情緒遠非普遍存在，在不同文化中，尤其是對于東亞人來(lái)說(shuō)，這些情緒在面部識別方面存在巨大差距，格拉斯哥大學(xué)的研究員瑞秋·杰克(Rachael Jack)說(shuō)。
杰克一直在努力理解她所謂的“面部語(yǔ)言”，即個(gè)人面部動(dòng)作如何以不同方式組合以創(chuàng )建有意義的面部表情(例如字母如何組合以創(chuàng )建單詞)。杰克說(shuō)：“我認為這有點(diǎn)像試圖破解象形文字或未知的古代語(yǔ)言。” “我們對口頭和書(shū)面語(yǔ)言了解甚多，甚至對數百種古代語(yǔ)言也了解甚多，但是對于我們每天使用的非語(yǔ)言交流系統的形式知識卻相對較少，這對整個(gè)人類(lèi)社會(huì )都至關(guān)重要。”
在她在CNS年會(huì )上提出的新作品中，杰克將展示她的團隊用來(lái)開(kāi)發(fā)這些面部動(dòng)作的動(dòng)態(tài)模型的新穎的數據驅動(dòng)方法，例如情感面部表情的食譜。她的團隊現在將這些模型轉移給數字代理，例如社交機器人和虛擬人，以便它們可以生成具有社交差異和文化敏感性的面部表情。
在他們的工作中，由格拉斯哥大學(xué)神經(jīng)科學(xué)與心理學(xué)研究所創(chuàng )建的新型面部運動(dòng)發(fā)生器隨機選擇了個(gè)別面部運動(dòng)的子集，例如眉毛抬高器，鼻子皺紋或嘴唇伸展器，并隨機激活強度和每個(gè)時(shí)間。這些隨機激活的面部運動(dòng)然后結合在一起以創(chuàng )建面部動(dòng)畫(huà)。來(lái)自不同文化的研究參與者然后根據六種經(jīng)典情感對面部動(dòng)畫(huà)進(jìn)行分類(lèi)，或者如果他們沒(méi)有感知到這些情感中的任何一種，則可以選擇“其他”。經(jīng)過(guò)多次此類(lèi)試驗后，研究人員在每次試驗中呈現的面部動(dòng)作與參與者的反應之間建立了統計關(guān)系，從而產(chǎn)生了數學(xué)模型。
她解釋說(shuō)：“與傳統的理論驅動(dòng)方法相反，實(shí)驗人員采用一組假設的面部表情并將其展示給全世界的參與者，我們增加了一種心理物理方法。” “在采樣和測試面部表情時(shí)，它更多是由數據驅動(dòng)的，并且更加不可知論，并且更重要的是，使用文化參與者的主觀(guān)理解來(lái)了解哪些面部表情會(huì )推動(dòng)他們對特定情緒的感知，例如，'他很高興'。”
這些研究將情感的通用面部表情的六種常用思想縮減為只有四種跨文化的表情。杰克說(shuō)：“面部表情存在重大的文化差異，可能會(huì )阻礙跨文化交流。” “我們經(jīng)常但并非總是發(fā)現，東亞人的面部表情比西方人的面部表情更具表達力，西方人的面部表情傾向于嘴部更具表達力，就像東方人訴西方表情符號一樣!”
她補充說(shuō)，還有一些文化共性可用于支持特定信息的準確跨文化交流，例如，東西方文化中快樂(lè )，感興趣和無(wú)聊的面部表情相似，并且很容易在各種文化中得到認可。
Jack和她的團隊現在正在使用他們的模型來(lái)增強可在全球使用的機器人和其他數字代理的社交信號功能。她說(shuō)：“我們很高興將面部表情模型轉移到一系列數字代理中，并看到其性能有了顯著(zhù)提高。”
了解休息時(shí)的自發(fā)情緒
杜克大學(xué)的LaBar說(shuō)，了解情感的主觀(guān)體驗如何在大腦中介導是情感神經(jīng)科學(xué)的圣杯。“這是一個(gè)棘手的問(wèn)題，迄今為止進(jìn)展甚微。”
LaBar和他的同事正在他的實(shí)驗室中研究大腦休息時(shí)大腦出現的情緒。他解釋說(shuō)：“無(wú)論是由內在的思想還是記憶引起的，這些“意識流”的情感都是反省和擔心的目標，它們可能導致長(cháng)時(shí)間的情緒狀態(tài)，并可能使記憶和決策產(chǎn)生偏差。
直到最近，研究人員還無(wú)法從大腦功能的靜止狀態(tài)信號中解譯這些情緒。在今天的演講中，LaBar的團隊已經(jīng)能夠應用機器學(xué)習工具來(lái)導出神經(jīng)成像標記，這些標記是一小組情緒的集合，例如恐懼，憤怒和驚奇。研究人員已經(jīng)建模了當受試者躺在MRI掃描儀中時(shí)這些情緒如何自發(fā)地出現在大腦中。
這項工作的核心是訓練一種機器學(xué)習算法，以區分將情感彼此分開(kāi)的大腦活動(dòng)模式。研究人員提出了一種模式分類(lèi)器算法，該算法帶有一組訓練數據集，這些訓練數據集來(lái)自與會(huì )誘導特定情緒的音樂(lè )和電影剪輯的一組參與者。通過(guò)使用反饋，該算法學(xué)會(huì )權衡來(lái)自大腦不同區域的輸入，以?xún)?yōu)化每種情感的信號傳遞。然后，研究人員使用從測試樣本中生成的一組大腦權重，測試分類(lèi)器如何很好地預測新參與者樣本中的誘發(fā)情緒。
他說(shuō)：“一旦以這種方式在各個(gè)受試者之間驗證了特定于情緒的大腦模式，我們就會(huì )尋找證據證明這些模式會(huì )在只是躺在掃描儀中靜止的參與者中自發(fā)出現。” “然后我們可以確定模式分類(lèi)器是否準確預測人們在掃描儀中自發(fā)報告的情緒，并識別出個(gè)體差異。”
通過(guò)這種方法，他們已經(jīng)證明，例如，焦慮和抑郁的個(gè)體差異如何使自發(fā)性情緒的表達產(chǎn)生偏見(jiàn)，隨著(zhù)年齡的增長(cháng)，情緒在整個(gè)壽命過(guò)程中如何變化，以及情緒的時(shí)間動(dòng)態(tài)如何使健康受試者與患有精神病理學(xué)的個(gè)體區分開(kāi)。
“我們的希望是，這種努力將導致不依賴(lài)自我報告的特定情感體驗的更可靠，客觀(guān)的指標，因為這些口頭報告在某些人群中并不可靠，例如兒童或什至是很少自我意識的成年人洞察他們的情緒，”他說(shuō)。“如果是這樣，那么我們可能會(huì )更好地理解這些人的情感生活。”
