Dissertation
Algorithms for Emotion Recognition
Zusammenfassung
Technological advancements have increasingly facilitated emotion recognition through physiological sensors integrated into intelligent devices, such as earables and wristbands. People commonly wear these devices in their everyday lives (i.e., in the wild). Patterns can be extracted from various physiological signals, enabling the recognition of emotions. This capability can be integrated into diverse applications, such as attention management systems, human-robot interaction, and stress detection, enhancing them to support humans with an empathic component.
This thesis addresses the algorithmic design, adaptation, and utilization of emotion recognition with physiological signals for the mentioned applications. Three key research gaps are identified and addressed: 1) the acquisition of accurate physiological data for emotion recognition in the wild, 2) the improvement of the emotion recognition process, and 3) the need for ethical standards that accompany performing emotion recognition using physiological sensors in the wild.
By addressing the improvement of the emotion recognition process, this thesis focuses on mitigating the impact of physical activity on physiological sensor data measured outside the laboratory. Classification algorithms are trained on new mathematical features with data affected by physical activity to create enhanced emotion recognition models, achieving a classification accuracy of up to 73%.
Finally, it is demonstrated that emotion recognition can enrich applications like attention management systems by finding opportune moments for interruptions based on smartphone notification response time prediction.
This thesis addresses the algorithmic design, adaptation, and utilization of emotion recognition with physiological signals for the mentioned applications. Three key research gaps are identified and addressed: 1) the acquisition of accurate physiological data for emotion recognition in the wild, 2) the improvement of the emotion recognition process, and 3) the need for ethical standards that accompany performing emotion recognition using physiological sensors in the wild.
By addressing the improvement of the emotion recognition process, this thesis focuses on mitigating the impact of physical activity on physiological sensor data measured outside the laboratory. Classification algorithms are trained on new mathematical features with data affected by physical activity to create enhanced emotion recognition models, achieving a classification accuracy of up to 73%.
Finally, it is demonstrated that emotion recognition can enrich applications like attention management systems by finding opportune moments for interruptions based on smartphone notification response time prediction.
Der technologische Fortschritt erleichtert zunehmend die Erkennung von Emotionen durch physiologische Sensoren, indem diese Sensoren immer häufiger in intelligente Geräte verbaut werden, die Menschen im Alltag nutzen. Beispiele hierfür sind Kopfhörer und Armbänder, die den Puls erfassen können. Aus verschiedenen physiologischen Signalen können Muster extrahiert werden, welche die Erkennung von Emotionen ermöglichen. Diese erkannten Emotionen können in Anwendungen integriert werden (z. B. in den Prozess des maschinellen Lernens). Durch diese Integration wird Anwendungen in den Bereichen Aufmerksamkeitsmanagement, Mensch-Roboter- Interaktion und Stresserkennung die Möglichkeit geboten, menschliche Emotionen zu berücksichtigen und somit Menschen empathisch zu unterstützen.
In dieser Dissertation wird ein Literaturüberblick über die Methodik zur Erkennung von Emotionen außerhalb des Labors unter Verwendung physiologischer Sensordaten im Kontext von drei Anwendungen gegeben: Aufmerksamkeitsmanagement, Stresserkennung und Mensch-Roboter-Interaktion. Für jede Anwendung wird die Rolle der Emotionserkennung und bestehende Herausforderungen, die mit Emotionserkennung in Verbindung stehen, zusammengefasst.
In dieser Dissertation wird ein Literaturüberblick über die Methodik zur Erkennung von Emotionen außerhalb des Labors unter Verwendung physiologischer Sensordaten im Kontext von drei Anwendungen gegeben: Aufmerksamkeitsmanagement, Stresserkennung und Mensch-Roboter-Interaktion. Für jede Anwendung wird die Rolle der Emotionserkennung und bestehende Herausforderungen, die mit Emotionserkennung in Verbindung stehen, zusammengefasst.
Zitieren
@phdthesis{doi:10.17170/kobra-2024050710123,
author={Heinisch, Judith Simone},
title={Algorithms for Emotion Recognition},
school={Kassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik},
year={2023}
}
0500 Oax 0501 Text $btxt$2rdacontent 0502 Computermedien $bc$2rdacarrier 1100 2023$n2023 1500 1/eng 2050 ##0##http://hdl.handle.net/123456789/15856 3000 Heinisch, Judith Simone 4000 Algorithms for Emotion Recognition / Heinisch, Judith Simone 4030 4060 Online-Ressource 4085 ##0##=u http://nbn-resolving.de/http://hdl.handle.net/123456789/15856=x R 4204 \$dDissertation 4170 5550 {{Algorithmus}} 5550 {{Maschinelles Lernen}} 5550 {{Gefühl}} 5550 {{COVID-19}} 7136 ##0##http://hdl.handle.net/123456789/15856
2024-06-17T09:46:47Z 2024-06-17T09:46:47Z 2023 doi:10.17170/kobra-2024050710123 http://hdl.handle.net/123456789/15856 eng Urheberrechtlich geschützt https://rightsstatements.org/page/InC/1.0/ Affective Computing Emotion Recognition Attention Management Machine Learning 004 Algorithms for Emotion Recognition Dissertation Technological advancements have increasingly facilitated emotion recognition through physiological sensors integrated into intelligent devices, such as earables and wristbands. People commonly wear these devices in their everyday lives (i.e., in the wild). Patterns can be extracted from various physiological signals, enabling the recognition of emotions. This capability can be integrated into diverse applications, such as attention management systems, human-robot interaction, and stress detection, enhancing them to support humans with an empathic component. This thesis addresses the algorithmic design, adaptation, and utilization of emotion recognition with physiological signals for the mentioned applications. Three key research gaps are identified and addressed: 1) the acquisition of accurate physiological data for emotion recognition in the wild, 2) the improvement of the emotion recognition process, and 3) the need for ethical standards that accompany performing emotion recognition using physiological sensors in the wild. By addressing the improvement of the emotion recognition process, this thesis focuses on mitigating the impact of physical activity on physiological sensor data measured outside the laboratory. Classification algorithms are trained on new mathematical features with data affected by physical activity to create enhanced emotion recognition models, achieving a classification accuracy of up to 73%. Finally, it is demonstrated that emotion recognition can enrich applications like attention management systems by finding opportune moments for interruptions based on smartphone notification response time prediction. Der technologische Fortschritt erleichtert zunehmend die Erkennung von Emotionen durch physiologische Sensoren, indem diese Sensoren immer häufiger in intelligente Geräte verbaut werden, die Menschen im Alltag nutzen. Beispiele hierfür sind Kopfhörer und Armbänder, die den Puls erfassen können. Aus verschiedenen physiologischen Signalen können Muster extrahiert werden, welche die Erkennung von Emotionen ermöglichen. Diese erkannten Emotionen können in Anwendungen integriert werden (z. B. in den Prozess des maschinellen Lernens). Durch diese Integration wird Anwendungen in den Bereichen Aufmerksamkeitsmanagement, Mensch-Roboter- Interaktion und Stresserkennung die Möglichkeit geboten, menschliche Emotionen zu berücksichtigen und somit Menschen empathisch zu unterstützen. In dieser Dissertation wird ein Literaturüberblick über die Methodik zur Erkennung von Emotionen außerhalb des Labors unter Verwendung physiologischer Sensordaten im Kontext von drei Anwendungen gegeben: Aufmerksamkeitsmanagement, Stresserkennung und Mensch-Roboter-Interaktion. Für jede Anwendung wird die Rolle der Emotionserkennung und bestehende Herausforderungen, die mit Emotionserkennung in Verbindung stehen, zusammengefasst. open access Heinisch, Judith Simone 2023-11-30 xvii, 156 Seiten Kassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik David, Klaus (Prof. Dr.) Salim, Flora (Prof. Dr.) Algorithmus Maschinelles Lernen Gefühl COVID-19 publishedVersion false true
Die folgenden Lizenzbestimmungen sind mit dieser Ressource verbunden:
:Urheberrechtlich geschützt