{"id":7295,"date":"2025-05-20T05:00:41","date_gmt":"2025-05-20T05:00:41","guid":{"rendered":"https:\/\/architeles.eu\/ethics\/?p=7295"},"modified":"2025-05-19T22:24:58","modified_gmt":"2025-05-19T22:24:58","slug":"inteligencja-emocjonalna-informatyka-afektywna-i-sztuczna-inteligencja-odczytywanie-emocji-z-mikroekspresji-twarzy-mozliwosci-ograniczenia-oraz-wyzwania-etyczne-zwiazane-z-prywatnoscia","status":"publish","type":"post","link":"https:\/\/architeles.eu\/ethics\/index.php\/2025\/05\/20\/inteligencja-emocjonalna-informatyka-afektywna-i-sztuczna-inteligencja-odczytywanie-emocji-z-mikroekspresji-twarzy-mozliwosci-ograniczenia-oraz-wyzwania-etyczne-zwiazane-z-prywatnoscia\/","title":{"rendered":"Inteligencja emocjonalna, informatyka afektywna i sztuczna inteligencja \u2013 odczytywanie emocji z mikroekspresji twarzy: mo\u017cliwo\u015bci, ograniczenia oraz wyzwania etyczne zwi\u0105zane z prywatno\u015bci\u0105."},"content":{"rendered":"

Coraz cz\u0119\u015bciej pojawiaj\u0105 si\u0119 narz\u0119dzia oparte na sztucznej inteligencji, kt\u00f3re obiecuj\u0105 rozpoznawa\u0107 ludzkie emocje na podstawie mimiki twarzy. Cho\u0107 brzmi to atrakcyjnie \u2013 warto si\u0119 na chwil\u0119 zatrzyma\u0107 i zada\u0107 pytanie: czy naprawd\u0119 da si\u0119 \u201eodczyta\u0107\u201d emocje z twarzy? Wi\u0119kszo\u015b\u0107 tych system\u00f3w opiera si\u0119 na analizie powierzchownych zmian mimicznych, a mimika to nie to samo co stan wewn\u0119trzny cz\u0142owieka. Pojawiaj\u0105 si\u0119 pytania o prywatno\u015b\u0107, wiarygodno\u015b\u0107 i potencjalne nadu\u017cycia takiej technologii, co rodzi konieczno\u015b\u0107 wprowadzenia odpowiednich zasad, regulacji i standard\u00f3w.<\/strong><\/p>\n

<\/p>\n

\n

Inteligencja emocjonalna, a informatyka afektywna<\/span><\/h2>\n

Inteligencja emocjonalna (ang. Emotional <\/em>Quotient<\/em>, <\/span>EQ) to zdolno\u015b\u0107 rozpoznawania emocji<\/strong> \u2013 w\u0142asnych i cudzych \u2013 oraz odpowiedniego reagowania na nie. U ludzi wysoka EQ oznacza empati\u0119, umiej\u0119tno\u015b\u0107 odczytywania sygna\u0142\u00f3w niewerbalnych (jak wyraz twarzy czy ton g\u0142osu) i zarz\u0105dzania emocjami w relacjach. W kontek\u015bcie sztucznej inteligencji, zajmuje si\u0119 tym zagadnieniem informatyka afektywna<\/strong> (ang. affective computing<\/em>) \u2013 interdyscyplinarna dziedzina na pograniczu informatyki, psychologii i kognitywistyki, kt\u00f3ra bada i tworzy systemy potrafi\u0105ce rozpoznawa\u0107, interpretowa\u0107 oraz symulowa\u0107 ludzkie emocje. Zapocz\u0105tkowana pod koniec lat 90, pracami Rosalind Picard z MIT, informatyka afektywna stawia sobie za cel wype\u0142nienie luki mi\u0119dzy ludzkimi uczuciami a reakcj\u0105 maszyn. Jedn\u0105 z motywacji jest wyposa\u017cenie komputer\u00f3w w zdolno\u015b\u0107 do rozumienia naszych emocji (a nawet symulowania empatii) i reagowania w spos\u00f3b uwzgl\u0119dniaj\u0105cy stan emocjonalny cz\u0142owieka. Przyk\u0142adowo, asystent g\u0142osowy m\u00f3g\u0142by wyczu\u0107 po tonie g\u0142osu frustracj\u0119 u\u017cytkownika i zmodyfikowa\u0107 sw\u00f3j spos\u00f3b komunikacji.<\/p>\n

Aby maszyny mog\u0142y \u201ewyczuwa\u0107\u201d emocje, musz\u0105 najpierw wykrywa\u0107 sygna\u0142y emocjonalne. Ludzie komunikuj\u0105 emocje m.in. poprzez ekspresje twarzy, j\u0119zyk cia\u0142a, g\u0142os (intonacja, tempo mowy) czy reakcje fizjologiczne (np. pocenie si\u0119 d\u0142oni). Systemy AI mog\u0105 zbiera\u0107 takie dane za pomoc\u0105 sensor\u00f3w \u2013 kamery rejestruj\u0105 mimik\u0119 i gesty, mikrofony \u2013 cechy g\u0142osu, a niekiedy sensory noszone mierz\u0105 np. puls czy przewodno\u015b\u0107 sk\u00f3ry. Nast\u0119pnie algorytmy ucz\u0105 si\u0119 wzorc\u00f3w w tych sygna\u0142ach, kt\u00f3re odpowiadaj\u0105 okre\u015blonym emocjom. Przyk\u0142adowo, marszczenie brwi mo\u017ce zosta\u0107 zinterpretowane jako oznaka skupienia lub konfuzji, za\u015b szczery u\u015bmiech \u2013 jako rado\u015b\u0107<\/span><\/span>. Wa\u017cne jest jednak zastrze\u017cenie: etykiety emocji nadane przez algorytm (np. \u201ez\u0142o\u015b\u0107\u201d czy \u201esmutek\u201d na podstawie wyrazu twarzy) nie zawsze musz\u0105 odpowiada\u0107 rzeczywistemu stanowi wewn\u0119trznemu osoby<\/strong>. Ta niepewno\u015b\u0107 kryje si\u0119 u podstaw wielu wyzwa\u0144 omawianych dalej.<\/p>\n

\n

Mikroekspresje: obietnica, kt\u00f3ra przeros\u0142a nauk\u0119<\/span><\/h2>\n

Paul Ekman w latach 70. zaproponowa\u0142, \u017ce istnieje kilka uniwersalnych emocji podstawowych<\/strong> (np. rado\u015b\u0107, smutek, strach, z\u0142o\u015b\u0107), a zwi\u0105zane z nimi mikroekspresje twarzy s\u0105 identyczne u ludzi niezale\u017cnie od kultury. Je\u015bli kto\u015b pr\u00f3buje ukry\u0107 emocj\u0119 \u2013 twierdzi Ekman \u2013 mimowolny mikrogrymas i tak \u201eprzecieknie\u201d na u\u0142amek sekundy, demaskuj\u0105c prawd\u0119. Ta hipoteza zafascynowa\u0142a s\u0142u\u017cby i opini\u0119 publiczn\u0105. Rozwini\u0119to nawet narz\u0119dzia treningowe, takie jak Micro Expressions Training Tool (METT)<\/strong>, by uczy\u0107 funkcjonariuszy rozpoznawania tych sygna\u0142\u00f3w. Wydawa\u0142o si\u0119, \u017ce dzi\u0119ki temu policjant czy agent bezpiecze\u0144stwa stanie si\u0119 ludzkim wariografem, zdolnym wychwyci\u0107 k\u0142amstwo z drgni\u0119cia k\u0105cika ust.<\/p>\n

\"About<\/p>\n

Przyk\u0142ad zdj\u0119\u0107 przedstawiaj\u0105cych emocje wed\u0142ug teorii Ekmana (\u017ar\u00f3d\u0142o<\/a>)<\/span><\/p>\n

Niestety, naukowa weryfikacja tej teorii wypada bardzo sceptycznie<\/strong>. Badania nie potwierdzaj\u0105, by mikroekspresje umo\u017cliwia\u0142y niezawodne wykrywanie k\u0142amstwa. W 2019 r. zesp\u00f3\u0142 pod kierunkiem prof. Lisy Feldman Barrett przeanalizowa\u0142 wyniki ponad 1000 bada\u0144<\/strong> dotycz\u0105cych wnioskowania o emocjach z mimiki. Konkluzja by\u0142a jednoznaczna:<\/p>\n

\n

\u201eNie da si\u0119 z wystarczaj\u0105c\u0105 pewno\u015bci\u0105 wnioskowa\u0107 o szcz\u0119\u015bciu na podstawie u\u015bmiechu, o z\u0142o\u015bci na podstawie grymasu gniewu czy o smutku na podstawie grymasu niezadowolenia, wbrew temu, co obecna technologia usi\u0142uje czyni\u0107, opieraj\u0105c si\u0119 na rzekomo naukowych faktach\u201d<\/em>.<\/p>\n<\/blockquote>\n

Innymi s\u0142owy, za\u0142o\u017cenie o prostym, uniwersalnym \u201ekodzie emocji\u201d na twarzy jest b\u0142\u0119dne<\/strong>. Ekmanowska wizja zbyt mocno upraszcza z\u0142o\u017cono\u015b\u0107 ludzkich uczu\u0107 \u2013 wyraz twarzy zale\u017cy nie tylko od emocji, ale i od kontekstu, kultury czy indywidualnych r\u00f3\u017cnic. Osoby mog\u0105 u\u015bmiecha\u0107 si\u0119 ze stresu lub zaciska\u0107 szcz\u0119k\u0119 z koncentracji \u2013 mimika jest zbyt niejednoznaczna, by czyta\u0107 z niej intencje niczym z otwartej ksi\u0105\u017cki.<\/p>\n

\n

Negatywne skutki teorii Ekmana<\/span><\/h2>\n

W \u015brodowisku naukowym teoria mikroekspresji spotka\u0142a si\u0119 z solidn\u0105 krytyk\u0105. Wielokrotnie podwa\u017cano jej rzetelno\u015b\u0107 eksperymentaln\u0105. Przyk\u0142adowo, rz\u0105d USA<\/strong> zainwestowa\u0142 blisko miliard dolar\u00f3w w program TSA o nazwie SPOT<\/strong> (Screening Passengers by Observation Techniques)<\/strong>, oparty cz\u0119\u015bciowo na za\u0142o\u017ceniach Ekmana. Agenci na lotniskach byli szkoleni, by obserwowa\u0107 podr\u00f3\u017cnych i na podstawie sygna\u0142\u00f3w niewerbalnych (np. mikroekspresji, \u201edziwnego\u201d zachowania) wytypowa\u0107 potencjalnych terroryst\u00f3w. Rezultaty okaza\u0142y si\u0119 katastrofalne: wewn\u0119trzny audyt wykaza\u0142, \u017ce spo\u015br\u00f3d ~30 tysi\u0119cy os\u00f3b zatrzymywanych co roku w ramach SPOT, zaledwie 1% by\u0142o aresztowanych \u2013 i to g\u0142\u00f3wnie za drobne przewinienia (np. posiadanie niedozwolonych przedmiot\u00f3w), ani jednego terrorysty. Byli pracownicy lotnisk alarmowali, \u017ce program sta\u0142 si\u0119 usprawiedliwieniem dla profilowania rasowego \u2013 na jednym z lotnisk a\u017c 80% typowanych \u201epodejrzanych\u201d stanowili przedstawiciele mniejszo\u015bci etnicznych. Innymi s\u0142owy, SPOT nie wykrywa\u0142 terroryst\u00f3w, za to n\u0119ka\u0142 niewinnych ludzi, cz\u0119sto kieruj\u0105c si\u0119 uprzedzeniami zamiast realnych przes\u0142anek.<\/p>\n

Co gorsza, analiza ponad 400 bada\u0144 nad wykrywaniem k\u0142amstwa, przeprowadzona przez ameryka\u0144sk\u0105 instytucj\u0119 GAO (Government Accountability Office), wykaza\u0142a \u017ce przeci\u0119tny cz\u0142owiek wykrywa oszustwo z trafno\u015bci\u0105 ~54%, a wi\u0119c ledwie powy\u017cej przypadku. Szkolenia z mikroekspresji nie podnosz\u0105 istotnie tej skuteczno\u015bci \u2013 niezale\u017cne testy METT dowiod\u0142y, \u017ce osoby po takim treningu nie radz\u0105 sobie lepiej ni\u017c ludzie po szkoleniu placebo lub bez \u017cadnego<\/strong>. W eksperymencie z 2019 r. grupa badanych po kursie METT osi\u0105gn\u0119\u0142a wyniki nielepsze od zgadywania, a nawet gorsze \u2013 losowy wyb\u00f3r da\u0142by nieco wy\u017csz\u0105 skuteczno\u015b\u0107. Badacze komentuj\u0105 wr\u0119cz, \u017ce trening mikroekspresji \u201enie maluje optymistycznego obrazu co do jego u\u017cyteczno\u015bci\u201d. Jeden z autor\u00f3w bada\u0144, dr Chris Street, stwierdzi\u0142 wprost:<\/p>\n

\n

\u201eEkipa Ekmana twierdzi, \u017ce te mikroekspresje pomagaj\u0105 wykrywa\u0107 k\u0142amstwa. Ale tak naprawd\u0119 brak na to dowod\u00f3w. Problem w tym, \u017ce [mimo to] zosta\u0142o to wdro\u017cone do u\u017cytku rz\u0105dowego w USA\u201d<\/em>.<\/p>\n<\/blockquote>\n

Fa\u0142szywe alarmy i nies\u0142uszne oskar\u017cenia s\u0105 naturaln\u0105 konsekwencj\u0105 przeceniania mikroekspresji. Je\u015bli \u015bledczy czy policjant jest przekonany, \u017ce drobny grymas zdradzi\u0142 czyje\u015b k\u0142amstwo lub z\u0142e zamiary, mo\u017ce nies\u0142usznie skoncentrowa\u0107 podejrzenia na niewinnej osobie. Takie b\u0142\u0119dne wyroki intuicji<\/strong> potrafi\u0105 eskalowa\u0107: niew\u0142a\u015bciwie oskar\u017ceni bywaj\u0105 poddawani ostrym przes\u0142uchaniom, a nawet nies\u0142usznie skazywani, bo \u201eekspert od mowy cia\u0142a\u201d uzna\u0142 ich zachowanie za podejrzane. Psycholog Maria Hartwig zauwa\u017ca, \u017ce nie istniej\u0105 jednoznaczne oznaki k\u0142amstwa w mimice<\/strong>, a pr\u00f3by ich doszukiwania si\u0119 to jak szukanie ig\u0142y w stogu siana \u2013 \u0142atwo o pomy\u0142k\u0119. Widzieli\u015bmy to w programie SPOT: zdenerwowanie pasa\u017cera mog\u0142o wynika\u0107 ze strachu przed lataniem lub stresu zwi\u0105zanego z kontrol\u0105, a nie z planowania zamach. Gdy b\u0142\u0119dna teoria zyskuje status dogmatu, ofiarami staj\u0105 si\u0119 zwykli ludzie \u2013 ofiary niesprawiedliwo\u015bci<\/strong> wynik\u0142ej z naukowej pomy\u0142ki.<\/p>\n

\n

Sztuczna inteligencja dziedziczy b\u0142\u0119dne za\u0142o\u017cenia<\/h2>\n

Mimo w\u0105tpliwej wiarygodno\u015bci koncepcji Ekmana, jej echo pobrzmiewa dzi\u015b w dziesi\u0105tkach system\u00f3w AI do automatycznego rozpoznawania emocji<\/strong>. Wielkie korporacje technologiczne i start-upy ochoczo wdro\u017cy\u0142y pomys\u0142, \u017ce maszyna z kamer\u0105 mo\u017ce czyta\u0107 nasze uczucia z twarzy<\/strong>. Microsoft oferowa\u0142 w swojej us\u0142udze Face API rozpoznawanie o\u015bmiu emocji ze zdj\u0119cia (m.in. z\u0142o\u015b\u0107, pogarda, strach, szcz\u0119\u015bcie). Podobne funkcje deklarowa\u0142 Amazon w systemie Rekognition. W 2016 r. Apple kupi\u0142 firm\u0119 Emotient, chwal\u0105c\u0105 si\u0119 algorytmami \u201ewykrywaj\u0105cymi emocje\u201d na podstawie zdj\u0119\u0107. Startup Affectiva (wywodz\u0105cy si\u0119 z MIT) zgromadzi\u0142 ogromn\u0105 baz\u0119 10 milion\u00f3w twarzy z 87 kraj\u00f3w, by uczy\u0107 AI rozpoznawania reakcji emocjonalnych \u2013 m.in. do analiz marketingowych i monitorowania kierowc\u00f3w pod k\u0105tem dekoncentracji. Wreszcie w bran\u017cy rekrutacyjnej pojawi\u0142y si\u0119 systemy, kt\u00f3re na podstawie mikroekspresji, tonu g\u0142osu i mowy cia\u0142a oceniaj\u0105 kandydata do pracy. G\u0142o\u015bnym przyk\u0142adem by\u0142 system HireVue, u\u017cywany przez takie firmy jak Goldman Sachs czy Unilever \u2013 analizowa\u0142 nagrania wideo z rozm\u00f3w kwalifikacyjnych, by \u201eobiektywnie\u201d oceni\u0107 dopasowanie kandydata. Przez kilka lat HireVue chwali\u0142o si\u0119 tym rozwi\u0105zaniem, zanim pod naporem krytyki naukowc\u00f3w i organizacji praw obywatelskich wycofa\u0142o w 2021 modu\u0142 analizy twarzy (cho\u0107 wci\u0105\u017c ocenia\u0142o g\u0142os).<\/p>\n

Wszystkie te systemy opieraj\u0105 si\u0119 na tych samych kruchych fundamentach: zak\u0142adaj\u0105 istnienie niewielkiej liczby uniwersalnych emocji, kt\u00f3re mimowolnie przejawiaj\u0105 si\u0119 na twarzy, oraz \u017ce algorytm potrafi je niezawodnie rozpozna\u0107. To za\u0142o\u017cenia wprost z teorii Ekmana. Niestety, jak ju\u017c wiemy, s\u0105 one co najmniej dyskusyjne. A jednak, na fali entuzjazmu wobec AI, przesz\u0142y one niemal bezkrytycznie do kodu algorytm\u00f3w. W efekcie powstaj\u0105 systemy dzia\u0142aj\u0105ce jak czarna skrzynka \u2013 analizuj\u0105ce nasze twarze w spos\u00f3b nieprzejrzysty dla u\u017cytkownika \u2013 i wydaj\u0105ce werdykt emocjonalny: \u201eten ucze\u0144 jest znudzony\u201d, \u201eten kandydat przejawia brak pewno\u015bci siebie\u201d, \u201eten pasa\u017cer zachowuje si\u0119 podejrzanie\u201d. Problem w tym, \u017ce brakuje dowod\u00f3w naukowych, by te werdykty by\u0142y trafne<\/strong>. Wiele firm sprzedaj\u0105cych takie rozwi\u0105zania twierdzi, \u017ce ich AI osi\u0105gn\u0119\u0142a \u201eskuteczno\u015b\u0107 w rozpoznawaniu emocji\u201d, ale niezale\u017cne badania m\u00f3wi\u0105 co innego. Lisa Feldman Barrett podsumowuje to dobitnie:<\/p>\n

\n

\u201eFirmy mog\u0105 twierdzi\u0107 co chc\u0105, ale dane s\u0105 jasne: wykryj\u0105 grymas na twarzy, ale to nie to samo co wykry\u0107 z\u0142o\u015b\u0107\u201d<\/em>.<\/p>\n<\/blockquote>\n

Innymi s\u0142owy, algorytm widzi na twarzy np. zmarszczone brwi i na tej podstawie zgaduje<\/strong> stan wewn\u0119trzny \u2013 co bywa niczym wr\u00f3\u017cenie z fus\u00f3w.<\/p>\n

\n

\u015alepa wiara w algorytmiczn\u0105 wyroczni\u0119<\/h2>\n

Mamy wi\u0119c do czynienia z sytuacj\u0105, w kt\u00f3rej technologia odziedziczy\u0142a b\u0142\u0119dy teorii<\/strong>, a mimo to bywa traktowana z nieuzasadnion\u0105 ufno\u015bci\u0105. Istnieje znane zjawisko automatyzacji os\u0105du<\/strong> (ang. automation bias<\/em>), polegaj\u0105ce na tym, \u017ce ludzie maj\u0105 tendencj\u0119 przecenia\u0107 nieomylno\u015b\u0107 komputer\u00f3w. Skoro \u201einteligentny system\u201d da\u0142 swoj\u0105 ocen\u0119, to musi to by\u0107 prawd\u0105 \u2013 tak rozumuje wiele os\u00f3b korzystaj\u0105cych z AI. Niestety, ta \u015blepa wiara potrafi mie\u0107 op\u0142akane skutki. W eksperymencie naukowym z 2024 r. badani mieli podj\u0105\u0107 symulowan\u0105 decyzj\u0119 o \u017cyciu i \u015bmierci \u2013 i a\u017c 2\/3 z nich zmieni\u0142o swoj\u0105 decyzj\u0119, gdy robot doradzi\u0142 inaczej, cho\u0107 uprzedzono ich, \u017ce AI mo\u017ce si\u0119 myli\u0107 (w rzeczywisto\u015bci porady robota by\u0142y losowe). Badacze okre\u015blili to jako \u201eniepokoj\u0105co nadmierne zaufanie do AI\u201d<\/em>. Innymi s\u0142owy, ludzie cz\u0119sto automatycznie przyjmuj\u0105 wyrok algorytmu<\/strong>, rezygnuj\u0105c z w\u0142asnej oceny sytuacji \u2013 nawet gdy stawka jest wysoka.<\/p>\n

Gdy przeniesiemy to na grunt system\u00f3w rozpoznawania emocji, obraz staje si\u0119 gro\u017any. Wyobra\u017amy sobie kandydata, kt\u00f3ry zosta\u0142 odrzucony w procesie rekrutacji, bo algorytm HireVue wyliczy\u0142 niski \u201ewsp\u00f3\u0142czynnik entuzjazmu\u201d na podstawie mikroekspresji. HRowiec, ufaj\u0105c technologii, nawet nie kwestionuje wyniku \u2013 wierzy, \u017ce komputer \u201eobiektywnie\u201d oceni\u0142 kandydata. Kandydat nie ma nawet \u015bwiadomo\u015bci, \u017ce przegra\u0142 z algorytmem, wi\u0119c nie mo\u017ce si\u0119 odwo\u0142a\u0107 od decyzji. Podobnie student w klasie przysz\u0142o\u015bci: kamera analizuje jego twarz podczas lekcji i oprogramowanie ocenia, \u017ce jest \u201eniecierpliwy\u201d lub \u201eniezaanga\u017cowany\u201d. Nauczyciel otrzymuje raport i zaczyna traktowa\u0107 tego ucznia inaczej, mo\u017ce surowiej \u2013 w ko\u0144cu \u201esystem widzi, \u017ce co\u015b jest z nim nie tak\u201d<\/strong>. Brzmi jak dystopia? To dzieje si\u0119 ju\u017c dzi\u015b.<\/p>\n

\n

Emocje a mi\u0119\u015bnie twarzy<\/h2>\n

Jak wspomniano wcze\u015bniej, mikro ekspresje zosta\u0142y „odkryte” przez Ekman-a i Friesen-a w 1969 r. W jednym z bada\u0144, kt\u00f3re prowadzili przeprowadzana by\u0142a analiza prawdziwych uczu\u0107 pacjenta. W przeprowadzanej obserwacji pacjent pr\u00f3bowa\u0142 ukry\u0107 smutek u\u015bmiechem, dzi\u0119ki mikro ekspresjom psychologowie zdo\u0142ali odkry\u0107 jego prawdziwe emocje a p\u00f3\u017aniej nawet fakt, \u017ce badany planowa\u0142 pope\u0142ni\u0107 samob\u00f3jstwo. Takie obserwacje zapocz\u0105tkowa\u0142y rozw\u00f3j nauki nad zwi\u0105zkiem stan\u00f3w emocjonalnych z ruchami mi\u0119\u015bni twarzy. Ustanowili oni tak\u017ce Facial Action Coding System (FACS), system kodowania emocji za pomoc\u0105 ruch\u00f3w mi\u0119\u015bni twarzy. Poni\u017csza tabela przedstawia przyk\u0142adowe akcje.<\/p>\n\n\n\n\n\n\n
Numer AU<\/td>\nOpis<\/td>\nNazwa mi\u0119\u015bni twarzy<\/td>\nPrzyk\u0142ad<\/td>\n<\/tr>\n
4<\/td>\nOpuszczenie brwi<\/td>\nDepressor Glabellae, Depressor Supercilli, Currugator<\/em><\/td>\n\"\"<\/td>\n<\/tr>\n
2<\/td>\nPodniesienie brwi zewn\u0119trznej (jednostronne, strona prawa)<\/td>\nFrontalis, pars lateralis<\/em><\/td>\n\"\"<\/td>\n<\/tr>\n
6<\/td>\nPodnoszenie policzk\u00f3w<\/td>\nOrbicularis oculi, pars orbitalis<\/em><\/td>\n\"\"<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Kodowanie przyk\u0142adowych emocji.<\/p>\n\n\n\n\n\n
Emocja<\/td>\nAUs<\/td>\nOpis<\/td>\nPrzyk\u0142ad<\/td>\n<\/tr>\n
Szcz\u0119\u015bcie, rado\u015b\u0107<\/td>\n6+12<\/td>\nPodnoszenie policzk\u00f3w, \u015bci\u0105ganie k\u0105cik\u00f3w ust<\/td>\n\"\"<\/p>\n

\"\"<\/td>\n<\/tr>\n

Pogarda<\/td>\n12+14<\/td>\n\u015aci\u0105ganie k\u0105cik\u00f3w ust, pog\u0142\u0119bianie do\u0142eczk\u00f3w<\/td>\n\"\"<\/p>\n

\"\"<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

\n

Mniej znaczy lepiej – Czy 2 klatki wystarcz\u0105 aby uchwyci\u0107 emocje?<\/h2>\n

W pracy z 2018 r. „Less is More: Micro-expression Recognition from Video using Apex Frame” autorzy przedstawiaj\u0105 podej\u015bcie, w kt\u00f3rym odczyt emocji z kr\u00f3tkiego filmu jest podejmowany na podstawie 2 wybranych najwa\u017cniejszych klatek. Rozr\u00f3\u017cniaj\u0105 oni makro ekspresje, kt\u00f3re s\u0105 \u0142atwo i naturalnie identyfikowane w codziennych sytuacjach. Taka ekspresja trwa zazwyczaj 2-3 sekundy i obejmuje praktycznie ca\u0142\u0105 twarz. Z kolei mikro ekspresje, trwaj\u0105 kr\u00f3cej (1\/5 – 1\/25 sekundy), s\u0105 bardziej subtelne i pojawiaj\u0105 si\u0119 w kilku rejonach twarzy. Takie drobne, mikro ekspresje s\u0105 trudne do zauwa\u017cenia nawet dla ludzi, cho\u0107 cz\u0119sto mog\u0105 okaza\u0107 si\u0119 kluczowe i ods\u0142oni\u0107 prawdziwe intencje danej osoby.<\/p>\n

Dzi\u0119ki systemowi FACS (Facial Action Coding System) mo\u017cliwe jest ustalenie kiedy dana akcja (emocja) (AU – action unit) si\u0119 zaczyna i ko\u0144czy. Wyr\u00f3\u017cniane s\u0105 3 najwa\u017cniejsze klatki AU onset – pocz\u0105tek, offset- koniec i apex – klatka o najwi\u0119kszej intensywno\u015bci ruchu twarzy. Rozr\u00f3\u017cnienie emocji jest podejmowane na podstawie pierwszej klatki i klatki apex.<\/p>\n

\"\"<\/p>\n

Kolejne klatki przedstawiaj\u0105ce mikro ekspresje twarzy.<\/span><\/p>\n

\"\"<\/p>\n

Ilustracja przedstawia: (g\u00f3rny rz\u0105d) oryginalne obrazy; (\u015brodkowy rz\u0105d) modu\u0142 przep\u0142ywu optycznego obliczony mi\u0119dzy klatk\u0105 pocz\u0105tkow\u0105 (onset) a kolejnymi klatkami; oraz (dolny rz\u0105d) odkszta\u0142cenie optyczne obliczone mi\u0119dzy klatk\u0105 pocz\u0105tkow\u0105 a kolejnymi klatkami.<\/span><\/p>\n

Modu\u0142 przep\u0142ywu optycznego (Optical Flow Magnitude) to o technika s\u0142u\u017c\u0105ca do obliczania ruchu pikseli mi\u0119dzy kolejnymi klatkami w sekwencji wideo. Dla ka\u017cdego piksela okre\u015bla si\u0119 wektor ruchu (kierunek i pr\u0119dko\u015b\u0107 przesuni\u0119cia). Modu\u0142 przep\u0142ywu optycznego<\/strong> to d\u0142ugo\u015b\u0107 (warto\u015b\u0107 bezwzgl\u0119dna) tego wektora \u2014 czyli jak bardzo piksel si\u0119 przemie\u015bci\u0142<\/strong>, niezale\u017cnie od kierunku.<\/p>\n

Odkszta\u0142cenie optyczne (Optical Strain)\u00a0mierzy zmiany w deformacji powierzchni<\/strong> (np. sk\u00f3ry twarzy), wynikaj\u0105ce z wektor\u00f3w przep\u0142ywu optycznego. Uwzgl\u0119dnia nie tylko przemieszczenie, ale te\u017c to, jak s\u0105siaduj\u0105ce piksele wzgl\u0119dem siebie si\u0119 rozci\u0105gaj\u0105, kurcz\u0105 lub skr\u0119caj\u0105<\/strong>. Obliczane na podstawie gradient\u00f3w (pochodnych) sk\u0142adowych przep\u0142ywu optycznego.<\/p>\n

Jak znajdowana jest klatka apex?\u00a0<\/strong><\/h3>\n
    \n
  1. \n

    Wykrycie punkt\u00f3w charakterystycznych twarzy. <\/strong>Wyznaczane s\u0105 punkty orientacyjne (landmarki) na twarzy w ka\u017cdej klatce.<\/p>\n<\/li>\n

  2. \n

    Wyodr\u0119bnienie region\u00f3w zainteresowania (ROI). <\/strong>Na podstawie wsp\u00f3\u0142rz\u0119dnych landmark\u00f3w wybierane s\u0105 obszary twarzy zawieraj\u0105ce najwi\u0119cej informacji o mikroekspresji.<\/p>\n<\/li>\n

  3. \n

    Ekstrakcja cech ka\u017cdej klatki. <\/strong>Dla ka\u017cdej klatki (od onset do offset) obliczane s\u0105 cechy przy u\u017cyciu deskryptora LBP (Local Binary Patterns)<\/strong>.<\/p>\n<\/li>\n

  4. \n

    Obliczenie r\u00f3\u017cnic cech wzgl\u0119dem klatki onset. <\/strong>Dla ka\u017cdej klatki obliczana jest r\u00f3\u017cnica cech wzgl\u0119dem klatki pocz\u0105tkowej (onset) za pomoc\u0105 wsp\u00f3\u0142czynnika korelacji<\/strong>.<\/p>\n<\/li>\n

  5. \n

    Zastosowanie strategii \u201edziel i zwyci\u0119\u017caj\u201d (divide-and-conquer)<\/strong><\/p>\n<\/li>\n<\/ol>\n

    Jak rozpozna\u0107 mikro ekspresj\u0119 na podstawie tylko dw\u00f3ch klatek?<\/strong><\/h3>\n
      \n
    1. Dla ka\u017cdego piksela obliczamy przep\u0142yw optyczny, jak bardzo i w kt\u00f3r\u0105 stron\u0119 si\u0119 przemie\u015bci\u0142.<\/strong><\/li>\n
    2. Dla ka\u017cdego piksela obliczamy odkszta\u0142cenie optyczne, jak bardzo zmieni\u0142a si\u0119 lokalna struktura, np. rozci\u0105ganie, zgniatanie twarzy.<\/strong><\/li>\n
    3. Budujemy histogram Bi-WOOF<\/strong><\/li>\n<\/ol>\n