Machine Learning Systems for Multimodal Affect Recognition

Markus Kächele نمای دقیقی در مورد مراحل مختلف در خط لوله محاسبات عاطفی ارائه می دهد، از طراحی پیکره و ضبط بر روی حاشیه نویسی و استخراج ویژگی تا پس پردازش، طبقه بندی روش های فردی و ادغام در زمینه طبقه بندی کننده های گروه. . او بر تشخیص چندوجهی حالات عاطفی و پزشکی گسسته و پیوسته تمرکز دارد. به این ترتیب، به طور خاص ویژگی هایی که در حین حاشیه نویسی و پردازش سیگنال های پیوسته ایجاد می شوند، برجسته می شوند. علاوه بر این، روش‌هایی ارائه شده‌اند که امکان شخصی‌سازی مجموعه داده‌ها و انطباق طبقه‌بندی‌کننده‌ها را با موقعیت‌ها و افراد جدید فراهم می‌کنند.

Markus Kächele offers a detailed view on the different steps in the affective computing pipeline, ranging from corpus design and recording over annotation and feature extraction to post-processing, classification of individual modalities and fusion in the context of ensemble classifiers. He focuses on multimodal recognition of discrete and continuous emotional and medical states. As such, specifically the peculiarities that arise during annotation and processing of continuous signals are highlighted. Furthermore, methods are presented that allow personalization of datasets and adaptation of classifiers to new situations and persons.