卡尔斯鲁厄理工学院 (KIT) 和杜伊斯堡-埃森大学的研究人员利用计算机辅助神经网络，能够从比赛期间网球运动员的肢体语言中准确识别情绪状态。他们首次使用来自实际比赛的数据训练基于人工智能 (AI) 的模型。

他们的研究表明，人工智能能够以与人类相似的准确度评估肢体语言和情绪。然而，它也引发了道德问题。

为了开展“利用卷积神经网络从网球运动员的表达行为中识别情感状态”的研究，卡尔斯鲁厄理工学院和杜伊斯堡-埃森大学的运动科学、软件开发和计算机科学研究人员开发了一种特殊的人工智能模型。他们使用模式识别程序分析实际比赛中录制的网球运动员视频。

成功率68.9%

卡尔斯鲁厄理工学院体育与运动科学研究所的 Darko Jekauc 教授表示：“我们的模型识别情感状态的准确率高达 68.9%，这与人类观察员和早期自动化方法的评估相当，有时甚至更好。”

这项研究的一个重要而独特的特点是，项目团队使用真实场景而不是模拟或人为的情况来训练他们的人工智能系统。研究人员在特定环境中录制了 15 名网球运动员的视频序列，重点关注赢得或输掉一分时所展现的肢体语言。

视频中球员的动作暗示包括低头、欢呼地举起手臂、悬挂球拍或步行速度的差异;这些暗示可用于识别球员的情感状态。

在输入这些数据后，人工智能学会了将肢体语言信号与不同的情感反应联系起来，并确定一分是赢了(积极的肢体语言)还是输了(消极的肢体语言)。“在自然环境中进行训练对于识别真实的情绪状态是一个重大进步，它使得在真实场景中进行预测成为可能，”Jekauc 说。

人类和机器能够更好地识别负面情绪，而不是积极情绪

研究不仅表明人工智能算法在未来识别情绪的能力上可能超越人类观察者，还揭示了一个更有趣的方面：​​人类和人工智能都更善于识别负面情绪。

“原因可能是负面情绪更容易被识别，因为它们的表达方式更明显，”Jekauc 说。“心理学理论表明，人类在进化过程中更适应感知负面情绪表达，例如，因为迅速化解冲突局势对社会凝聚力至关重要。”

使用前需要澄清伦理问题

这项研究设想了一系列可靠的情绪识别在体育领域的应用，例如改善训练方法、团队活力和表现，以及防止倦怠。医疗保健、教育、客户服务和汽车安全等其他领域也可以从可靠的情绪状态早期检测中受益。

“尽管这项技术有望带来巨大的利益，但也必须考虑与之相关的潜在风险，特别是与隐私和数据滥用有关的风险，”Jekauc 说。

“我们的研究严格遵守现有的道德准则和数据保护法规。为了将来在实践中应用这种技术，提前澄清道德和法律问题至关重要。”

更多信息： Darko Jekauc 等人，利用卷