每个人的走路方式都各有不同，而且它还会泄露有关你的更多秘密，比如你每时每刻的情绪。举例来说，当你感到压抑或沮丧时，你更有可能耷拉着肩膀，而不是昂首阔步地走路。
美国查佩尔希尔大学和马里兰大学的研究人员利用这种身体语言，最近研究了一种机器学习方法，这种方法可以从某人的步态中识别出他当前的情绪，包括情绪向性(消极或积极)和唤起水平(平静或充满活力)。研究人员称，这种方法在初步实验中的准确率达到80.07%。
研究人员写道：“情绪在我们的生活中扮演着重要的角色，定义着我们的经历，塑造着我们看待世界和与他人互动的方式。由于感知情感在日常生活中的重要性，自动情感识别在许多领域都是一个关键问题，比如游戏和娱乐、安全和执法、购物以及人机交互等。”
研究人员选择了四种情绪——快乐、悲伤、愤怒和中性，以此作为测试步态分析算法的例证。然后，他们从多个步行视频语料库中提取步态来识别情感特征，并使用三维姿态估计技术提取姿态。
最后，他们利用长短时记忆(LSTM)模型——能够学习长期依赖关系，从姿态序列中获得特征，并将其与随机森林分类器(该分类器输出多个独立决策树的平均预测)相结合，将其所分析步态归入上述四种情绪类别中。
这些特征包括肩膀姿势、连续步数之间的距离以及手和脖子之间的抖动频率。头部倾斜角度被用来区分快乐和悲伤的情绪，而更紧凑的姿势和“身体扩张”分别代表着消极和积极的情绪。
至于唤起水平，科学家们注意到它往往与增加的动作相对应，该模型考虑了速度、加速度的大小，以及手、脚和头部关节的“运动抖动”。
AI系统处理了来自“情感漫步”(Emotion Walk，简称EWalk)的样本。EWalk是包含1384个步态的新数据集，这些步态是从24名受试者在大学校园(包括室内和室外)散步的视频中提取的。大约有700名来自亚马逊土耳其机械公司的参与者给情绪贴上标签，研究人员用这些标签来确定情绪的向性和兴奋程度。
在测试中，研究小组报告说，他们的情感检测方法准确性比***进的算法提高了13.85%，比不考虑情感特征的“普通”LSTM提高了24.60%。这并不是说它是***的，毕竟其精度度在很大程度上取决于三维人体姿态估计和步态提取的精度。但尽管有这些限制，研究小组相信他们的方法将为涉及额外活动和其他情感识别算法的研究提供坚实的基础。
研究人员表示：“我们的方法也是***个利用***进3D人体姿态估计技术，为行走视频中的情绪识别提供实时通道的方法。作为未来工作的一部分，我们希望收集更多的数据集，并改进当前系统中存在的限制。”
