49、实时情感识别与眨眼检测技术解析

实时情感识别与眨眼检测技术解析

实时情感识别

模型选择依据

在实时情感识别中，面临着诸多挑战。身体表达具有不同的时间阶段，且状态依赖于先前状态，这就要求预测模型能够处理时间记忆。同时，由于需要连续预测有效价值，会产生大量基于帧的数据，因此在线学习算法比基于批量的算法更合适，并且学习模型要能选择最有价值的数据，舍弃冗余数据。此外，骨骼数据和注释都存在噪声，学习模型还需具备抗噪能力。

基于这些考虑，选择了高斯过程（Gaussian Processes，GP），这是一种基于核的非参数算法，在时间序列预测问题上取得了巨大成功。具体来说，使用递归核来建模时间动态。

在线递归高斯过程

高斯过程基础

高斯过程是一个随机过程，由其均值函数 $\mu(x) = E[Y (x)]$ 和协方差函数 $k(x, x’) = E[(Y (x) - \mu(x))(Y (x’) - \mu(x’))]$ 完全确定。通常假设 $\mu(x) \equiv 0$，所以高斯过程仅由具有核形式的协方差函数 $k(x, x’)$ 指定，可表示为 $Y (x) \sim N(0, k(x, x’))$。

给定训练样本 $(x_i, y_i) \in D$，其中 $y_i$ 是数据点 $i$ 的目标值，训练点之间的协方差矩阵 $K = [k(x_i, x_j)]$ 称为格拉姆矩阵。定义 $k(x’) = [k(x_i, x’)]_{i = 1}^N$，$N$ 为训练样本数量。对于新的输入数据点 $x^{\star}$，预测的分布为 $p(Y^{\star}|x^{\star}, D) \sim N(Y^{\star}|\mu^{\