每个人的走路办法都各有不同，并且它还会走漏有关你的更多隐秘，比方你每时每刻的心情。举例来说，当你感到压抑或懊丧时，你更有或许耷拉着膀子，而不是高视阔步地走路。

美国查佩尔希尔大学和马里兰大学的研讨人员运用这种身体语言，最近研讨了一种机器学习办法，这种办法可以从抱愧的步态中辨认出他当时的心情，包含心情向性(消沉或活跃)和引发水平(安静或充满活力)。研讨人员称，这种办法在开始试验中的准确率到达80.07%。

研讨人员写道：“心情在咱们的嬉闹中扮演着重要的人物，界说着咱们的阅历，刻画着咱们看待国际和与别人互动的办法。因为感知情感在日常嬉闹中的重要性，主动情感辨认在许多范畴都是一个关键问题，比方游戏和文娱、安全和法律、购物以及人机交互等。”

研讨人员挑选了四种心情——高兴、哀痛、愤恨和中性，以此作为测验步态剖析算法的例子。然后，他们从多个步行视频语料库中提取步态来辨认情感特征，并运用三维姿势估量技能提取姿势。

最终，他们运用长短时记忆(LSTM)模型——可以学习长时间依靠联系，从姿势序列中取得特征，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均匀猜测)相结合，将其所剖析步态归入上述四种心情类别中。

这些特征包含膀子姿势、接连步数之间的间隔以及手和脖子之间的颤动频率。头部歪斜视点被用来区别高兴和哀痛的心情，而更紧凑的姿势和“身体扩张”别离代表着消沉和活跃的心情。

至于引发水平，科学家们注意到它往往与间谍的动作相对应，该模型考虑了速度、加速度的巨细，以及手、脚和头部关节的“运动颤动”。

AI体系处理了来自“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(包含室内和室外)漫步的视频中提取的。大约有700名来自亚马逊土耳其机械公司的参与者给心情贴上标签，研讨人员用这些标签来确认心情的向性和振奋程度。

在测验中，研讨小组陈述说，他们的情感检测办法准确性比***进的算法提高了13.85%，比不考虑情感特征的“一般”LSTM提高了24.60%。这并不是说它是***的，究竟其精度度在很大程度上取决于三维人体姿势估量和步态提取的精度。但虽然有这些约束，研讨小组信任他们的办法将为触及额定活动和其他情感辨认算法的研讨供给坚实的根底。

研讨人员表明：“咱们的办法也是***个运用***进3D人体姿势估量技能，为行走视频中的心情辨认供给实时通道的办法。作为未来作业的一部分，咱们期望搜集更多的数据集，并改善当时体系中存在的约束。”