FEELS: a full-spectrum enhanced emotion learning system for assisting individuals with autism spectrum disorder
Notice bibliographique
Résumé
Autism Spectrum Disorder (ASD) is a developmental disorder thatcan lead to a variety of social and communication challenges, andindividuals with ASD are at a higher risk of loneliness and depres-sion as a result of the disconnect and isolation they may feel fromthe rest of society as a result of their ASD. Interventions targetingimproved emotional detection has been clinically shown to be quitepromising; however, there are considerable barriers that make itchallenging to incorporate emotion detection within daily life sce-narios. Motivated by the need to fill this gap, we introduce theconcept of FEELS, a full-spectrum enhanced emotion learning sys-tem which could be useful as a tool to assist individuals with ASD.FEELS facilitates enhanced emotion detection by capturing a livevideo stream of individuals in real-time, then leveraging deep con-volutional neural networks to detect facial landmarks and a customhybrid neural network consisting of a time distributed feed-forwardneural network and a LTSM neural network to determine the emo-tional state of the individuals based on a sequence of facial land-marks over time. The feasibility of such an approach was exploredthrough the construction of a proof-of-concept FEELS system thatcan detect between five different basic emotional states: neutral,sad, happy, surprise, and anger. Future work will include extend-ing the proof-of-concept FEELS system to detect more emotionalstates and evaluate the system in more natural settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».