Spatial frequencies for detection of pain facial expressions revealed by reverse correlation
Notice bibliographique
Résumé
The ability to detect pain facial expressions is a crucial step before help can be provided. Because of the biological importance of this skill, it is plausible to expect that an observer can detect that expression even from a relatively large distance. Accordingly, in VSS2019, we presented a study showing that pain facial expression detection relies on low spatial frequencies (SF; Guérette et al., 2019); low SF are available from farther away than high SF. These results were obtained using posed facial expressions, with a method that involves repeating the same stimuli. In the present study, we used Reverse Correlation (Mangini & Biederman, 2004) to verify in which SF the mental representation of pain facial expressions are encoded. This method has the advantage of revealing the expectations about the appearance of an expression, and the latter may be closer to spontaneous expressions encountered in day-to-day social interactions. On each trial, a neutral face was used as background stimulus, on which sinusoidal white noise was added. Participants were asked to choose which of two noisy faces better represented a target emotion. Three target emotion conditions were used: pain, fear, and happiness. Fear and happiness are respectively considered the most similar and dissimilar expressions to pain (Wang et al., 2015). Mental representations of pain involved SF ranging from 1.13 to 12.3 cycles per face (cpf), peaking at 3.78 cpf. Fear and happiness relied on a similar range of SF (4.17 and 3.63 cpf, respectively). These results show that low SF are encoded in mental representations of pain facial expressions. This finding is congruent with previous findings that accurate detection of pain relies on low SF, and add evidence to the idea that pain expressions are communicated in a way to be detected from far away and using coarse visual information.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».