Comparing Face-Tracking Action Units with EMG During Speech
Notice bibliographique
Résumé
Video face-tracking software such as OpenFace 2.2 can make inferences about facial muscle activation (Baltrušaitis et al. 2018). However, it is unclear what the accuracy of these inferences is based on the facial action units (FAUs) calculated by OpenFace 2.2 compared to corresponding muscle activity during speech A previous study investigated muscle activation when a smile and speech co-occur, focusing on the Zygomaticus Major (ZM) and Orbicularis Oris (OO) muscles (Liu et al. 2021), but only presented data for a single speaker and did not compare FAU and EMG results. The present study compares OpenFace 2.2 action units with surface electromyography (EMG) data during speech in order to assess the validity of these inferences about facial muscle activation. We compare ZM activity with the lip corner puller FAU intensity results and OO activity with the lip-tightener FAU intensity results from a dataset collected for the previously mentioned Liu et al. (2021) study. Data includes four speakers producing read speech in smile conditions. We will report the results of a study extracting and analyzing 4-second segments from EMG and FAU data, recorded before and after each utterance, using Python for efficient data processing and graphical comparison. Our analysis to date indicates a relative correspondence between EMG and FAU data indicating the possible reliability of video face-tracking software in research applications. Details will be reported.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».