计算动词在情绪规则中的可计算化研究

计算动词在情绪规则中的

可计算化研究

摘要面对同样的事件，不同的人有不同的反应。不同的心理状态驱使人们做出

不同的决策，从而导致不同的行为，事件有了不同的结果。情绪的体验是人类的高级心理状态，将心理学中复杂的情感变化用工程的形式来表现是一件困难的事情，但是在情感计算和人工智能的热潮下，创建基于一种新的理论——计算动词的情绪模型成为了有深刻意义和广泛应用前景的新领域。计算动词在情绪规则中的可计算化研究是通过已经建立出的情绪规则来预测情绪的变化趋势。这种情绪规则基于六种基本情绪（喜悦、惊奇、恐惧、悲哀、愤怒、厌恶）之间的相互关系和个性因子（内向、外向、稳定、神经质）之间的联系来建立。规则不同，情绪的触发阀值会不同。通过计算动词相似度，观察出心境的历史值会对将要产生的情绪有影响。情绪规则在计算动词理论下的研究成果将有助于计算机做出类似于人类思维的决策，可应用于智能机器人等广泛领域。

关键词情感模型情感计算计算动词理论人工智能

Emotion modeling using computational verb rules

Abstract People have different reactions to the same emotional stimulus. It is caused by different personalities and and tempers of each individual. People make different decisions based on their unique psychological status. Furthermore, these decisions result in different behaviors and outcomes. To experience emotions is a high-level mental process. It is difficult for human to show this kind of complicated mental process in accurate mathematical forms. It has been a trend to study emotional computing in artificial intelligence. In this thesis, I established a new emotion model, which is based on computational verb theory. To model emotions using computational verb theory is to predict the emotion of an individual based on the history of his emotional states. The evolving rules of emotions are based on the combinations of six basic emotions, which are joy, surprise, fear, sadness, anger and disgust, and four personality factors which are extroversion, diffidence, steady and jumpy. The evolving rules of emotions had been reported by many psychological researches. In different rules the firing levels of emotions are different. By using computational verb similarities, we model the evolving process of emotions under the influence of the changes of mental states. The study of the evolving process of emotions by using computational verb rules will boost promising applications of making computers to make decisions like humans. Keywords Emotion Model Emotional Computing Artificial Intelligence Computational verb theory

目录

引言 (5)

第一章心理学下情绪的研究 (6)

1.1情绪的研究 (6)

1.2情绪与情感的联系与区别 (8)

第二章情感计算与人工智能 (9)

2.1情感计算 (9)

2.1.1情感计算的历史和发展 (9)

2.1.2情感信号的分析、建模与识别 (9)

2.1.3情感计算在工程领域应用的有效性分析 (10)

2.2人工智能 (10)

2.2.1人工智能的定义 (10)

2.2.1人工智能的研究领域 (11)

2.3情感计算与人工智能的联系 (12)

第三章情绪规则建立 (13)

3.1基本情绪的选择 (13)

3.1.1基本情绪应具备的特点 (13)

3.1.2公认的六种基本情绪 (13)

3.1.3各个情绪的本质和反应特点 (13)

3.1.4选择者六种情绪作为基本情绪的优势 (13)

3.2人格特质因子的选择 (14)

3.2.人格特质的结构 (15)

3.2.2情绪模型中所建立的四个人格特征变量 (15)

3.3情绪规则基本框架 (15)

第四章计算动词理论 (17)

4.1计算动词的产生与发展 (17)

4.2 计算动词定义与相似度.............................................................................; (18)

第五章计算动词下的情绪建模........................................................................;;.. (22)

5.1情绪量化的修正 (22)

5.2情绪规则数学化 (22)

5.2.1情绪范例选取 (22)

5.2.2编程语言描述过程 (23)

5.3动词的相似度 (24)

5.4情绪强度的模糊隶属度函数 (25)

5.5触发规则 (26)

5.6输出结果 (26)

5.7MATLAB的仿真与分析 (27)

第六章总结与展望 (31)

致谢语 (33)

参考文献 (34)

附录Ⅰ (35)

附录Ⅱ (39)

附录Ⅲ (43)

附录Ⅳ (44)

引言

人们时刻体验着自己内心世界的喜悦、悲哀、得意或悔恨这类自身感受，也经常观察到他人的愤怒、忧虑、快乐或烦恼等情绪反应。人类特有的思维方式导致了情绪、情感的相应变化，而对情绪的不同处理方式和认知态度导致了不同个体的性格变化，继而人格也产生了不同的变化。同时，性格的差异性会反作用于情绪，使个体情绪的表达不同。情绪会对人的思考、决策、行为等相关活动产生影响，头脑中的意识会瞬息万变，情绪是人类智能的高度进化结果。如何让情绪过程这种非单一，不易解释的心理现象变得有规律可循是一个很值得研究的课题。意识是一种奇特的东西，它非常有吸引力，但是又难以琢磨。意识导致思维，思维伴随着思考，有了思考智能就产生了。人类产生智能的过程是一个非常复杂的过程，但是也要注意，情感智能也被认为是有限的。当我们衡量智能的时候应当将情感计算在内。智能总体上是遵循其所处环境的自然规则和社会规则，利用这些规则产生多样的行为。在人工智能的趋势下，用计算机来处理人类情感的研究也越来越有价值，情感计算将会有广阔领域。本文的研究在于：通过多方面的资料采集和整理建立起一种相对简洁的情绪对应规则，选择好一种情绪模型，然后根据计算动词理论进行数学化验证，来预测情绪的变化趋势。这是一种的新的情感计算方法，将心理学与工程学相结合。在此基础上再基于计算动词理论进行探索和研究，来预测人类的情绪变化。

第一章心理学下情绪的研究

1.1 情绪的研究

一、情绪定义：

情绪是多成分的复合过程，它包括内在体验、外显表情和生理激活这三种成分。

传统心理学把心理现象分为三个过程，即认识过程、感情过程和意志过程。认识过程是对外界刺激事件本身特性的反映。思维反映刺激事件的本质特性，反映事件内在的联系和关系。意志过程是认识活动的能动方面和自觉调节方面，是在决策和解决问题的过程中，作更多意识上的加工，并在行动上付诸实践的过程，是认识活动于必要时在行动中的体现。

首先，认识过程是平淡而无情的。情绪则带有独特的主观体验色彩，具有某种愉快、享乐、忧愁或悲伤等多种享乐色调（Hedonic tone）。每种具体情绪的主观体验的色调都不同，它们给人不同的感受。主观体验作为一种状态，它所负载的过程就是情绪作为心理实体的具体过程。正是情绪过程的体验感受方面的行为提供动机，对认知和行为起着组织和瓦解的作用。

其次，认识无特殊的外显表现，而每种具体情绪的表情，特别是面部表情，却是特异化的。这些特异化的面部运动模式是各种情绪重要的客观标志。通过情绪的外显表情，情绪的通讯传递作用才成为可能。

再次，情绪发生在一定的生理激活水平上。神经系统的某些部位的激活为情绪的发生和活动提供能量。从延髓到脑干部位的网状结构上行激活系统向中枢神经系统，直到大脑皮层传送的弥散性冲动支持着脑的一般激活和情绪。网状结构的下行纤维又把信息输送回来，协调着脑的激活水平和情绪状态。神经激活梯度的变化不但表示神经唤醒水平和情绪的强度水平，而且提示各种具体情绪之间的性质差别。

二、情绪的结构

情绪具有多维向量结构[1]。

冯特（Wundt,W.）与1896年提出情绪的三维学说。冯特认为情感过程是由三对感情元素构成的。每对感情元素都具有处于两极之间的程度变化。它们是愉快-不愉快，兴奋-沉静、紧张-松弛这三个维量。每一种情绪在其具体发生时，都是按照这三个维量分别处于它们两极的不同位置上。

在冯特之后，施洛伯格（Schosberg,H.）按照吴维士(Woodworth,R.S.)早期依据面部表情对情绪实行分类的研究，提出一个情绪的三维量表。按愉快-不愉快、注意-拒绝和激活度把具体情绪排列在一个倒立的椭圆锥体上。椭圆切面的长轴为愉快维度，短轴为注意维度，表明情绪的愉快度比注意度可作出更精准的区分。施洛伯格的三维量表是根据情绪提出的第一个维度量表。根据这个量表，可以把任何具体情绪准确地予以定位。

迄今为止，最典型的多维量表应以普拉奇克(Plutchik,R.)的量表为代表。普拉奇克经过分类排列，把情绪分为相似性、对立性和强度三个维量。他认为任

何情绪的相似程度都有不同，任何情绪都有与其在性质上相对立的另一种情绪，任何情绪都有不同的强度。他用一个倒立的椎体，在椎体切面上分隔为块，切面上的每一块代表一种情绪。按照普拉奇克的排列，在圆锥切面上处于相邻位置的情绪是相近似的；处于切面对角位置的情绪是相对立的；圆锥轴心从上到下表示强度由强到若。如图1-1所示。

图1-1 普拉奇克情绪模型

三、情绪的模式系统化原则

情绪并非仅仅以基本情绪的形式起作用和表现于外，它还有多种混合的和重叠的形式。而且情绪在人格结构中充任重要角色。因此，它还以多种情绪特质的形式在行为方式中出现。

按照普拉奇克的三维理论，八种基本情绪的两轴复合产生28种，三轴复合产生56种，从而在一个强度水平上共发生84种情绪，四个强度水平上共发生336种情绪。例如：快乐+接受=爱；快乐+怒=骄傲；惊奇+接受=好奇；惧怕+接受=谦让；惊奇+怒=恨；快乐+怕=罪疚感；接受+悲哀=多愁善感；恐惧+期待=焦虑。

四、情绪同其他心理、生理因素相互作用

情绪自身系统的活动影响体内平衡和内驱力系统以及知觉、认知系统的功能。情绪同人格的其他子系统的相互作用不但是动态的，而且可能在人格结构中形成多层次的复合情绪。例如期待同可接受的现实的不断结合形成自信，自信中既有乐观、满意的情绪成分，又含有对成功和成就的认知评价成分。期待和遭到拒绝的不断冲突产生无助或无望，无助或无望中既含有沮丧、悲伤、痛苦等的情绪成分，又含有不成功、被排斥等认知评价成分。

五、情绪各成分相互作用、交流和蔓延

情绪包含多种成分，任何情绪的主观体验和外显行为都有神经心理基础。情绪的各种成分基本上是相互作用的。三者互相影响，彼此间互相加强或削弱、互相补充或改变。在正常情况下，它们以反馈的方式相互影响或循环往复相互作用。

情绪体验在个体身上发生，因而只能为个体自身感受，但是他的外显成分则是公开和社会性的，经常发生在人际之间。情绪在人际间蔓延并具有感染力。情绪的蔓延作用可能发生在很多公共场合，如煽动骚乱等。

六、情绪的我调节作用

个体可以通过努力调节和控制自身的情绪状态。自我调节或控制可以由语言活动所携带，但调节与控制的重要机制是情绪成分之间的相互影响，由于表情和体验以相互作用的方式进行操作，它们的每一成分都是一种潜在的控制和调节情绪的媒介。

七、情绪的测量方法

情绪实验的难点之一，就在于情绪的测量问题。通过多年努力，研究者已经初步建立了一些较为有效的情绪测量指标体系，测量指标主要有内部的主观体验、外部的行为表现和机体内部的生理变化等[2]。其中，主观体验法主要包括做心理测试，描述及评价自身感受等。外部行为主要通过表情测量法，测量面部肌肉本身。生理变化法通过人体循环、呼吸频率、皮肤电反应、化学测试等方法进行。

1.2 情绪与情感的联系与区别

情感和情绪都是对满足需要状况的心理反应，是十分复杂的心理现象，它既是在有机体的种族发生的基础上产生的，又是人类社会历史发展的产物。情绪和情感从不同的角度来表示感情这种复杂的心理现象的，它们之间既有联系又有着密不可分的联系[3]。

一、情绪与情感的联系：

因为情绪和情感反映了人类感情的的不同的特征，所以他们之间有着十分密切的联系，有的时候甚至可以通用。

情绪是情感的基础，情感离不开情绪。情感是在情绪稳定的基础上发展建立起来的，同时，情感则需要通过情绪的形式表达。

情绪离不开情感，情绪是情感的具体表现。情感的性质决定了在一定情境下情绪表现的形式，情感的深度决定了情绪表现的强度。二者互相包含，不可分割。

二、情绪与情感的区别

与情感相比，情绪更不稳定，容易改变。情绪会随着清净的改变以及需要满足情况的变化而发生变化。而情感具有稳定性、持久性和深刻性，是感情发展稳定后的结果，是对事物态度的反应。

情绪具有外显性，而情感则具有内在性[4]。情绪一般表现为较强的冲动性和外部特征，它的主要表现形式为面部表情。而情感更注重内在感受，如爱国主义是一种情感，是一种内在体验，对行为有着一定的调节作用。

情绪的生理特性和情感的社会性。就人类生长的过程而言，情绪是一种先天性的生理特性，从出生就存在。而情感是人类在社会上经过积累体验而产生的。一切区别于认识活动、有特定主观体验和外线表情、同仁的特定需要（自然的或者社会的）相联系的感性反映统称为感情。感情包含着情绪和情感的综合过程。因此无论情绪、情感还是感情，指的都是同一过程和同一现象。

第二章情感计算与人工智能

2.1 情感计算

2.1.1 情感计算的历史和发展

情感计算的概念最初是由美国麻省理工学院(MIT) 实验室的Picard 教授于1995 年提出的 ,并在之后出版的专著中将其定义为:情感计算是与情感相关,来源于情感或者能对情感施加影响的计算[5]。它试图赋予计算机像人一样的观察、理解和生成各种情感特征的能力。美国学者Goleman 也认为“情感能力是人类智能改变的重要标志。”传统情感计算技术通过各种传感器获取由人的情感所引起的表情及生理变化信号，利用“情感模型”对这些信号进行识别，从而理解人的情感并做出适当的响应。因此，情感计算的研究重点就在于创建一个具有感知、认识和理解人类感情的能力，并针对用户的感情做出智能、灵敏、友好反应的个人计算系统。如何对获取的多模式情感信号（如面部表情图像、声音，心率、血压等生理信号）进行分析并推断出被观测者的情感状态是情感计算研究的一个关键。尽管情感计算的概念已提出近10 年,但对它的研究还处于初级阶段。在情感方面,人类心理学和生理学的研究为情感计算提供了坚实的基础;在相关研究内容上,如人脸及面部表情识别、人脸及面部表情合成、手语识别与合成、气味识别等也是学术界一直研究的重点。同样各种医学器械、测谎仪等的研制成功也为情感计算提供了一定的依据[6]。

2.1.2 情感信号的分析、建模与识别

一旦各类有效传感器获得了情感信号,下一步的任务就是将情感信号与情感机理相应方面的内容对应起来,这里要对所获得的信号进行建模和识别。由于情感状态是一个隐含在多个生理和行为特征之中的不可直接观测的量,不易建模,部分可采用诸如隐马尔可夫模型、贝叶斯网络模式等数学模型以及一些非线性分析方法:如模糊理论、神经网络、混沌理论、遗传算法等。MIT 媒体实验室给出了一个隐马尔可夫模型,可根据人类情感概率的变化推断得出相应的情感走向。假设采用3 种状态(可以包含更多状态,此处为了说明方便) :惊奇( Surprise ,简称S) 、沮丧(Depress ,简称D) 、喜欢( Favour ,简称F) 。这些状态在一定条件下以一定的概率相互转换[7],如图2-1所示

计算动词在情绪规则中的可计算化研究

Pr - Process 转换的进程

图2-1 状态转换图

2.1.3 情感计算在工程领域应用的有效性分析

情感计算的研究虽然近年来呈现出难得一见的热潮,但相关研究往往集中于人机交互等领域。包括制造业在内的一般工程应用领域的研究者多数仍持审慎、犹豫甚至不屑的态度,在核心控制算法的选用上这种情况更为明显。这种情况直接反映出人们心底对情感计算有效性的疑问,同时也反映出情感计算作为一门新兴技术,其潜力还远未被工程界所认识[8]。情感曾经的污名表明上述疑问的存在绝非偶然。Sarmento 在其论文中分析这种困难的两个原因:情感与理性长久以来的对立状态;人们由于研究手段匮乏等因素所导致的对情感本身知之甚少。随着学术界的联合推动和相关研究手段(如脑成像技术)的发展,情感和情感计算在当前均已确立了一定地位,而上述困难局面的彻底打破,则需要情感技术在工程领域的若干重要突破和大量成功案例来推动。对于情感的功能本质以及情感功能与工程应用适配性的分析表明,情感是应对工程问题复杂性的一种有效机制。事实上,虽然步履艰难,但情感计算在若干工程应用领域的研究和应用已形成突破的态势,利用以情感计算为核心的控制器实现了对开关磁阻电机速度的有效控制[9]

。所以,情感计算的巨大潜力是不容忽视的,当前的根本问题不在于去争论其有效性,而是要将注意力集中到如何将情感计算与专业领域相结合,以充分释放情感计算的工程应用潜力。

2.2 人工智能

2.2.1 人工智能的定义

S

F

D Pr(S/S) Pr(F/F)

Pr(F/S)

Pr(S/F) Pr(S/D)

Pr(D/S)

Pr(D/F)

Pr(F/D)

Pr(D/D)

从字面上看，“人工智能”就是用人工的方法在计算机上实现人的智能，或者说是人们使计算机具有类似于人的智能。人们继续探索，认识到人的智能表现在人能学习知识，有了知识，能了解、运用已有的知识智能的核心是思维，人的一切智慧或智能都来自大脑思维活动，人类的一切知识都是人们思维的产物。要让计算机“聪明”起来，首先要解决计算机如何学会知识，以及如何运用知识的问题。人工智能研究的开展应当改变为以知识为中心来进行。此后，以专家知识为基础开发的专家系统在许多领域里获得成功，例如地矿勘探专家系统拥有15种矿藏知识，能根据岩石标本及地质勘探数据对矿产资源进行估计和预测，能对矿床分布、储藏量、开采价值等进行推断，制定合理的开采方案，成功地找到了超亿美元的钼矿，显示出较高的水平。专家系统的成功，充分表明知识是智能的基础，人工智能的研究必须以知识为中心来进行。由于知识的表示、利用、获取等研究都取得较大的进展。因而，人工智能的研究已解决了许多理论和技术上的问题。人工智能研究的近期目标是使现有的计算机不仅能做一般的数值计算及非数值信息的数据处理，而且能运用知识处理问题，能模拟人类的部分智能行为。按照这一目标，根据现行的计算机特点研究实现智能的有关理论、技术和方法，建立相应的智能系统[10]。

2.2.2 人工智能的研究领域

一、专家系统

专家系统是依靠人类专家已有的知识建立起来的知识系统，目前专家系统是人工智能研究中开展最早，成效最多的领域。广泛应用于医疗诊断、地质勘探、石油化工等各方面。是在特定的领域内具有相应的知识和经验的程序系统，应用人工智能技术、模拟人类专家解决问题时的思维过程，来求解领域内的各种问题，达到或接近专家的水平。

二、机器学习

要使计算机具有知识要么将知识表示为计算机可以接受的方式输入计算机，要么使计算机本身有获得知识的能力，并在实践中不断总结、完善，这种方式称为机器学习。机器学习的研究，主要在以下三个方面进行：一是研究人类学习的机理、人脑思维的过程；二是研究机器学习的方法以及建立针对具体任务的学习系统。机器学习的研究是在信息科学、脑科学、神经心理学、逻辑学、模糊数学等多种学科基础上的。

三、模式识别

模式识别是研究如何使机器具有感知能力，主要研究视觉模式和听觉模式的识别。如识别物体、地形、图像、字体等。在日常生活各方面以及军事上都有广泛的用途。近年来迅速发展起来应用模糊数学模式、人工神经网络模式的方法逐渐取代传统的用统计模式和结构模式的识别方法。

四、机器人学

机器人是一种能模拟人的行为的机械，对机器人的研究经历了三代的发展过程。第一代程序控制机器人。这种机器人要么由设计师将工作流程编写成程序存储在机器人的内部，在程序控制下工作；要么是在机器人第一次执行任务之前，由技术人员引导机器人操作，机器人将整个操作过程一步一步地记录下来，每一步操作都表示为指令，示教结束后，机器人按指令顺序完成工作。第二代自适应机器人。这种机器人配备有相应的感觉传感器（如视觉、听觉、触觉传感器等），

能取得作业环境、操作对象等简单的信息，并由机器人体内的计算机进行处理，控制机器人。第三代智能机器人。智能机器人具有类似于人的智能，装备了高灵敏度的传感器，因而具有超过一般人的感觉能力，能对感知的信息进行分析，控制自己的行为，处理环境发生的变化，完成复杂的任务。而且有自我学习、提高已掌握知识的能力。

五、智能决策支持系统

决策支持系统是属于管理科学的范畴，与“知识－智能”有着极其密切的关系。80年代专家系统在许多方面取得成功，将人工智能中特别是智能和知识处理技术应用于决策支持系统，扩大了决策支持系统的应用范围，提高了系统解决问题的能力，这就成为智能决策支持系统[11]。

2.3 情感计算与人工智能联系

情感计算是一种建立人工智能的手段[12]。情感与理性长久以来的对立状态使得情感计算一度陷入难题，但是基于大量的研究、随着学术界的联合推动和相关研究手段(如脑成像技术)的发展,情感计算在当前均已确立了一定地位,而上述困难局面的彻底打破,则需要情感技术在工程领域的若干重要突破和大量成功案例来推动[13]。没有情感计算的智能机器是不能充分实现人工智能的，这样就要求计算机具有识别、理解、适应人情感的能力，由此来建立和谐的人机环境。而用来识别面部表情、语音情感以及对应情感状态的生理信号和情感行为的建模和分析，能使计算机初步具备一定的情感识别和表达能力，这方面的研究也是情感计算研究的一个关键性问题。一种好的情感计算的方法会更加的具有推广性，这样做出的智能系统也会具有更强大的市场。如果情感计算主要应用在智能机器人这一领域，那么机器人的热潮会随着它的智能系统的提升而席卷全世界。情感计算的高级化阶段会模拟出和人类心理很相似的机器人感情，它在面对外界给予它的刺激的时候会变得和人类一样，去思考，去体验。情感计算和人工智能紧密相连，是密不可分的[14]。总体来说，情感计算的研究帮助智能系统做不同情绪状态下不同的合理决策，模拟人类思维方式。

第三章情绪规则建立

3.1 基本情绪的选择

3.1.1 基本情绪应具备的特点

基本情绪的一些特质可以使其与其它情绪现象鉴别：首先，基本情绪具有普遍的而独特的标志，我们可以通过特定的面部表情判断个体正在体验着什么情绪，并且推测是什么先行事件引起了这种情绪，还可以预测个体将出现哪些行为。其次，个体对基本情绪的评价通常是自动的、无意识发生的，这与情绪在进化中形成的特定的生理化学反通道有关[15]。

3.1.2 公认的六种基本情绪

究竟存在多少种具体情绪暂时没有一致的结论，如前文所叙述的，情绪分类在不同学派之间有不同的分类方法，Plutchik曾提出8种基本情绪：接纳(acceptance)、厌恶(disgust)、恐惧(fear)、愤怒(anger)、愉快(joy)、悲伤(sadness)、惊讶(surprise)和期待(expectancy)。而Izard提出人类具有10种基本情绪，包括：兴趣(interest)、惊讶(surprise)、愉快(joy)厌恶(disgust)、愤怒(anger)、恐惧(fear)、害羞(shame)、轻蔑(contempt)、悲伤(sadness)和自罪感(guilt)。但是，有6种具体情绪是公认的基本情绪：愉快、痛苦、厌恶、惊奇、愤怒和恐惧，其他的具体情绪可能是基本情绪，也可能掺杂了复合情绪成分[16]。

3.1.3 各个情绪的本质和反应特点

一、快乐

快乐是最基本的正情绪。快乐的笑容是最有效的和最普遍的社会性刺激，它是人际交往的纽带。快乐最易于为人所识别。快乐时出现笑的面容，这时嘴角向后拉、向上翘，面颊鼓起，额头展平，眼睛闪光。快乐最为一种基本情绪，具有生物学的发生基础，这方面给予科学依据的是儿童生来的情绪激动阀限是有个别差异的。快乐和其他情绪一样，能放大、减缓、抑制或掩盖其他情绪。由于快乐的放松缓慢性质，它使智力活动下降，操作减慢，对创造性思维或活动产生懈怠和松弛。这是一种矛盾的现象：智力成就引起喜悦，但快乐又使智力活动下降。

二、悲伤

痛苦和悲伤一般同步发生，是普遍的负情绪。它是一种反抗和应付不良刺激的影响的很强的动机。它是持续的超水平刺激的结果。分离、失败等等都是引起痛苦和悲伤的原因。悲伤是愤怒的先天激活器，而愤怒还会与惧怕相结合，形

成悲伤——痛苦——愤怒——惧怕的复合模式。在悲伤和痛苦的情况下，幼儿在完成要求的操作任务时表现出更多的呆视不动、错误操作和不耐心。它的主要标识是额眉中心内皱，内眼角和上眼睑上提，眉梢和外眼角下拉，甚至有哭泣等表现。

三、惧怕

惧怕是一种最有害的情绪。凡能引起危险地威胁都能引起惧怕。惧怕在全部情绪中是最有压抑作用的。惧怕的特征是额眉平直，有时额头有品行皱纹，眼张大，眼睑肌肉紧张，口微张，唇紧张并向后拉。它有很大的效应，可以引起逃避和退缩，也可由于肌肉紧张而引起僵化不动。

四、愤怒

愤怒是一种激活水平很高的爆发式负情绪。一般发生于强烈的愿望受到限制时。低水平的怒可以被抑制相当长的时期，先前潜在的引起愤怒的原因所激起的兴奋残余很容易在某种情境下爆发或产生攻击行为。典型的愤怒表情是皱眉，鼻孔扩张，鼻翼向两边扩展，口张大呈方形，牙齿咬紧，面孔赤红。愤怒使人紧张、冲动和自信。怒时指向引起怒的对象是向外有冲力的负向情绪，具有一定的自我肯定和自信的性质。

五、厌恶

厌恶是一种反感的情绪。不仅味觉、嗅觉、触觉或者想象、耳闻、目睹会导致厌恶感，人的外表、行为甚至思想都会导致同样的结果。典型特点是眉内皱，最脚下撇，眯眼，用余光扫视并有趋避行为。

六、惊奇

惊奇在这里也可以称为兴趣度，是先天性情绪，人可以在没有任何生理需要的情况下去活动。这一准备状态在情绪线索发生时，可引起动物的警觉和“趋”、“避”行为，从而可观察到动物的知觉和注意的选择性和指向性。兴趣的表情不象别的情绪那么容易辨认，它的主要标识是扬起额眉，长大或微眯眼睛，以扩大视野或集中视力。兴趣处于中度激活状态，倾向于想要吸收信息和扩展自己，这种状态保证兴趣和认知活动的联系，维持和支持认知加工。

3.1.4 选择这六种情绪作为基本情绪的优势

从进化的观点看，基本情绪是人类面对环境中存在的威胁刺激，不断地学习应对，为取得生存的机会而产生的固定的反应，Ekman在跨文化研究中发现了情绪反应具有跨人种、民族和文化背景的一致性。因此我们就选择了艾克曼的这六种基本情绪作为研究对象。这六种基本情绪也符合和FACS系统（情绪测量系统表）中情绪分类，能增强情绪测量的准确度。除此之外，六种基本情绪相对简洁，对后面的仿真和验证工作带来简便性。

3.2 人格特质因子的选择

不同的人面对同样的事情可能会产生不同的情绪，不同的人格特质会改变人的情绪改变的大小和强度，人的情绪反应与个体本身的人格特征有很大关系，所以我们要考虑清楚影响情绪的人格特点。

3.2.1人格特质的结构

一、气质与性格

气质（temperament）是表现心理活动的强度、速度、灵活性欲指向性等方面的一种稳定的心理特征，及我们平时所说的脾气、秉性。人的气质在很大程度上是先天形成的，受神经系统活动过程的特征所制约。性格(character)是一种与社会相关密切的人格特征，在性格上包含许多社会道德标准。这个主要体现在对自己、对别人、对事物的态度和所采取的言行上，性格表现了一个人的品德，受个体价值观、人生观、世界观的影响。

二、自我调控系统

自我调控系统[17]是人格中的内控制系统或自控制系统，从人格特质的布局属性看，可以把这一系统分为自我认知(self-cognition)、自我体验(self-experience)、自我控制(self-regulation)三个子系统。自我认知是个体对自己的洞察和理解，包括自我观察和自我评价。自我体验是个体伴随自我认识而产生的内心体验，是自我意识在情感上的表现，如一个人对自己作积极评价时，就会产生自尊感，作消极评价时，就会产生自卑感。自我体验可以使自我认识转化为信念，进而指导个人言行。自我控制包括自我监控、自我激励、自我教育等成分，是个体自我意识在行为上的表现，是实现自我意识调节的最后环节。三、个性

个性是指一个人在其生活、实践活动中经常表现出来的、比较稳定的、带有一定倾向性的个性心理特征的总和，指一个人区别于其他人的独特的精神面貌和心理特征。

不同人格特质的对情绪有不同影响。情绪是情感的基础，而且是情感的具体表达。情绪的表现具有明显的冲动性和面部表情、体姿的外显性，而情感的表现多具有内在性，不轻易表露，只有在具体情境中才会外显。积极情绪增加者表现出积极情绪慢速衰减，消极情绪快速衰退；消极情绪增加者（内倾者、神经质者以及消极情绪调节预期低的个体）表现出消极情绪慢速衰退，积极情绪快速衰退。

3.2.2情绪模型中所建立的四个人格特征变量

基于人格的现代特质理论，艾森克（Eysenck,1947,1969）的三因素模型为原始启发模型。艾森克三因素分别为：外向型——表现内、外倾的差异；神经质——表现为情绪稳定性的差异；精神质——表现为孤独、冷酷、敌视、怪异等偏于负面的人格特征[18]。其中外向型和神经质对情绪产生瞬间的速度和强度影响较大，可以看作为主要的情绪变量因子。而精神质是侧重于负面的人格特征，本身带有复合情绪，所以我们暂时不考虑它。因此我们选择外向型和神经质的两个维度构成了四种人格状态，希望从这四种基本状态中研究出情绪与之的对应关系。这四种人格状态分别为：外向稳定型、外向神经质、内向稳定型、内向神经质。

3.3 情绪规则基本框架

在选择好以上基本情绪和基本人格特质后，我们根据多方参考资料进行了情绪的变化总结。

情绪用Ti（i=1,2...6）表示，T1 = 喜悦;T2 = 惊奇;T3 = 恐惧;T4 = 悲伤;T5 = 愤怒;T6 =厌恶。四种人格状态（Character）分别用C表示，C1 = 外向稳定；C2 = 外向神经质；C3 = 内向稳定；C4 = 内向神经质。

正向情绪为喜悦，中性情绪为惊奇，负向情绪为恐惧、悲伤、愤怒和厌恶。由于情绪的变化会受人的性格特质影响，所以外向的人对正向情绪的接受度相对较高，对负向情绪的接受度相对较低。同理，内向的人不易表达自我，情绪容易封闭，他对正向情绪的接受度相对较低，对负向情绪的接受度相对较高[19]。神经质和稳定性只影响情绪变化的速度，神经质的人对外反馈情绪的速度快，稳定的人较慢。

在平静状态下，无论受到什么情绪刺激，人原始的平静就会转变为给他刺激的这种情绪。在人本身带有某种情绪的前提下，无论原情绪是大是小，在受到新的刺激情绪后，两种情绪都会相应的削减。这样的方式可以理解为，新来的刺激会使注意力转移，能量要在新的情绪上有消耗，所以情绪会减弱。而新的情绪因为受到前面情绪的消耗，它也会削弱。有一种状况除外，就是同种情绪的叠加，如果新受到的刺激情绪正好和原情绪相同，那么它们之间有放大作用[20]。

情绪模型的整体关系如图3-1所示。

图3-1 情绪模型

以悲伤为原始心境，受喜悦刺激的具体的情绪量表见附录1

第四章计算动词理论

4.1计算动词的产生与发展

计算动词理论[21]自1997年在美国伯克利加州大学的电气工程与计算机科学系杨涛教授发明以来，经历了整整十一年的理论及工程应用的检验，显示了巨大的解决复杂工程问题的能力。作为第一个通过使用动词解决工程问题的范例转换，计算动词理论和物理语义学得到了快速的发展。它的发展历程可以分为以下几个阶段：

1.计算动词理论的起始期：1997 年九月，两份伯克利加州大学电子研究实验室的技术报告中提出将动词的可计算模型显式地表达出来这一设想，这便是计算动词理论的原型和发端。

2.计算动词理论的萌芽期：1997 年到2000 年这一时期致力于将非线性动力学中的对于动态系统的建模手段转化到动词的形式化建模中。

3.计算动词理论的幼年期：2001 年到2002 年通过侧重对语义学中动词及副词的研究成果进行系统的数学建模和自然科学化。认识到计算动词理论研究的最终目标：即对人的认知及意识现象的自然科学化。

4.计算动词理论研究的综合成长期:2003 年到2004 年一方面在理论上开始构造物理语义学。另一方面，着手进行计算动词理论工程化方面的前期研究，最后将应用领域锁定在图像处理领域。

5.计算动词理论高速成长期的开端：2005 年至今在理论上宇知理论得到进一步的发展，并给物理语义学及人的认知的可测量化提供了坚实的理论基础。在工程应用上，一大批基于计算动词的视频产品被成功地开发出来并应用于实际工程之中。

其中一些被成功应用于许多工业和商业上的产品归列如下：

(1)视频数卡器。由杨氏科学研究所和无锡星卡技术有限公司联合推出的魔法YangSky 卡片计数器是第一个运用计算动词图像处理技术的视频卡片计数系统并且在使用廉价网络摄像头的前提下达到卡和纸卡计数的高精度。

(2)CCTV 自动驾驶质量测试系统。CCTV 自动驾驶质量测试系统DriveQfy 是第一个运用计算动词图像处理技术的车辆轨迹重建和停止时间测量的系统。

(3)视频火焰检测系统。可视光检测系统FireEye 是首个基于光检测系统的CCTV 或摄像头，它作为监视和安全监控系统工作在彩色和黑白环境中。

(4)智能色情图像和视频检测系统。色情图像和视频检测系统PornSeer 是以智能色情检测和可移动软件为特征的首例。

(5)网络摄像头条码扫描器。网络摄像摄像头条码扫描器BarSeer 采用了计算动词图像处理技术而能够利用尽可能便宜的摄像头制作条形码扫描器。

(6)认知股票图表。通过应用计算动词于股票交易活动的趋势和认知行为建模，可认知股票图表可以用最简单直观的指标提供给交易商股票市场的“感觉”。

基于计算动词理论的机器视觉产品具有以下的优越性：

1.开发周期短

2.集群优势明显

3.可再生代码率高

4.对团队开发具有极强的继承性和可拓展性

由上可见，计算动词有着复杂而快速的发展历程，对动态过程进行建模，在

机器中实现情感方法，将人类智能中的非理性部分嵌入到机器智能中去，计算动词结合计算名词等一同来描述动态性对其进行实现。

4.2 计算动词定义与相似度

1、计算动词的定义：

我们可以用以下相关的函数定义一个连续时间的计算动词V

v :T ε?Ω→Ω （4-2-1） 其中T R ?并且n R Ω?分别代表时间和状态空间。

相似地，用以下相关的函数来定义一个离散时间的计算动词V

:νεZ?Ω→Ω （4-2-2） 由计算动词的数学定义可见其易于操作，并涵盖了时间，状态以及状态进化三元素，执行性高。 2、计算动词相似度

计算动词相似度（Computational verb similarities,简称CVS ）[22]在计算动词推理、计算动词聚类、计算动词知识表达中起着至关重要的作用。对于给定的模板计算动词V 和一个观察所得的时间序列{x(t)},我们用计算动词相似度S(V,{x(t)})来度量观察到的时间序列与模板计算动词的进化函数有多相似。如果我们取得了计算动词V1 的进化函数一个可实现的时间序列，那么S(V, {x(t)})可以被改写为S(V, V1)。虽然有很方法可以定义CVS ，但迄今为止我们还没有找到一个CVS 的定义，以符合对计算动词之间相似度的所有直观感受，而且目前没有一种CVS 通用于各种领域。因此，动词相似度中存在着各种不确定性，而它们则是由定义动词相似度的方法的不同引起的。例如，分别计算两个计算动词对于第三个动词的相似度，当同时使用一种计算方法时，可能得到相同的相似度，而再同时使用另一种相似度计算方法时，它们的相似度却又不同了。为了设计一个较好的CVS ，我们必须考虑以下这些因素。 (1)波形的起始和整体趋势以及衍生。 (2)波形的起始和整体形状。 (3)波形的频率和频谱。

(4)波形的振幅、范围、最小值、最大值、平均值和其它的统计测量数。

下面我们将给出最简CVS 的计算方法。最简单的计算动词是由两个点（起点和终点）组成的一条线段，我们定义其进化函数为

0()(0,)t ε=?

（4-2-3） 那么，对于一个观察值(0,)x V =?，我们定义下面的CVS

001,(0)1(,)2

,1x x k e S become V e -????

?≠?

?

+=???+?

其他 （4-2-4）

对于通过式（4-2-3）表示的计算动词“increase ”“decrease ”“stay ”的理想

情况，式（4-2-4）定义的CVS 能较好地计算其相似度。

其中，线性标准动词组：理想的“increase ”模型为(0,)increase =+∞。理想的“decrease ”模型为(0,)derease =-∞。理想的“stay ”模型为(0,0)stay =。 其具有的特性如下方程所示。图4-1为其图形

（4-2-5）

图4-1

非线性标准动词组：其具有的特性如下方程所示，共三个标准动词，分别为非线性上升，持平、非线性下降。图4-2为其图形

000()()()(1)kt increase stay kt

decrease t x e b t x b

t x e b εεε--=+=+=-+ （4-2-6）

000(),0

(),0(),0

increase stay decrease t x kt k t x kt k t x kt k εεε=+>=+==+<

图 4-2

在计算动词的情绪建模中，对于有P 个计算动词的训练集个计算动词的训练集1{,...,}V p S V V =，给出一个观察到的动词00(,)x V x x x =+，要找出 V 和S V 中每个元素()i i v V V S ∈的 CVS ，我们首先把每个计算动词i v V S ∈表示成含有两个采样点的时间序列000(,)Vi i i i x x ε=+?，那么i V 和x V 间的合成CVS 定义为

0,00,(,)()()Vi i i x c x S V x x ε?γ=?? （4-2-7） 其中，(...,...)γ函数反映了i V 和x V 的走势的相似度，它满足

(...,...)[0,1]γ∈。

(,)i x

γ??是随着0

||x

i ?-?的增大单调地减小并且

0|0|lim (,)0i x x i γ?-?→∞

??=，

0|0|0

lim (,)1i x x i γ?-?→??=， （4-2-8）

0,

()i x x ?函数反映了i V 和x V 之间距离的相似度，它满足

(,)[0,1]?∈

0,

()i x x ?是随着0

||i x x -的增大单调地减小并且

0,000|

|lim ()0i i x x x x ?-→∞

=，

0,000|

|0

lim ()1i i x x x x ?-→=， （4-2-9） 因此，式（2-2-5）中的CVS 是一个合成的CVS ，它考虑了考虑了两个计算动词间的趋势和距离特性。同时结合等式(2-2-4)中CVS 的指数形式我们可以将函数