人机交互中人的状态识别自适应学习方法研究

Human state recognition is a key technology in Artificial Intelligence, which has massively important applications in smart security, affective robots, smart home, and intelligent transportation systems. The study focuses on adaptive methods for human-centered state recognition, which provides breakthroughs in discovering hidden features for human state representation, constructing of learning frameworks, coping concept shifting, and individual differences. The objective of the study is to establish novel machine learning framework for human-centered state recognition. A methodology which combines theoretical analysis, numerical simulation, experimental verification is employed in this study. This study is consisted with 1) to achieve uncertain feature extraction from physiological inputs by auto-encoder based; 2) to design multi-kernel learning framework for heterogenous data from multi-source signals; 3) to explore concept shift in environment changes, and adaptive leaning methods to deal with human individual differences; 4) to realize a prototype system which recognize human emotion states via speech and EEG signals. The results from this study will meet the limitation that traditional machine learning methods can only detect simple state for each individual in stable environment, and drive the applications in intelligent HMI, human-centered complex systems and intelligent robots.

人状态识别是人工智能的核心技术，在智能安防、机器人、智能家居，智能交通等领域具有重要的科学价值和应用前景。本项目研究面向人的自适应状态识别方法，突破人的状态隐性特征提取、模型网络构架、状态迁移和个体差异性建模等关键技术，形成以“人”为研究对象的自适应状态识别机器学习新框架。项目采用理论分析、数值仿真和实验验证相结合的研究路线，研究内容包括：1）基于自动编码的高度不确定性的人心理生理特征提取的研究；2）多源异构人体功效数据的多核机器学习方法的研究；3）面向环境状态迁移和个体差异性的人状态自适应学习方法研究；4）基于脑电和语音信号的情绪识别的实验验证研究。项目研究成果将突破以传统软硬件系统为研究对象的状态识别方法仅能处理简单环境下单个操作人简单状态识别等的技术瓶颈，填补以人为中心的机器学习理论和应用的空白，推动其在智能人机交互、以“人”为中心的复杂系统和智能机器人等领域的应用。

人状态的识别是人工智能的核心技术，在智能安防、机器人、智能家居，智能交通等领域具有重要的科学价值和应用前景。本项目研究面向人的状态识别方法，突破人的状态隐性特征提取、多信道信息融合算法、和个体差异性建模等关键技术，形成以“人”为研究对象的人类情绪及精神状态识别机器学习新框架。项目采用理论分析、算法开发和实验验证相结合的研究路线，研究内容包括：1) 大型实验设计，制定标准化可重复的实验协议，在正常噪声和静音室两种实验场景下，采集200名被试组成的大型多信道同步情绪识别数据库；2)针对情绪识别的语音信号处理及语音情绪识别方法研究；3)针对情绪识别的脑电信号处理及脑电情绪识别方法研究；4) 以人类情绪识别为目标的数据融合与决策方法研究，结合脑电和语音信号进行人的情绪状态识别；5) 实现方法验证：在车内环境下的驾驶人注意力状态识别。项目研究成果突破以传统软硬件系统为研究对象的状态识别方法仅能处理简单环境下单个操作人简单状态识别等的技术瓶颈，填补以人为中心的机器学习理论和应用的空白，推动其在智能人机交互、以“人”为中心的复杂系统和智能机器人等领域的应用。