في عالم الذكاء الاصطناعي وتكنولوجيا التفاعل العاطفي، يظهر التعرف على المشاعر الجسدية كأحد المجالات المثيرة للاهتمام. يتناول研究 جديد تحليل فعالية الشبكات الزمنية الالتفافية الخفيفة (Lightweight Temporal Convolutional Networks – TCNs) كبديل فعال لنماذج التعرف على المشاعر المستندة إلى الهيكل العظمي.

تعتبر نماذج الهيكل العظمي القائمة على الشبكات المعقدة مفيدة، إلا أنها تستهلك قدرة حسابية كبيرة، مما يجعلها غير عملية للأنظمة العاطفية الوقتية. قام الباحثون بتقييم مجموعة من نماذج TCN على بيانات DIEM-A، وقارنوها بنموذج G-TSG القائم على الرسوم البيانية من حيث الدقة، مؤشر F1 الكلي، عدد المعلمات، وزمن الاستنتاج.

على الرغم من تحقيق نموذج G-TSG لأعلى أداء متوسط، إلا أن نموذج TCN-Base أظهر أداءً متقاربًا، حيث كان الضياع في الدقة حوالي 1.58 نقطة فقط، مع توفير 79.18% من عدد المعلمات وخفض زمن الاستنتاج بنحو 12.5 مرة.

تقدم الدراسة أيضًا نظرة على إسهامات كل منطقة من مناطق الجسم من خلال استخدام نماذج TCN معينة لكل منطقة، مما يظهر أن حركات الجزء العلوي من الجسم توفر أقوى مؤشر منفصل. كما أن الفوائد المترتبة على مناطق الجسم تتنوع اعتمادًا على المشاعر المستجلبة، مما يبرز أهمية الفهم العملي لكيفية تأثير الإشارات الحركية على التصنيف.

هذه النتائج تؤشر على إمكانية استخدام نماذج TCN الخفيفة لدعم التعرف الفعال على المشاعر الجسدية، بالإضافة إلى تقديم رؤى عملية حول مساهمات حركات الجسم في عملية التصنيف. ما رأيكم في قدرة الذكاء الاصطناعي على قراءة مشاعرنا من حركاتنا؟ شاركونا آرائكم في التعليقات!