في عالم الذكاء الاصطناعي، تسعى الأبحاث دائماً إلى فهم وتعزيز تفاعلنا مع التقنية من خلال إدراك المشاعر. إحدى الخطوات الرائدة في هذا الاتجاه هي تقنية جديدة تدعى EEGDancer، التي تمثل قفزة نوعية في توقع العواطف المستمرة باستخدام تخطيط الدماغ (EEG).

تسعى تقنية EEGDancer إلى تجاوز القيود المفروضة على أنظمة التعرف على العواطف التقليدية التي تعتمد على نماذج متقطعة، حيث تتطلب توقع العواطف المستمرة نماذج قادرة على التقاط العلاقات الزمنية المعقدة والديناميات العاطفية. ومع ذلك، كانت الأساليب الحالية تواجه عقبات بسبب اعتمادها على الانحدار النقطي ونمذجة الميزات عالية الأبعاد التي تحتوي على ضجة.

لتخطي هذه التحديات، تم تطوير EEGDancer كإطار عمل متكامل يتضمن التعلم المتجه الكمي، نمذجة زمنية مقنعة، وتحسين المسارات باستخدام التعلم المعزز (Reinforcement Learning).

تم تصميم نموذج خاص يُعرف باسم المتجه الكمي المتغير (Vector-Quantization Variational Autoencoder - VQ-VAE) الذي يتعلم من إشارات EEG لإنتاج بروتوكولات عاطفية منظمة. ومن خلال مقتطفات التعلم المستخلصة، يتمكن نظام Seattle الداعم الناتج (التحويل القائم على التعلم) من التقاط الاعتمادات العاطفية على المدى الطويل ونمط التطور الزمني.

علاوة على ذلك، تم صياغة توقع العواطف المستمرة كمشكلة اتخاذ قرار تسلسلي، حيث تم إدخال إطار العمل Soft Actor-Critic (SAC) لتحسين مسارات التوقع بين السلاسل بدلاً من التركيز على التكيف المحلي على مستوى الإطار.

أثبتت التجارب الشاملة على مجموعات بيانات SEED وSEED-IV وLong-Term Naturalistic Emotion أن EEGDancer يتفوق بشكل مستمر على مناهج التعلم الآلي والعميق الموجودة. بالإضافة إلى ذلك، تدعم دراسات الإزالة فعالية نموذج المحتوى التعليمي المعتمد على المسار وتنفيذ التعلم المعزز في نمذجة الديناميات العاطفية المستمرة، مما يشير إلى مستقبل مشرق لتفاعلات الإنسان-machine.