본 논문에서는 Russell (1980)의 감정차원 모델(Circumplex Model)을 확장하여 새로운 감정차원 모델링 방식을 제안한다. 기존의 감정차원 중 가장 대표적인 Russell의 모델은 각성(Arousal), 정서가(Valence)의 2개의 축을 이용하여 감정을 나타낸다. 하지만 기존의 연구에서는 Russell의 감정차원은 감정을 하나의 점으로만 표현하기 때문에 정확한 위치라고 할 수 없으며 감성과학, HCI, Ergonomics 등의 공학 분야에서 사용하기 어렵다고 주장하였다. 따라서 본 논문에서는 Russell의 감정차원 위에 감정들을 하나의 점으로 표현하지 않고, 데이터 분포를 가정하여 영역으로 표현하는 방법을 제안한다. 실제 설문을 진행하여 자료를 수집하였고, 타원의 방정식을 이용하여 영역을 수식화하였다. 또한, 마지막 장에서 실제 많은 연구에서 사용되는 ANEW와 IAPS 데이터를 패턴인식 알고리즘을 통해 본 논문에서 제안한 모델에 적용해 보았다. 본 논문에서는 새로운 모델링 방법을 통해 기존의 연구자들에게 지적된 Russell 모델의 문제점을 보완하고, 이 모델을 공학 분야에서도 쉽게 적용할 수 있었다.
본 논문에서는 Russell (1980)의 감정차원 모델(Circumplex Model)을 확장하여 새로운 감정차원 모델링 방식을 제안한다. 기존의 감정차원 중 가장 대표적인 Russell의 모델은 각성(Arousal), 정서가(Valence)의 2개의 축을 이용하여 감정을 나타낸다. 하지만 기존의 연구에서는 Russell의 감정차원은 감정을 하나의 점으로만 표현하기 때문에 정확한 위치라고 할 수 없으며 감성과학, HCI, Ergonomics 등의 공학 분야에서 사용하기 어렵다고 주장하였다. 따라서 본 논문에서는 Russell의 감정차원 위에 감정들을 하나의 점으로 표현하지 않고, 데이터 분포를 가정하여 영역으로 표현하는 방법을 제안한다. 실제 설문을 진행하여 자료를 수집하였고, 타원의 방정식을 이용하여 영역을 수식화하였다. 또한, 마지막 장에서 실제 많은 연구에서 사용되는 ANEW와 IAPS 데이터를 패턴인식 알고리즘을 통해 본 논문에서 제안한 모델에 적용해 보았다. 본 논문에서는 새로운 모델링 방법을 통해 기존의 연구자들에게 지적된 Russell 모델의 문제점을 보완하고, 이 모델을 공학 분야에서도 쉽게 적용할 수 있었다.
We propose a novel method for modeling emotional dimensions using expansion of Russell's (1980) emotional dimensions (Circumplex Model). The Circumplex Model represents emotional words in two axes (Arousal, Valence). However, other researchers have insisted that location of word in Russell's model w...
We propose a novel method for modeling emotional dimensions using expansion of Russell's (1980) emotional dimensions (Circumplex Model). The Circumplex Model represents emotional words in two axes (Arousal, Valence). However, other researchers have insisted that location of word in Russell's model which is expressed by single point could not represent exact position. Consequently, it is difficult to apply this model in engineering fields (such as Science of Emotion & Sensibility, Human-Computer-Interaction, Ergonomics, etc.). Therefore, we propose a new modeling method which expresses emotional word not as a single point but as a region. We conducted survey to obtain actual data and derived equations using ellipse formula to represent emotional region. Furthermore, we applied ANEW and IAPS which are commonly used in many studies to our emotional model using pattern recognition algorithm. Using our method, we could solve problems with Russell's model and our model is easily applicable to the field of engineering.
We propose a novel method for modeling emotional dimensions using expansion of Russell's (1980) emotional dimensions (Circumplex Model). The Circumplex Model represents emotional words in two axes (Arousal, Valence). However, other researchers have insisted that location of word in Russell's model which is expressed by single point could not represent exact position. Consequently, it is difficult to apply this model in engineering fields (such as Science of Emotion & Sensibility, Human-Computer-Interaction, Ergonomics, etc.). Therefore, we propose a new modeling method which expresses emotional word not as a single point but as a region. We conducted survey to obtain actual data and derived equations using ellipse formula to represent emotional region. Furthermore, we applied ANEW and IAPS which are commonly used in many studies to our emotional model using pattern recognition algorithm. Using our method, we could solve problems with Russell's model and our model is easily applicable to the field of engineering.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 Russell의 감정차원 모델의 문제점을 보완하고, 공학 분야에 적용하기 쉬운 모델링 방법을 제안한다. 이를 위해서 단순히 평균위치의 점으로 표현하는 방법 대신 Russell 모델을 확장하여 감정을 차원 위에 영역으로 표현하여 나타냈다.
위와 같은 문제는 기존의 모델이 차원 위에 감정을 점으로 표현하여 발생하는 결과이다. 따라서 본 논문에서는 감정을 영역으로 표현하고, 이를 수식화하여 패턴인식 알고리즘을 적용하기 쉽고, 정확도를 수치화하여 구할 수 있는 모델링 방법을 제안하였다. 다음 절에서 앞선 장에서 설명한 베이지안 결정론과 ANEW 데이터를 이용하여 본 논문에서 제안한 모델의 정확도를 검증하였다.
본 논문에서는 Russell의 감정차원 모델을 확장하여 새로운 감정 표현방법을 제안한다. 이를 위해 기존에 점으로 표현하는 방법 대신 감정을 영역으로 표현하였다.
본 논문에서는 기존의 Russell 모델의 문제점을 보완하고 공학 분야에 쉽게 적용할 수 있는 모델링 방법을 제안하였다. 감정을 점으로 표현하는 방법 대신 데이터 분포를 가정하여 수식화된 영역으로 표현하였다.
본 논문에서는 기존의 Russell 모델의 문제점을 보완하고 공학 분야의 연구에 적용이 쉬운 모델링 방법을 제안한다. 이를 위해서 차원 위에 감정을 하나의 점으로 표현하지 않고 영역으로 수식화하는 방법을 제안한다.
본 논문에서는 기존의 감정차원 모델 중 Russell 모델의 문제점을 보완하고 이를 확장하여 더욱 객관적이고 다른 연구에 적용하기 쉬운 모델링 방법을 제안한다. 기존에 감정을 점으로 표현하는 방법 대신 감정을 영역으로 표현하고, 이를 수식화하여 나타냈다.
가설 설정
이를 위해서 차원 위에 감정을 하나의 점으로 표현하지 않고 영역으로 수식화하는 방법을 제안한다. 이를 위해서 설문데이터를 정규분포라고 가정하여 수식화를 진행한다.
제안 방법
본 논문에서는 기존의 Russell 모델의 문제점을 보완하고 공학 분야에 쉽게 적용할 수 있는 모델링 방법을 제안하였다. 감정을 점으로 표현하는 방법 대신 데이터 분포를 가정하여 수식화된 영역으로 표현하였다. 또한, 기존의 연구에서 주장한 바와 같이 데이 터의 분포를 분석하여 영역을 나누어 표현하였다.
본 논문에서는 기존의 감정차원 모델 중 Russell 모델의 문제점을 보완하고 이를 확장하여 더욱 객관적이고 다른 연구에 적용하기 쉬운 모델링 방법을 제안한다. 기존에 감정을 점으로 표현하는 방법 대신 감정을 영역으로 표현하고, 이를 수식화하여 나타냈다. 물론 기존의 감정차원 모델을 확장하여 수식화하는 과정에서 모델의 복잡도는 증가하였다.
따라서 본 논문에서는 감정을 영역으로 표현하고, 이를 수식화하여 패턴인식 알고리즘을 적용하기 쉽고, 정확도를 수치화하여 구할 수 있는 모델링 방법을 제안하였다. 다음 절에서 앞선 장에서 설명한 베이지안 결정론과 ANEW 데이터를 이용하여 본 논문에서 제안한 모델의 정확도를 검증하였다. 또한, 베이지안 곡선을 구하여 IAPS의 사진을 감정 단어에 매칭하는 방법을 서술한다.
첫 번째 방법은 감정차원 위에 수치상으로 제시하거나 기존의 데이터들(점)과의 거리를 이용한다. 두 번째 방법은 수집된 데이터를 베이지안 분석, SVM (Support Vector Machine), NN (Neural Network) 등의 패턴인식 알고리즘을 이용하여 학습시킨 뒤 동일한 응답자에게 동일한 자극을 이용하여 얻은 데이터를 학습된 데이터와 비교하여 정확도를 측정한다. 하지만 두 번째 방법은 동일한 응답자를 기반(Customized)으로 하므로 다른 응답자에게 적용하면 정확도가 매우 낮아지며 이는 감정에 대한 정확 도라기보단 분류기에 대한 정확도라고 할 수 있다.
따라서 본 논문에서는 Russell (1980)의 차원 모델의 문제점을 보완하기 위해 차원 위에 하나의 점이 아닌 타원의 방정식을 이용하여 영역으로 표현한다. 제안하는 모델링 방법을 통해 기존에 적용하기 어려운 공학 분야의 연구에 사용될 전망이다.
따라서 그들은 같은 감정 일지라도 정적 항목과 동적 항목을 분리하여 표현하여야 한다고 주장하였다. 따라서 본 논문에서도 Fig. 10과 같이 데이터의 각성 축 항목인 정적(Inactive)과 동적(Active)의 비율을 구하여 데이터의 분포를 분석하였다. 비율이 0.
, 2013)에서 사용된 단어 중 14개를 뽑아 실제 설문을 진행하였다. 또한, 감정을 영역으로 표현하기 위해서 타원의 방정식을 이용하여 수식화하였다. 자세한 내용은 다음 절에서부터 기술하며, 전체적인 알고리즘의 흐름도는 다음의 Fig.
감정을 점으로 표현하는 방법 대신 데이터 분포를 가정하여 수식화된 영역으로 표현하였다. 또한, 기존의 연구에서 주장한 바와 같이 데이 터의 분포를 분석하여 영역을 나누어 표현하였다. 제안하는 모델링 방식으로 얻은 모델은 Fig.
다음 절에서 앞선 장에서 설명한 베이지안 결정론과 ANEW 데이터를 이용하여 본 논문에서 제안한 모델의 정확도를 검증하였다. 또한, 베이지안 곡선을 구하여 IAPS의 사진을 감정 단어에 매칭하는 방법을 서술한다. 이러한 기술을 통해 기존에 뇌파, 피부전도도, 표정 등의 생체신호를 통해 얻은 감정의 결과(정서가, 각성, 지배 등)에 적용할 수 있다.
본 논문에서는 영역의 크기를 조절하기 위해 k 값을 1로 설정하여 진행하였다.
17). 설문내용은 감정을 뜻하는 14가지의 단어를 문서로 제시하고, 이 감정 단어에 대한 감정 정도(각성, 정서가)를 9점 척도를 이용하여 측정한다. 설문에 사용된 단어와 설문 척도는 다음의 Table 2와 Fig.
, 2014)들에 의하면 감정을 하나의 점으로만 표현하는 Russell 모델과 같은 경우는 기존에 이러한 연구들을 적용하기 어렵다고 주장하였다. 이를 실제 수치상으로 확인하기 위해서 앞선 장에서 설명한 ANEW 데이터 집합에서 감정을 뜻하는 83개의 단어를 선택하여 단어들의 감정 정도(각성, 정서가)의 평균과 분산값을 확인하였다. 이를 Table 1에 나타냈다.
본 논문에서는 Russell의 감정차원 모델을 확장하여 새로운 감정 표현방법을 제안한다. 이를 위해 기존에 점으로 표현하는 방법 대신 감정을 영역으로 표현하였다. 자료 수집을 위해서는 기존의 연구(Han et al.
따라서 본 논문에서는 Russell의 감정차원 모델의 문제점을 보완하고, 공학 분야에 적용하기 쉬운 모델링 방법을 제안한다. 이를 위해서 단순히 평균위치의 점으로 표현하는 방법 대신 Russell 모델을 확장하여 감정을 차원 위에 영역으로 표현하여 나타냈다.
본 논문에서는 기존의 Russell 모델의 문제점을 보완하고 공학 분야의 연구에 적용이 쉬운 모델링 방법을 제안한다. 이를 위해서 차원 위에 감정을 하나의 점으로 표현하지 않고 영역으로 수식화하는 방법을 제안한다. 이를 위해서 설문데이터를 정규분포라고 가정하여 수식화를 진행한다.
수집된 데이터를 검증하기 위해서 대부분의 연구자는 다음과 같은 두 가지 방법을 이용한다. 첫 번째 방법은 감정차원 위에 수치상으로 제시하거나 기존의 데이터들(점)과의 거리를 이용한다. 두 번째 방법은 수집된 데이터를 베이지안 분석, SVM (Support Vector Machine), NN (Neural Network) 등의 패턴인식 알고리즘을 이용하여 학습시킨 뒤 동일한 응답자에게 동일한 자극을 이용하여 얻은 데이터를 학습된 데이터와 비교하여 정확도를 측정한다.
대상 데이터
또한, 추후에 감정의 그룹화 과정을 통하여 비슷한 감정을 하나로 묶는다면 해결할 수 있는 문제이다. 다음으로는 Table 4과 본 논문에서 구현한 모델 위에 감정 영역에 대해서 가장 높은 일치성을 가지는 IAPS 데이터를 선별하였다. 이러한 결과는 단순히 IAPS의 사진이 어느 감정을 뜻하는지를 의미하는 것이 아니라 기존의 수치화 되어 있는 데이터(각성, 정서가, 지배 등)를 모두 적용하여, 더욱 객관적인 정보를 얻을 수 있음을 뜻한다.
실제 데이터를 수집하기 위해 기존에 연구(Han et al., 2013)에서 사용된 단어 중 14개를 선택하여 설문을 진행하였다. 응답자들은 총 121명으로 남성 63명, 여성 58명으로 구성되어 있다(평균 연령: 29.
, 2013)에서 사용된 단어 중 14개를 선택하여 설문을 진행하였다. 응답자들은 총 121명으로 남성 63명, 여성 58명으로 구성되어 있다(평균 연령: 29.66, 표준편차: 3.17). 설문내용은 감정을 뜻하는 14가지의 단어를 문서로 제시하고, 이 감정 단어에 대한 감정 정도(각성, 정서가)를 9점 척도를 이용하여 측정한다.
이를 위해 기존에 점으로 표현하는 방법 대신 감정을 영역으로 표현하였다. 자료 수집을 위해서는 기존의 연구(Han et al., 2013)에서 사용된 단어 중 14개를 뽑아 실제 설문을 진행하였다. 또한, 감정을 영역으로 표현하기 위해서 타원의 방정식을 이용하여 수식화하였다.
이론/모형
또한, Lang (2008)이 제안한 IAPS (International Affective Picture Systems)는 956장의 사진에 대해 감정 정도를 측정한 데이터 집합이다. 두 데이터 집합 모두 설문 방식 중의 하나인 Self-Assessment-Manikin (SAM) (Bradley et al., 1994) 방식을 이용하여 응답자들에게 감정 정도를 측정하도록 하였다. SAM 방식이란 설문을 진행할 때 Fig.
성능/효과
83개의 감정 단어들에 대한 평균값은 각성 축의 경우 1.46~8.23(평균: 5.54), 정서가 축의 경우 1.34~8.88(평균: 4.65)로 나타났다. 이 단어들의 분산값을 구한 결과 각성 축의 경우 0.
ANEW 데이터를 이용하여 본 논문에서 제안한 모델을 검증한 경우 정확도는 92.86%로 14개의 단어 중 1개의 단어만을 제외하고 모두 같은 감정으로 판별되었다(Table 3). 이와 같은 에러는 Fig.
후속연구
하지만 이러한 방법을 통해 기존에 적용하기 어려웠던 패턴인식, 학습 등의 알고리즘에서 본 논문에서 제안한 감정 영역을 분류기로 사용할 수 있다. 또한, 그 외에 생체신호를 이용한 감정 분석/판단 연구에서도 기존의 모델보다 쉽게 적용하고, 연구자들의 결과를 객관적으로 검증할 수 있도록 기대한다. 추후에는 보다 안정적인 모델을 구현하기 위해 차원 위의 감정 단어들을 그룹화하는 연구를 진행할 계획이다.
따라서 본 논문에서는 Russell (1980)의 차원 모델의 문제점을 보완하기 위해 차원 위에 하나의 점이 아닌 타원의 방정식을 이용하여 영역으로 표현한다. 제안하는 모델링 방법을 통해 기존에 적용하기 어려운 공학 분야의 연구에 사용될 전망이다.
또한, 그 외에 생체신호를 이용한 감정 분석/판단 연구에서도 기존의 모델보다 쉽게 적용하고, 연구자들의 결과를 객관적으로 검증할 수 있도록 기대한다. 추후에는 보다 안정적인 모델을 구현하기 위해 차원 위의 감정 단어들을 그룹화하는 연구를 진행할 계획이다.
질의응답
핵심어
질문
논문에서 추출한 답변
차원적 접근 방법은 어떻게 수행되는가?
차원적 접근 방법은 감정 상태를 뜻하는 단어(Happy, Sadness, Relaxing 등)들을 각성(Arousal), 정서가 (Valence), 지배(Dominance) 등의 차원 축 위에 점으로 표현하여 나타낸다. 가장 대표적으로 사용되는 감정차원은 Russell (1980)이 제안한 Circumplex Model 이다.
차원적 접근방법이 감정 분석에 있어 공학 분야에 많이 사용되는 이유는?
사람의 감정을 표현, 인식하는 방법 중 감정차원을 이용하여 표현하는 차원적 접근방법은 감정을 수치화하고 개개인의 차이점(Individual differences)을 고려하여 연구하기 수월하므로 공학 분야에 많이 사용된다(Osgood et al., 1975).
사람의 감정/감성을 판단하는 방법으로는 어떤 것들이 있는가?
최근 들어 감성 과학, HCI (Human Computer Interaction), 인간 공학 등의 연구가 활발히 진행됨에 따라 사람의 감정/감성을 판단하는 방법이 중요한 이슈로 떠오르고 있다. 이러한 방법에는 분류학(Categorical)적 접근방법, 차원적(Dimensional) 접근방법, 감정 변화 추정 (Emotion Variation Detection) 등이 있다(Yang et al., 2011).
참고문헌 (16)
Bradley, M. M. & Lang, P. J. (1994). Measuring emotion: the self-assessment manikin and the semantic differential. Journal of Behavior Therapy and Experimental Psychiatry, 25(1), 49-59.
Bradley, M. M. & Lang, P. J. (1999). Affective norms for english words(ANEW): affective ratings of words and instruction manual, instruction manual and affective ratings. Technical Report C-2, Florida: University of Florida Press.
Cacioppo, J. T. & Berntson G. G. (1994). Relationship between attitudes and evaluative space: a critical review, with emphasis on the separability of positive and negative substrates. Psychological Bulletin, 115(3), 401-423.
Han, E. H. & Cha, H. T. (2013). A study of emotional dimension for mixed feelings. Science of Emotion & Sensibility, 16(4), 469-480.
Han, E. H. & Cha, H. T. (2014). A study of emotional dimension that takes into account the characteristics of the arousal axis. Science of Emotion & Sensibility, 17(3), 57-64.
Kim, J. H. & Andre, E. (2008). Emotion recognition based on physiological changes in music listening. IEEE Transactions on Pattern Analysis and Machine Intelligence, 30(12), 2067-2083.
Kim, J. K., Moon, H. S. & Oh, K. J. (1998). Validating the stability of two-dimensional structure of emotion. Korean Journal of the Science for Emotion & Sensibility, 2(1), 43-52.
Koots, L., Realo, A., & Allik, J. (2012). Relationship between linguistic antonyms in momentary and retrospective ratings of happiness and sadness. Journal of Individual Difference, 33(1), 43-53.
Lang, P. J., Bradly, M. M., & Cuthbert, B. N. (2008). International affective picture system (IAPS) : affective ratings of pictures and instruction manual. Technical Report A-8, Florida: University of Florida Press.
Larsen, J. T., McGraw, A. P., & Cacioppo, J. T. (2001). Can people feel happy and sad at the same time? Journal of Personality and Social Psychology, 81(4), 684-696.
Oh, I. S. (2008). Pattern Recognition. Seoul: Kyobobook Press.
Osgood, C. E., May, W. H. & Miron, M. S. (1975). Cross-cultural universals of affective meaning. Urbana: University of Illinois Press.
Rhee, S, Y., Ham, J. S., & Ko, I. J. (2012). A classification and selection method of emotion based on classifying emotion terms by user. Korean Journal of the Science of Emotion & Sensibility, 15(1), 97-104.
Russell, J. A. (1980). A circumplex model of affect. Journal of Personality and Social Psychology, 39(6), 1161-1178.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.