Descodificació de trets espai-temporals del llenguatge corporal emocional en les interaccions socials

Els assistents

En l’experiment van participar un total de 31 participants (16 dones) amb una edat mitjana de 23,58 ± 3,54 anys. Cap va informar cap antecedent de trastorns psiquiàtrics o neurològics i no tenia antecedents ni ús actual de medicaments psicoactius. Tots els procediments van ser aprovats pel comitè d’ètica local del Departament de Psicologia i Ciència de l’Esport de la Universitat Justus Liebig de Giessen i es van adherir a la declaració d’Hèlsinki. Tots els participants van proporcionar un consentiment informat per escrit abans de participar.

estímul

Els estímuls es van seleccionar d’un conjunt de dades de captura de moviment més gran17. Vuit parelles d’actors no professionals van rebre instruccions per realitzar una interacció que representava una de cada quatre escenes emocionals que representaven felicitat, afecte, tristesa o ira. Per garantir un patró de comportament congruent, els actors van rebre un guió de situacions emocionals i se’ls va dirigir específicament per interpretar la mateixa emoció. Se’ls va demanar que expressessin les seves emocions de manera intuïtiva en el context de la situació donada, permetent així llibertat i potenciant la variabilitat d’expressió.17. Les interaccions es van registrar amb un sistema de captura de moviment òptic (Vicon Motion Systems, Oxford, Anglaterra) que funcionava a 100 Hz. Es va utilitzar el programari MATLAB (Mathworks, Natick, MA) per crear fitxers de vídeo de seqüències de 4 s a partir de la coordenada original 3D (C3D). ). En cada vídeo, es van dibuixar 15 marcadors per persona com a esferes blanques sobre un fons negre per presentar un model PLD estàndard.30.

La selecció final d’estímul es va basar en la validació prèvia de la categoria d’emoció i la valència percebuda de 24 participants que no van participar en el present experiment. Valence es va jutjar en una escala d’11 punts que va des de – 5 (extremadament negatiu) a + 5 (extremadament positiva). Hi havia dos criteris de validació: primer, almenys el 50% dels participants havien de reconèixer l’emoció mostrada (p. ex., la ira); en segon lloc, la segona puntuació d’emoció més alta no ha de superar el 25%. Això ens va permetre identificar i excloure escenes ambigües en què una emoció concreta no es podia reconèixer de manera fiable. Després de la validació, es van seleccionar aleatòriament 12 estímuls que complien ambdós criteris per a cada categoria d’emoció. Això va donar lloc a un conjunt de 48 estímuls (4 emocions × 12 escenes). Per obtenir més informació sobre la creació i validació d’estímuls, vegeu les figures complementàries. S1, S11 i 17.

Procediment experimental

Abans del present experiment, els participants van rebre instruccions i es van familiaritzar amb la tasca. Posteriorment van realitzar una prova que contenia 12 assaigs que no estaven inclosos a l’experiment principal.

A l’experiment, cada seqüència es va presentar una vegada, donant lloc a una sèrie de 48 seqüències. Les seqüències es van mostrar en un ordre pseudo-aleatori en un 12 polzades. pantalla (freqüència de refresc 60 Hz). La distància entre els ulls de cada persona de prova i la pantalla era d’aproximadament 40 cm. Cada assaig va començar amb una fase de fixació (1 s) seguida d’una seqüència d’estímul (4 s) i dues qualificacions de comportament. Després d’observar aquesta seqüència, es va demanar als participants que avaluessin la valència emocional dels vídeos a la mateixa escala que s’havia utilitzat per a la validació de l’estímul (7 s). El segon pas va ser classificar les emocions en una de les categories següents: felicitat, afecte, tristesa o ràbia (4 s) (Fig. 1A).

figura 1

Línia de temps experimental i creació de RDM. () Estructura temporal d’un assaig. (B) Es van crear tres tipus diferents de RDM: primer, modelar RDMs assumint diferències categòriques entre emocions i valències mitjançant l’ús de variables binàries (0 si és idèntic, 1 en cas contrari); en segon lloc, presenten RDM que representen cada paràmetre a nivell intra i interpersonal utilitzant la distància euclidiana com a mesura de semblança; tercer, els RDM de comportament que utilitzen variables binàries per a l’emoció (1 si és correcte, 0 en cas contrari) i la distància euclidiana per a les valoracions de valència.

Definició de la característica

Per investigar les característiques EBL que impulsen el judici perceptiu a nivell intra i interpersonal, vam calcular diverses característiques mitjançant el programari MATLAB. Dels 15 marcadors mostrats, vam triar 13 punts anatòmics (excloent l’estèrnum i el sacre) que presentaven fites anatòmiques a la part superior del cos (incloent-hi espatlles, colzes, canells i cap) i la part inferior del cos (incloent-hi malucs, genolls i turmells). Les característiques es van calcular a partir de les coordenades x, y i z.

A nivell intrapersonal, es van abordar les tres característiques cinemàtiques (calculades per a cada punt anatòmic). velocitat, acceleraciói moviment vertical. Hem implementat simetria, angles de les extremitats (espatlla, colzes, malucs, genolls), contracció de les extremitats (distància del cap al canell i els turmells), volum, així com la seva desviació estàndard (volum STD) com a trets posturals9.24. Cada funció es va calcular dins de cadascun dels 400 fotogrames i es va fer una mitjana en el temps i els actors.

En un pas següent, vam calcular 12 paràmetres interpersonals. Mesures de proximitat incloses distància interpersonal (IPD) i la seva variació en el temps (IPD STD), el percentatge de temps dedicat a l’espai personal de l’altre agent (espai personal), més orientació interpersonal (OPI) i la relació d’orientació d’una persona a una altra per detectar desequilibris (Saldo de sortida a borsa) en què les persones es tornen una cap a l’altra9,28,31,32. Per investigar com la distància espacial entre dues persones afecta la velocitat, l’acceleració, els angles de les extremitats i la contracció de les extremitats (amb informació de temps inclosa), vam correlacionar aquestes mesures amb el perfil de distància (correlacions de distància). També vam examinar la sincronització dels perfils de velocitat i acceleració (velocitat de sincronització i acceleració)29.33. Finalment, hem calculat la proporció de l’energia de moviment mostrada (equilibri moviment-energia) de cada persona9,20,34. Per obtenir informació més detallada sobre les definicions i els càlculs de les característiques, vegeu la Taula 1, informació addicional i35.

Taula 1 Resum de les característiques intrapersonals i interpersonals específiques de la interacció calculades amb la caixa d’eines SAMI35.

Anàlisi de dades i estadístiques

Com a primer pas, vam calcular les taxes de reconeixement (precisió) dels estímuls per a cada categoria emocional comparant l’emoció objectiu amb la resposta conductual. Per garantir un grau suficient de reconeixement dels estímuls, vam provar cada categoria emocional contra l’atzar (25%) utilitzant una mostra corregida per Bonferroni. vostè proves.

Influència de les categories emocionals

Hem provat l’especificitat emocional de les característiques EBL amb un ANOVA unidireccional. Les característiques intrapersonals i específiques de la interacció calculades a partir de cada estímul es van promediar en punts anatòmics i es van utilitzar com a entrada. L’ANOVA contenia un factor d’emoció de quatre nivells (felicitat, afecte, tristesa, ira). L’alfa es va establir en 0,05 per a totes les proves estadístiques i les comparacions per parelles post hoc es van corregir amb Bonferroni. A causa de violacions de la distribució normal dels valors de les característiques específiques de la interacció (correlació de distància, sincronització), vam normalitzar les nostres dades amb un Fisher Z transformació37.38.

Classificació de les emocions amb arbres de decisió

Per avaluar la importància relativa de cada característica calculada en la classificació de les interaccions emocionals, vam entrenar classificadors d’arbres de decisió mitjançant Matlab Statistics and Machine Learning Toolbox (versió 11.6). La classificació dels estímuls es va basar en la majoria ponderada d’arbres de decisions múltiples (enfocament d’agregació de bootstrap) per evitar el sobreajust i millorar la generalització.24,39,40.

Es van entrenar tres classificadors diferents per a la classificació de les emocions mitjançant informació de temps mitjà i fites anatòmiques mitjanes amb diferents predictors: (1) M1 = característiques intrapersonals, (2) M2 = característiques interpersonals i (3) M3 = combinació dels dos conjunts de característiques ( M1 + M2).

Per minimitzar la influència de dividir aleatòriament els 48 estímuls mostrats en l’entrenament i el conjunt de dades de validació, vam utilitzar la validació creuada sense deixar d’un a fora per estimar el rendiment dels diferents classificadors. Per evitar conjunts de dades desequilibrats i, per tant, biaixos, cada categoria es va presentar per igual a les dades d’entrenament i de prova (deixeu un estímul fora per categoria). Per obtenir més informació, vegeu la figura suplementària. S2.

Anàlisi de semblança representacional

Hem utilitzat l’anàlisi de semblança representacional (RSA)41.42 per caracteritzar la relació entre les qualificacions perceptives i els conjunts de característiques EBL calculades per a cadascun dels 48 estímuls. Relacionant els estímuls entre si i disposant els valors horitzontalment i verticalment en el mateix ordre, vam crear una matriu de dissimilaritat representacional (RDM) simètrica (48 × 48). Cada entrada descriu la relació entre dos estímuls. A la diagonal principal, els valors dels estímuls es comparen amb ells mateixos, donant lloc a una diagonal definida com a zeros.

En un primer pas, vam crear dos models RDM diferents assumint una distinció categòrica entre l’emoció i la categoria de valència dels estímuls. Per tant, les diferències entre categories idèntiques eren 0 i les entre categories diferents eren 1 (Fig. 1B).

En segon lloc, vam calcular 31 RDM individuals d’un sol subjecte per a la categorització d’emocions utilitzant també variables binàries (0 si la qualificació emocional és idèntica, 1 en cas contrari). A més, vam utilitzar classificacions de valència individuals per crear RDM en què cada cel·la corresponia a la diferència absoluta per parelles. Aquí i en el següent pas, hem utilitzat la mesura de distància euclidiana (Fig. 1B)24.35.

Per provar quines de les característiques relacionades amb la geometria dels RDM model i els RDM de qualificació del comportament, hem construït característiques RDM que representen el nivell intrapersonal i interpersonal (Fig. 1B). Aquest pas va donar lloc a vuit RDM intrapersonals i 12 RDM interpersonals.

Per descriure i provar la relació entre tots els RDM, hem calculat una matriu de correlacions per parells (τ de Kendall) entre els RDM model i característica per separat a nivell intrapersonal i interpersonal. Per tenir en compte diverses proves, hem aplicat correccions de Bonferroni en funció del nombre de funcions de cada conjunt. Hem utilitzat l’escala multidimensional (MDS) per obtenir una impressió gràfica de les distàncies de representació (calculades com a 1 – τ de Kendall).

A més, cada característica RDM es va provar amb els RDM de comportament mitjançant τ de Kendall per a la categorització de les emocions i els coeficients de correlació de Pearson per a les qualificacions de valència. Es van corregir múltiples proves de Holm-Bonferroni i la taxa de descobriments falsos es va establir en 0,05. La variància de les emocions i les valoracions de valència entre els participants es va representar pel sostre de soroll i va determinar la quantitat de variància que podria explicar un model.

En l’últim pas, vam voler explorar els judicis perceptius fusionant el nivell intra i interpersonal, anàleg a M3. Per tant, ens vam centrar en la característica que millor explicava la qualificació del comportament en ambdós nivells i, a més, vam superar les característiques restants en comparacions per parelles. Hem normalitzat la geometria de representació i hem creat un espai de característiques comú fent la mitjana dels RDM corresponents (Fig. S3). A continuació, vam investigar la relació entre els RDM de combinació de característiques produïts i els RDM de comportament d’un sol participant i vam provar el model resultant amb tots els altres RDM de característiques de la mateixa manera que es descriu anteriorment.

Per calcular característiques i realitzar anàlisis de dades hem utilitzat la caixa d’eines SAMI, que està disponible a Github i arxivada a Zenodo.35.

Leave a Comment

Your email address will not be published. Required fields are marked *