Analysis of expressive gestures
À cet égard, nous avons réussi à développer un algorithme de reconnaissance spatio-temporelle d’une grande précision pour décrire chaque geste en utilisant la méthode de Laban Mouvement Analysis (LMA). L’un des facteurs que nous avons employés dans ce travail se base notamment sur l’étude de l’aire du triangle formé entre les différentes parties clés du corps.
Nous avons par la suite développé un réseau de neurones artificiels LSTM (Long Short-Term Memory) à plusieurs couches afin de traiter et d’interpréter les différentes caractéristiques relevées par l’algorithme susmentionné. Les détails de l’algorithme Cell State, employé dans la gestion de la mémoire à court et long terme du réseau de neurones, sont présentés ci-dessous :
Grâce à la combinaison de ces multiples technologies, nos équipes sont parvenues à reconnaître des émotions humaines à partir de l’analyse de gestes et de mouvements du quotidien avec une précision de 95%.
Analysis of expressive gestures
Dans l’optique d’améliorer l’interaction bidirectionnelle entre les humains et les robots, l’utilisation de données de mouvements basées sur des squelettes a récemment attiré l’attention de la communauté scientifique. Parmi les multiples raisons de cette popularité, on peut par exemple citer l’absence d’éléments perturbateurs, ou « bruits », tels que des arrière-plans complexes ou des variations lumineuses importantes que l’on peut retrouver sur des vidéos plus classiques. La littérature recense aujourd’hui de nombreuses recherches sur l’utilisation de ces informations des mouvements articulatoires et osseux, avec des résultats significatifs dans l’amélioration de la reconnaissance de mouvements et de gestes. Une autre application possible mais encore peu explorée est celle de l’analyse de telles données afin de prédire ou déterminer les sentiments et les émotions humaine.
Nos experts chez MYTEAM ont utilisé ces données et ces méthodes d’apprentissage automatique pour pouvoir analyser le comportement humain à partir des mouvements du corps et sans avoir recours à l’analyse des mouvements du visage ou de la voix comme ceci est plus traditionnellement fait en computer vision. Nos récentes recherches sur l’utilisation du robot humanoïde NAO pour interagir avec des enfants atteints du trouble du spectre de l’autisme ont été publiées dans le journal KES.
À cet égard, nous avons réussi à développer un algorithme de reconnaissance spatio-temporelle d’une grande précision pour décrire chaque geste en utilisant la méthode de Laban Mouvement Analysis (LMA). L’un des facteurs que nous avons employés dans ce travail se base notamment sur l’étude de l’aire du triangle formé entre les différentes parties clés du corps.
Nous avons par la suite développé un réseau de neurones artificiels LSTM (Long Short-Term Memory) à plusieurs couches afin de traiter et d’interpréter les différentes caractéristiques relevées par l’algorithme susmentionné. Les détails de l’algorithme Cell State, employé dans la gestion de la mémoire à court et long terme du réseau de neurones, sont présentés ci-dessous :
Grâce à la combinaison de ces multiples technologies, nos équipes sont parvenues à reconnaître des émotions humaines à partir de l’analyse de gestes et de mouvements du quotidien avec une précision de 95%.