Name: 인간 초상권 초자연적 인 밸리 가설 차원의 인식 및 분류 처리 : 어떤 방법 론적 문제 (동영상) | JoVE Journal
Uploaded: 2013-06-03T08:58:00.000+00:00
Duration: 7 min 34 s
Description: 배우세요 초자연적 인 밸리 가설에서 인간 유사성 차원을 따라 범주적 인식 효과를 조사하는 방법을. 모프 연속체 생성과 강제 선택 분류 과제를 통해 아바타와 인간의 범주 경계를 정의하고, 지각적 판별 과제로 판별 경계를 분석합니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

이 작품은 유럽 연합 (EU) FET 통합 프로젝트 PRESENCCIA (계약 번호 27731)에 의해 지원 연구를 기반으로합니다.

관심 없음 충돌 선언하지 않습니다.

<table><tbody><tr><td>Funmorph</td><td>Zealsoft Inc.</td><td></td><td></td></tr><tr><td>Poser 7</td><td>Smith Micro Software</td><td></td><td>&lt;a href=&quot;http://www.smithmicro.com&quot; target=&quot;_blank">www.smithmicro.com&lt;/a&gt;</td></tr><tr><td>Adobe; Photoshop; CS3</td><td>Adobe</td><td></td><td>&lt;a href=&quot;http://www.adobe.com&quot; target=&quot;_blank">www.adobe.com&lt;/a&gt;</td></tr><tr><td>프레젠테이션 소프트웨어</td><td></td><td></td><td>버전 14.1, &lt;a href=&quot;http://www.neurobs.com&quot; target=&quot;_blank">www.neurobs.com&lt;/a&gt; </td></tr><tr><td>SPSS 버전 16</td><td></td><td></td><td>&lt;a href=&quot;http://www.ibm.com/software/analytics/spss&quot; target=&quot;_blank">www.ibm.com/software/analytics/spss&lt;/a&gt; </td></tr><tr><td>MRI 호환 헤드 마운트 디스플레이</td><td>Resonance Technology Inc.</td><td></td><td>&quot;VisuaStim - Digital&quot;</td></tr><tr><td>3-T 전신 MR 장비</td><td>Philips Medical Systems</td><td></td><td></td></tr><tr><td>MATLAB 2006b</td><td>Mathworks Inc.</td><td></td><td></td></tr><tr><td>SPM5 소프트웨어 패키지</td><td></td><td></td><td>&lt;a href=&quot;http://fil.ion.ucl.ac.uk/spm&quot; target=&quot;_blank">http://fil.ion.ucl.ac.uk/spm&lt;/a&gt;</td></tr></tbody></table>

인간 초상권 초자연적 인 밸리 가설 &#39;차원의 인식 및 분류 처리 : 어떤 방법 론적 문제

Perceptual and Category Processing of the Uncanny Valley Hypothesis' Dimension of Human Likeness: Some Methodological Issues

모리의 초자연적 인 밸리 가설 1,2 등의 로봇으로 인간과 문자의 인식과는 확장, 아바타 (컴퓨터 생성 자)에 따라 시각 및 행동 리얼리즘의 객체의 정도에 따라 부정 긍정적 인 영향 (원자가)를 불러 일으킬 수 있다고 제안 인간 형상의 치수 (DHL) (그림 1). 그러나 여러가지 현실적인 인간이 아닌 문자 주관적인 반응의 감정적 인 원자가의 연구는 일관성 결과 3, 4, 5, 6을 생산했다. 이에 대한 여러 가지 이유 중 하나는 가설이 가정으로 인간의 형상이 인식되지 않습니다. DHL은 실제 인간과 유사성의 정도에 부드러운 선형의 변화에 따라 모리의 설명에 따라 정의 할 수 있지만, DHL을 따라 개체의 주관적 인식이 범주 지각 (CP) 7의 심리적 효과의 측면에서 이해 될 수있다. 캘리포니아의 추가 행동 및 신경 영상 연구DHL을 따라 정서적 경험 차원의 기본 범주 구조의 잠재적 인 영향 tegory 처리 및 CP가 필요합니다. 이 프로토콜은 따라서 DHL에 초점을 맞추고 CP의 검사를 할 수 있습니다. 예를 들어 비디오에서 제시 한 프로토콜을 기반으로, DHL을 나타내는 모프 컨티뉴에서 도출 자극의 &quot;기괴한&quot;연구 프로토콜과 사용 방법을 둘러싼 문제는 비디오를 함께 문서에 설명되어 있습니다. 카테고리 변경 및 범주 처리에 반응 것과 실제 인간과 같은 유사성에 신경을 반응 뇌 영역을 풀다하기 위해 DHL를 대표하는 신경 영상 및 모프 자극의 사용은 간략하게 설명되어 있습니다.

1. 강제 선택 분류 작업 N의 응답 데이터의 분석 = 25 참가자는 이미 7보고되었다. 이것은 각 개별 연속체의 모든 컨티뉴에 걸쳐 장착 회귀 곡선의 기울기는 물류 프로파일 (그림 2A)를 가지고 있음을 확인. 이 기울기는 컨티뉴의 모프 얼굴에 참가자의 응답에 범주 구성 요소의 DHL 함께 존재와 일치하는 S 자 단계와 같은 기능을 반영합니다. 곡선의 기울기는 이렇게 아바타의 하한 및 상한 점근선 또는 아바타와 인간을위한 100 % 100 %에 접근 인간의 분류 응답이 특징입니다. 반면, 분류 응답의 하한 및 상한 점근선 사이의 장착 물류 곡선 좌표의 중간에서 파생 된 의미 범주 경계 값의 추정치는 분류 판단 50 %의 최대 불확실성은 t와 연관되어 있음을 나타냅니다그는 모프 M6. RT 데이터 분석 7도보고되었다. 모든 모프의 RT 분석 (그림 4 참조) 최대가되는 M6에서 컨티뉴의 아바타와 인간의 끝에서 큰 모프 거리에 RT를 증가하고, 긴 RT를, 컨티뉴의 아바타와 인간의 종료에 대한 짧은 RT를을 보였다 카테고리 의사 결정 응답의 불확실성은 같은 그림 2B에서 볼 수 있습니다. 더 명확하게 찾는 후자를 확인하려면, M6의 평균 RT 값은 다른 모든 모프 위치에서의 평균 RT 값과 비교할 수 있습니다. 편도 RM-ANOVA의 모프의 위치와 분석 (두 레벨 : M6 모든 변경해 대) 종속 변수는 컨티뉴를 통해 붕괴로 및 RT는 M6에 대한 RT (M = 1.42, SD = 0.26)이 대한 RT에서 매우 유의 한 차이 것으로 나타났다 다른 모프 위치 (M = 0.99, SD = 0.46), F (1,24) = 62.04, p &lt;0.001. 함께 캘리포니아를 촬영tegorization 응답 데이터는 응답 데이터와 일치하는 CP의 존재에 대한 첫 번째 기준이 범주 결정의 범주 경계 (모든 기준에 대해, 예를 들어, 11 참조), 그리고 응답 시간이 있는지 즉, 충족되어 있는지 확인한다는 점에서 증가하는 분류의 불확실성에 더 이상 응답 시간을 보여줍니다. <img alt="그림 4" fo:content-width="5in" fo:src="/files/ftp_upload/4375/4375fig4highres.jpg" src="/files/ftp_upload/4375/4375fig4.jpg" /> 긴을 보여주는 강제 선택 분류 작업의 그림 4. 반응 시간 결과, 모프 위치 분류 모호성은 가장되는 M6의 자극에 대한 분류 판단에 대한 응답 지연을 의미합니다. 오차 막대는 ± 1 표준 오차를 표시합니다. 2. 지각 차별 작업 N = 20 참가자의 데이터 분석은 이미 REPO했다7 rted. 예를 들어 사용하는 연구 (그림 5) 아바타 실험에 대한 데이터를 분석 조건에서의 얼굴 쌍 감쇠 차별 정도에 비해 상태 사이에서 범주 경계를 교차 얼굴 쌍을위한 향상된 차별 정확도를 보여 주었다. 이 CP와 일치합니다. 데이터는 동일한 조건에서보다 조건 내 얼굴에 쌍에 대한 더 많은 차별 정확도가 있다는 점에서 범주 내에서 차별 정도에 상당한 차이가 있다는 것을 또한 보여줍니다. 75 300 밀리 초 ISI의 변화는 차동 아니라 인간의 실험에서, 참가자의 응답에 영향을 미쳤다. <img alt="그림 5" fo:content-width="3in" fo:src="/files/ftp_upload/4375/4375fig5highres.jpg" src="/files/ftp_upload/4375/4375fig5.jpg" /> &quot;동일한 다른&quot;지각 차별 작업 F의 그림 5. 결과또는 아바타 시험. 참가자 (N = 20). 모프 쌍 변경해 물리적 외관에 동일하거나 서로 다른 하였다 여부를 판단. 컨티뉴 따라 변경해 상대 거리를 제어, 결과는 동일한에서 도출 쌍에 비해 범주 경계를 (강제 선택 분류 작업에서 결정된) 교차 얼굴 쌍에 대한 더 나은 차별 정도 (즉, 아바타 또는 인간)의 측면을 보여 경계는, 따라서 인간 형상의 컨티뉴 따라 범주 인식을 보여주는. 75 밀리와 300 밀리의 짧고 긴 ISI의 영향도 테스트 만 아바타 시험에 대한 차별의 성능에 영향을 미치는 것으로 나타났다. 오차 막대는 ± 1 표준 오차를 표시합니다. 응답 편견의 독립적 인 차별의 성능의 척도로 &#39;통계를 사용하여, 얼굴 쌍 시험 유형 (즉, (내 사이)의 차별 감도에 미치는 주 효과는 아바타 시험에서이 있었다F (2,38) &#39;에서 범주 쌍보다 (= 0.89, SD = 0.07 (A 교차 범주에 대한보다 차별 감도)&#39;= 0.55, SD = 0.17) (그림 6 = 107.11, p &lt;0.001, ). 마찬가지로, F (2,38)는 = 인간의 산책로에서 &#39;내 범주 쌍보다 (= 0.94, SD = 0.1 (A 교차 범주에 상당히 큰 차별 감도)&#39;= 0.56, SD는 = 0.22)가 있었다 107.11, p &lt;0.001. ISI에 얼굴 쌍 시험 유형의 아무 효과가 없었다. 응답 바이어스의 척도로 β &quot;D 통계를 사용하여, 얼굴 쌍 시험 유형의 편견에 미치는 주 효과가 있었다 [F (2,38) = 70.53, p &lt;0.001], 판단하는 강한 경향을 보여 참가자 다른 (β로 내 범주의 쌍 &quot;(D = -0.18, p = 0.59 D = 0.81, SD = 0.23) 카테고리 간 쌍 β)에 대한 응답과 비교&quot;.이 사기꾼참가자가 동일한 다른 의사 결정에서 범주 쌍에 대한 더 많은 어려운 때 특정 작업에서 &quot;다른&quot;의사 결정을 선호하는 경향이 아이디어 일관된. <img alt="그림 6" fo:content-width="3in" fo:src="/files/ftp_upload/4375/4375fig6highres.jpg" src="/files/ftp_upload/4375/4375fig6.jpg" /> 그림 6. 응답 바이어스의 독립적 인 차별의 성능 (N은 = 20)의 척도로 &#39;통계를 사용하여, 차별 감도는 아바타와 인간의 실험 모두에서 범주 쌍보다 크로스 범주에 대한 컸다. 오차 막대는 ± 1 표준 오차를 표시합니다. RT 데이터의 분석은 아바타와 인간의 시련 사이의 짧고 긴 ISI 사이에 차이가 없었다. 등 세 가지 자극 쌍 조건 (그림 7 참조), F (2,38) = 34.55, p &lt;0.001 사이에 RT를위한 주요 상당한 영향을가 예상되었다. 사전내 피사체 대조의 계획된 테스트 카테고리 간 얼굴 RT는 (얼굴 쌍 시험 유형 &#39;사이&#39;즉) 상당히 빨라진 것으로 나타났다 (M = 0.79, SE = 0.05) 범주 내에서 얼굴 쌍 RT ( &#39;내보다 &#39;시험 형) (M = 1.26, SE = 0.09) [F (1,19) = 60.09, p &lt;0.001] 및 얼굴 쌍 같은 얼굴 쌍 상태 (M = 0.88, SE = 0.08), F (1, 19) = 43.1, p &lt;0.001. <img alt="그림 7" fo:content-width="4.5in" fo:src="/files/ftp_upload/4375/4375fig7highres.jpg" src="/files/ftp_upload/4375/4375fig7.jpg" /> 그림 7. 반응 시간 (RT) 아바타 인간 실험에 대해 &quot;동일한 다른&quot;지각 차별 작업 (N은 = 20)의 결과. 그래프는 범주 경계를 교차 자극 쌍 RT는 (조건 사이의 예) AC 내에서 얼굴의 RT보다 짧은 이었다는 것을 보여줍니다ategory. 오차 막대는 ± 1 표준 오차를 표시합니다. 분류 응답 데이터 따라서 범주 내에서 도출 등거리 쌍에 비해 범주 경계를 교차 쌍을위한 더 나은 차별 정확도가 있다는 점에서 CP의 존재에 대한 두 번째 조건을 확인하십시오. 이 범주의 경계에 가까운 물리적 자극 기능에 대한 향상된 감도를 가진 소위 차별 경계가 있다는 것을 보여줍니다. RT 데이터와 범주 얼굴 쌍에 비해 교차 범주에 대한 짧은 응답 대기 시간을 보여주는이 기능을 지원. 이 특정 지각 차별 작업은 DHL에 따라 차별 경계의 특정 지점을 정의하지 않습니다. 제시 모프의 쌍 사이의 매우 작은 모프 거리가이 문제를 해결하는 데 사용할 수 있습니다. 여기에서 우리는 기존의 ABX 차별 작업 12, 13을 사용하는 예를 보여줍니다. ABX 차별이 differen의 순차적 인 프리젠 테이션을 수반A 또는 B가 대상 자극 X.로 이미지 A, B 및 X을 확인한 후, 참가자는 A 또는 B가 X. 동일한 지 여부를 표시하는 데 필요한 두 번째 프레 젠 테이션 뒤에 t 얼굴 자극 (예 모프와 모프 B) 이 예에서는 모프 (예 : 1-3, 2-4, 3-5 등) 사이의 2 단계 차별 절차는 (그림 8B) 제공됩니다. 분석은 8에 설명되어 있습니다. 그림의 목적을 위해 ABX 차별 작업은 Cheetham 등 7.의 연구에서 도출 엔드 포인트 자극을 사용하여, 4 모프 컨티뉴 11 변경해 각을 사용하여 24 참가자에 수행되었다. ABX 차별 작업에 따라 강제 선택 분류 작업은 동일한 참가자 하였다. 작업 프레 젠 테이션의이 시퀀스는 ABX 차별 작업을하고 명시 적 범주 결정의 영향을 최소화하기 위해 생각됩니다. 그림 8b는 지각 차별 SENS의 피크가 있다는 것을 명확하게 나타냅니다모프 위치에 itivity는에 의해 예측하고 범주 경계 (그림 8A 참조)에 부합. 변경해 성능이 명확하게 변신 한 쌍 M5-M7 사이의 간격에서 확인 할 수있다 차별의 피크 사이의 2 단계 거리를 사용. 원숭이, 소와 컨티뉴의 끝점으로 사람의 얼굴과 인간 형상의 차원에서 도출 ABX 패러다임 모프 자극을 사용하여 결과에 대한 8을 참조하십시오. <img alt="그림 8" fo:content-width="3.5in" fo:src="/files/ftp_upload/4375/4375fig8highres.jpg" src="/files/ftp_upload/4375/4375fig8.jpg" /> 그림 8. ABX 지각 차별과 강제로 선택 분류 작업의 대표 결과. 패널 B에서 ABX 지각 차별 작업의 2 단계 차별 절차 (예 : 1-3, 2-4, 3-5 등) 지각 차별 감도의 피크가 예상되는 것을 보여줍니다창에 표시된 강제 선택 분류 작업에서 결정된 범주 경계 있습니다. 패널은 네 컨티뉴의 장착 회귀 곡선의 물류 프로필을 보여줍니다. 인간으로 변형 된 얼굴의 분류 판단의 50 %의 최대 불확실성 모프 M6와 연결되어 있습니다. 동일한 다른 차별 작업을 확인하는 차별 경계 범주 경계로 정렬되어 있는지 보여주는 CP의 존재에 대한 세 번째 기준. 즉, 범주 경계의 위치는 차별 경계의 위치를​​ 예측한다. 항상 CP 13, 14의 연구에 적용되지 않는 네 번째 기준은 그 차별의 범주 내에서 기회에서입니다. ABX 디자인을 사용하여 예시의 데이터는 차별이 약간 컨티뉴 끝점 사이에 위치하는 변경해을위한 기회와 고양이 위에 제안egory 경계. 3. fMRI를 작업 물리적 변화 4.3.1 민감도 그러한 변화 방추형 이랑 (그림 9A)의 뇌 영역의 미세 표현에 민감하게 표시됩니다 없습니다 수있는 조건 첫 번째와 두 번째 모프 사이에 물리적 인 변경이되는 조건을 비교하여 아바타 시험에서 얼굴 모프의 물리적 외관에있는 DHL 따라 세분화 변경됩니다. 인체에 실험에 대한 유사한 결과는 그림에 표시되지 않습니다. 이 영역 때문에 얼굴 정보를 처리하는 시각 시스템의 일부로서 그 역할의 방 추상 얼굴 영역으로 언급하고있다. 함께 인체에 실험으로,이 발견은 얼굴 물리적 특성의 차이 23 얼굴 형상 16, 21, 24 및 얼굴 텍스처 21 방추형 영역의보고 반응과 일치한다. 4.3.2 괜찮다카테고리 변경으로 nsitivity DHL 함께 범주의 변화에 민감 아바타 시험, 뇌 영역의 예제를 사용하여, 9B 쇼를 그림. 이것은 그러한 변화가없는있는 조건 첫 번째와 두 번째 모프 사이에서 카테고리 변경이되는 조건을 비교하여 달성되었다. 영상 데이터는 아바타 시험에서 카테고리 변경 (예 : DHL을 따라 아바타 - 투 - 인간의 방향에서 변경) 해마, 편도체 및 섬엽의 응답을 계시 보여줍니다. 이 지역의 역할은 사용 패러다임과 분류의 맥락에서 해석되어야하고, 이미 7 설명했습니다이 필요합니다. 일반적으로, 편도체는 얼굴, 정서적 원자가, 참신, 불확실성 55, 56, 57, 58, 59에 대응합니다. 편도는 상황 (60)의 정서적 인 의미에 따라 분류와 관련된 다른 뇌 영역의 처리에 영향을 미칠 것이 좋습니다. 에서술라는 지속적으로 불확실성의 조건 61, 62, 63에서 분류 처리 및 처리와 관련하여보고됩니다. 사용되는 패러다임의 맥락에서,이 지역은 분류 처리 63 주의력 자원 향상에 기여할 수 있습니다. 활성화의 특정 영역은 불확실성, 위협, 또는 잠재적 인 위협 64, 65의 존재를 신호와 연관 될 수 있습니다. 해마는 Visual 분류 및 지각 학습 66에 참여하고있다. 인간의 실험에서 카테고리 변경 (DHL 따라 인간 - 투 - 아바타 방향 즉, 변경) 피질, 꼬리의 머리, 그리고 시상은이 조건에 반응하는 것으로 나타났다. 일반적으로,이 지역은 범주 구성원 및 담당자들이 조정을 설정하는 데 사용 가능한 범주 규칙 사이의 전환, 분류 과정, 의사 결정의 불확실성을 카테고리 회원 자격을 신호, 자극 범주 연관 학습과 관련된테드 범주 경계 오류 67, 68, 69, 70을 최소화하기 위해합니다. 다양한 수준과 사용 된 실험 패러다임의 컨텍스트 내에서 이러한 결과의 해석은 아바타와 인간의 얼굴은 지정된 카테고리 (예 : 25)로 이전 분류 경험의 정도에 따라 다른 분류 문제를 나타내는 제안, 참가자는 인간에있는 전문가입니다 얼굴을 처리하지만, 특히 그들이 같은 브리핑에서 확인 아바타 얼굴 (예를 들어, 비디오 게임, 영화, 세컨드 라이프)과, 이전에 우리가 제시 한 종류의 얼굴을 본 적이 없었와 이전 경험의 명시 적 지식을보고하지 않는 기준으로 선정되었다. <img alt="그림 9" fo:content-width="6in" fo:src="/files/ftp_upload/4375/4375fig9highres.jpg" src="/files/ftp_upload/4375/4375fig9.jpg" /> 그림 9. 신체의 신경 상관 관계아바타 시험에서 DHL을 따라 범주의 변화 라. 활성 맵은 관상에 겹쳐있다 (A), 횡단 (B)와 단일 주제의 시상 (C) 조망하실 수 있습니다. 컬러 바는 활성화지도 (P는 &lt;0.005, 20 연속 복셀)의 t 값의 기울기를 의미.

조사<em&gt; 초자연적 인 밸리 가설</em&gt; 그리고 정서적 경험은 가설에 대한 이해가 필요합니다 &#39;<em인간 형상의&gt; 치수 (DHL)</em&gt;. 이 프로토콜은 범주 지각의 DHL과 검사의 표현을 할 수 있습니다. 는 초자연적 인 밸리 가설 및 정서적 경험 illustrated.Investigation 인간의 형상 (DHL)의 가설 &#39;차원의 이해를 필요로 동일한 자극과 물리적 및 카테고리 변경에 반응 뇌 영역을 구별하는 fMRI를 사용. 이 프로토콜은 범주 지각의 DHL과 검사의 표현을 할 수 있습니다. 동일한 자극과 물리적 및 카테고리 변경에 반응 뇌 영역을 구별하는 fMRI를 사용이 설명되어 있습니다.

모리의 불쾌한 골짜기 가설1,2은 로봇과 더불어 나아가 아바타(컴퓨터로 생성된... 와 같은 인간과 닮은 캐릭터에 대한 인식이...

이 절차의 전체적인 목표는 불쾌한 골짜기 가설의 인간 유사성 차원을 따라 범주적 지각의 효과를 조사하는 것입니다. 이는 먼저 인간 유사성 차원을 나타낼 수 있는 모프 연속체(morph continua)를 정교하게 생성함으로써 수행됩니다. 그 다음, 이러한 모프 연속체들을 강제 선택 범주화 과제에 제시합니다.이 작업은 어떤 자극이 아바타와 인간으로 명확하게 분류되는지 결정하고, 범주 경계의 위치를 정의하는 데 사용됩니다. 다음으로, 선택된 이미지들이 지각 변별 작업에 사용됩니다. 이 작업은 지각 변별 경계의 존재 여부와 위치를 결정합니다.결과는 판별 경계가 범주의 경계와 일치함을 보여줍니다. 경계 일치는 인간 유사성 차원에서의 객체에 대한 주관적 지각이 범주적 지각의 심리적 효과 관점에서 이해될 수 있음을 나타냅니다. 이 방법의 주요 장점은 인간과 유사한 외형을 실험적으로 제어하여 세밀하게 조작할 수 있다는 점입니다.이는 인지된 인간 유사성과 불쾌한 골짜기와 관련된 경험 및 행동 사이의 미묘한 관계를 이해하는 데 중요합니다. 이 방법의 시각적 시연은 불쾌한 골짜기 연구에서 이 방법의 활용에 대해 함께 제공되는 논문 내의 핵심 논의의 기초가 됩니다. 먼저 모핑 과정에서 각 연속체의 끝점으로 사용할 인간과 아바타 이미지 쌍을 선택하십시오. 인간 끝점부터 시작하십시오.무표정하고 정면을 응시하며 특징이 뚜렷한 얼굴을 가진 미지의 인물 이미지를 선택하십시오. 수염이나 장신구와 같이 눈에 띄는 다른 특징이 없어야 합니다. 비인간 종점 이미지의 경우, 인간의 얼굴과 일치하는 아바타 얼굴을 생성하십시오.각 아바타 얼굴이 해당 인간 얼굴의 연령 및 전반적인 얼굴 기하학적 구조와 밀접하게 일치하도록 수정하십시오. 각 부모 얼굴 쌍의 대비 수준과 전반적인 밝기를 맞추십시오. 여기서는 아바타 부모 얼굴의 피부톤을 해당 인간 부모 얼굴에 맞췄습니다.사진 편집 소프트웨어를 사용하여 이미지 위에 타원형을 겹쳐 얼굴의 외부 특징 부분을 잘라냅니다. 다음으로, 각 엔드포인트 이미지 쌍 간의 일반적인 얼굴 기하학적 구조가 일치하도록 이미지의 최종 위치를 조정합니다. 이미지 준비가 완료되면, 모핑 소프트웨어를 사용하여 부모 얼굴의 특징점에 제어점을 배치합니다.각 얼굴에 대해 입 주변에 약 20개, 각 눈에 18개, 코에 20개, 그리고 각 눈썹에 8개의 포인트가 배치됩니다. 이러한 포인트들이 배치되면 이미지를 모핑할 준비가 된 것입니다. 이를 통해 각 연속체에 대해 13개의 서로 다른 모핑 이미지가 생성되며 M 0부터 M 12까지 레이블이 지정됩니다.여기에 표시된 바와 같이 두 개의 부모 얼굴과 11개의 중간 모프(morph)가 있으며, 이들을 대상으로 이지강제선택(two alternative forced choice) 분류 과제가 수행됩니다. 참가자는 각 모프 이미지가 아바타 얼굴인지 사람 얼굴인지 판단합니다. 준비가 되면 참가자는 일련의 시행 과정을 시청합니다.각 시행은 500 밀리초 동안 제시되는 고정점을 시작으로, 이어서 750 밀리초 동안 모핑 이미지가 제시됩니다. 참가자는 각 이미지 제시 후 적절한 버튼을 눌러 응답합니다. 이후 다음 시행이 시작됩니다.아바타와 인간의 분류 데이터를 다항 회귀 분석하여 반응 함수의 형태를 설명합니다. 동일한 지각 변별 과제를 설정하기 위해, 이전에 아바타로 분류된 두 개의 모프(morph)와 신체적 차이에 대한 인간 대조군으로 두 개의 모프를 선택합니다. 이때 각 연속체(continuum)를 따라 신체적 변화의 등가 증분(increment)을 나타내는 모프를 선택하며, 보시는 바와 같이 33%의 증분을 사용합니다. 여기서 선택한 모프들을 세 가지 실험적 모프 쌍 조건에 따라 쌍으로 분류합니다.형태 쌍이 동일하여 내부의 물리적 또는 범주적 변화가 없는 '동일(Same)' 조건, 한 범주 내에서 쌍을 추출한 '내부(Within)' 조건, 그리고 서로 다른 범주를 나타내는 쌍으로 구성된 '외부(Between)' 조건으로 구분합니다. 아바타 범주의 경우, 세 가지 조건의 각 얼굴 쌍에서 첫 번째 형태가 항상 M four가 되도록 합니다. 동일한 절차를 인간 범주와 관련된 형태 쌍에도 적용하여, 첫 번째 형태가 항상 M eight가 되도록 합니다.동일-차이 지각 판별 과제를 수행합니다. 피험자는 각 얼굴 쌍의 외모가 동일한지 또는 다른지를 버튼을 눌러 표시합니다. 준비가 되면, 피험자에게 각 시행에 대한 일련의 시행 과정이 제시됩니다.고정 십자선이 500 밀리초 동안 제시되고, 이어서 얼굴 쌍의 첫 번째 얼굴이 500 밀리초 동안 제시되며, 300 밀리초 동안 빈 화면이 나타나는 자극 간 간격이 이어집니다. 그 후 얼굴 쌍의 두 번째 얼굴이 제시되면, 참여자는 해당 쌍의 얼굴들이 동일한지 또는 다른지 결정합니다. 다음 시행이 제시되기 전까지 2,500 밀리초의 간격이 뒤따릅니다.범주 경계를 가로지르는 얼굴 쌍과 경계의 같은 쪽에 있는 얼굴 쌍의 판별 정확도를 분석합니다. 아바타 시행과 사람 시행의 데이터는 별도로 처리되었으며, 여기에 제시된 분석 결과는 강제 선택 범주화 과제의 대표적인 결과입니다. 이는 얼굴을 사람으로 범주화한 응답의 백분율로 표시됩니다.실선으로 표시된 파란색 선은 피팅된 로지스틱 반응 곡선을 나타내며, 이 곡선의 기울기는 a의 존재와 일치하는 시그모이드 계단 함수를 반영합니다. 파란색 점선은 범주 경계의 추정 위치를 나타내며, 이는 범주화 판단에서 50%의 최대 불확실성이 6번 위치와 연관되어 있음을 보여줍니다. 강제 선택 범주화 과제에 대한 이 결과에서, 평균 반응 잠복기가 가장 긴 것은 6번 형태 위치와 연관되어 있습니다.이는 해당 형태 위치에서 불확실성과 범주화 판단이 가장 크게 나타난다는 점과 일치합니다. 동일한 서로 다른 지각적 식별 작업에서의 식별 반응을 보면, 'between' 조건 내에서 범주 경계의 양측에 걸쳐 있는 얼굴 쌍 사이의 식별 정확도가 인간 및 아바타 범주 내부에서 추출된 얼굴 쌍의 식별 정확도보다 더 높게 나타납니다. 범주 경계에서 식별 정확도가 더 높다는 결과와 일치하게, 'between' 조건에서 범주 경계에 걸쳐 있는 얼굴 쌍에 대한 판단 반응 시간은 범주 내부에서 추출된 얼굴들에 대한 반응 시간보다 더 짧습니다.이 절차를 적용할 때 가장 어려운 점은 균질한 실험 자극 세트를 구성하는 다수의 형태 연속체(morph continua)를 생성하는 것입니다. 실험 자극에 대한 제어가 제대로 이루어지지 않으면 인간 유사성에 대한 주관적 지각에 강한 영향을 미치는 교란 변수와 아티팩트가 유입될 수 있습니다. 동반된 논문에서 이와 관련된 문제들을 다룹니다.

perceptual-category-processing-uncanny-valley-hypothesis-dimension

Research

연구

JoVE Journal

Behavior

행동

우리는 심문이 로봇 스타일러스를 들고 또 다른 당사자 (인간 또는 인공)의 상호 작용되는 telerobotic 시스템을 통해 실시 튜링 같은 악수 테스트를 제시한다. 우리는 강제 선택 방식을 사용하고 인간의 악수하는 인공 모델의 유사성에 대한 측정의 압축을 풉니다.

자동차 인텔리 전스에 대한 1 차원 튜링 - 마찬가지로 악수 시험

우리는 정확하게 정의 된 기능 변화와 자연 3-D 개체와 개체 카테고리를 만들기위한 새로운 방법을 설명합니다. 우리는 morphogenesis 다음 Visual 이미지 나 haptic 개체로 렌더링 할 수있는 소설, 자연 가상 3-D 개체와 개체 카테고리를 만들 계통 발생 론의 생물학적 과정의 시뮬레이션을 사용합니다.

지각과 지각 학습 유학을위한 객체와 객체 카테고리 만들기

이 실험 패러다임이 진짜 범죄에 목격자가 메모리에서 범인의 전체적인 얼굴 합성을 만든 다음 범죄자 또는 그 또는 그녀가하는 일을 포함하는 비디오 라인업에서 범인을 식별하기 위해 시도 할 수있는 상황을 복제 적용 현재가 아닌.

전체적 얼굴 복합 작성 및 후속 비디오 라인업 목격자 식별 패러다임

이 문서에서는 거울 환상을 사용하여 기계 학습을 이용하여 분석으로 정신 물리학 절차를 결합하는 2 차원 평면 상에 고유 수용성 드리프트를 추정 할 수있는 새로운 방법을 설명합니다.

서포트 벡터 머신을 사용하여 2D 평면에 고유 수용성 드리프트에 대한 시각화 방법

이 논문은 레오나르도 다빈치의 라 벨라 프린 초상화의 'catch 할 수없는 미소'환상을 표시하는 데 사용되는 방법에 대해 설명합니다. 세 가지 방법의 조합에 따라서 전위 연구원 바이어스를 줄이는 종래 신념없이 자체 형상 조사되었다 (간 관측 구조화 인터뷰, 정신 물리 실험)을 사용 하였다.

소녀의 모나리자와 Pollaiuolo의 초상화와 비교 : 레오나르도 다빈치의 라 벨라 프린시의 &#39;catch 할 수없는 미소를&#39;조사

여기, 우리는 가상 손과 몸 관련 자기 인식 / -representation을 연구하는 데 사용할 수있는 가상 얼굴 환상의 패러다임을 설명합니다. 이들은 이미 특정 조건 하에서, 가상 손이나 얼굴 본체 표현 오히려가요임을 시사의 몸 표현으로 통합 될 수 있다는 것을 보여주기를 위해 다양한 연구에 사용되었다.

가상-손과 가상 얼굴 환상을 만드는 것은 자기 표현을 조사하기

우리는 개체 전송 작업 중에 부조리 한 시각적 촉각 자극을 적용 하는 프로토콜을 제시 한다. 특히, 블록 전송 중에 손을 숨긴 상태에서 수행 되는 블록의 가상 프리젠테이션은 거짓 블록 삭제의 무작위 발생을 표시 합니다. 또한이 프로토콜은 모터 작업을 수행 하는 동안 vibrotactile 피드백을 추가 하는 방법을 설명 합니다.

진동 촉각 피드백을 통해 개체 전송 중 부조리 한 시각적 촉각 자극 적용

이 프로토콜은 많은 양의 유사성 판단과 그에 수반되는 분석 워크 플로우를 얻기 위해 실험적 정신 물리학 패러다임을 제시합니다. 패러다임은 컨텍스트 효과를 조사하고 적어도 다섯 차원의 유클리드 공간의 관점에서 유사성 데이터의 모델링을 가능하게합니다.

유사성 판단의 수집과 분석을위한 정신 물리학 패러다임

감각 처리의 목적과 쉽게 측정 비언어적 또는 취약한 소아 환자에서 매우 어렵습니다. 우리는 활동 주체의 참여를 요구하거나 취약한 환자의 불편을 초래하지 않고, 정량적으로 유아와 가벼운 터치의 아이들의 대뇌 피질의 처리, 음성 소리를 평가하는 새로운 방법, 및 2 자극의 감각적 처리를 개발했다.

장애 아동의 대뇌 피질의 청각 - 촉각 처리의 정량 평가

경 두개 자기 자극 (TMS)을 비 침습적 신경 정보 처리를 중단하고 동작에 대한 영향을 측정하기위한 기술이다. TMS가 작업을 방해하는 경우도 자극 뇌 영역이 하나의 체계적인지 기능에 뇌 영역을 관련 있도록 정상적인 작업의 성능을 위해 필요하다는 것을 나타낸다.

원인이되는 뇌 - 행동의 관계와 자신의 시간 과정을 조사하기위한 경 두개 자기 자극

배우세요 초자연적 인 밸리 가설에서 인간 유사성 차원을 따라 범주적 인식 효과를 조사하는 방법을. 모프 연속체 생성과 강제 선택 분류 과제를 통해 아바타와 인간의 범주 경계를 정의하고, 지각적 판별 과제로 판별 경계를 분석합니다.

인간 초상권 초자연적 인 밸리 가설 '차원의 인식 및 분류 처리 : 어떤 방법 론적 문제

더 많은 동영상 탐색