Summary
En protokoll for å fange og statistisk analyse av følelsesmessig reaksjon av en befolkning til å drikke og flytende matvarer i en sensorisk evaluering laboratorium ved hjelp av automatisert ansiktsuttrykk analyseprogramvare er beskrevet.
Introduction
Automatisert ansiktsuttrykk analyse (Afea) er en potensiell analytisk verktøy for å karakterisere emosjonelle reaksjoner på drikkevarer og mat. Emosjonell analyse kan legge en ekstra dimensjon til eksisterende sensoriske vitenskap metoder, mat evalueringspraksis og hedonisk skala karakterer vanligvis brukes både i forskning og industri innstillinger. Emosjonell analyse kan gi en ekstra beregning som viser et mer nøyaktig svar på mat og drikke. Hedonic scoring kan omfatte deltaker skjevhet på grunn av manglende opptak reaksjoner 1.
Afea forskning har blitt brukt i mange forskningssøknader, inkludert dataspill, brukeratferd, utdanning / pedagogikk, og psykologistudier på empati og bedrag. De fleste mat-forbundet forskning har fokusert på å karakterisere følelsesmessig reaksjon på mat kvalitet og menneskelig atferd med mat. Med den siste trenden i å få innsikt i nærings atferd, en økende mengde litteratur rapporter bruker av Afeafor å karakterisere det menneskelige følelsesmessig reaksjon i forbindelse med matvarer, drikkevarer og luktstoffer 1-12.
Afea er avledet fra det Facial Handling Coding System (FACS). Ansikts handling kodesystem (FACS) diskriminerer ansikts bevegelser preget av handlingsenheter (AUS) på en 5-punkts intensitetsskalaen 13. Den FACS tilnærmingen krever trente gjennomgang eksperter, manuell koding, betydelig evaluering tid, og gir begrensede dataanalyse alternativer. Afea ble utviklet som en rask evaluering metode for å bestemme følelser. Afea programvare er avhengig av ansikts muskel bevegelse, ansikts databaser, og algoritmer for å karakterisere den følelsesmessige responsen 14-18. Den Afea programvaren som brukes i denne studien nådde en "FACS indeks over enighet på 0,67 i gjennomsnitt på både Warszawa Sett av emosjonelle ansiktsuttrykk Bilder (WSEFEP) og Amsterdam Dynamic Facial Expression Set (ADFES), som er nær en standardavtale på 0,70 for manuell koding "19 20. I tillegg inneholder psykologi litteratur glad, overrasket og sint som "tilnærming" følelser (mot stimuli) og trist, redd, og kvalm som "abstinens" følelser (bort fra aversive stimuli) 21.
En begrensning av den nåværende afea programvare for å karakterisere følelser assosiert med matvarer er forstyrrelser fra ansiktsbevegelser i forbindelse med å tygge og svelge så vel som andre grovmotoriske bevegelser, som ekstrem hodebevegelser. Programvaren er rettet mot mindre ansikts muskel bevegelser, om posisjon og grad av bevegelse, basert på over 500 muskel punkter i ansiktet 16,17. Tygge bevegelser forstyrre klassifisering av uttrykk. denne grensenasjon kan rettes ved hjelp av flytende matvarer. Imidlertid kan andre metodeutfordringene også redusere video følsomhet og Afea analyse med datainnsamling miljø, teknologi, forsker instruksjoner, deltaker atferd, og deltaker attributter.
En standard metodikk har ikke blitt utviklet og verifisert for optimal videoopptak og dataanalyse ved hjelp Afea for emosjonell respons på mat og drikke i en sensorisk evaluering laboratorium setting. Mange aspekter kan påvirke videoopptak miljø blant annet belysning, skygge på grunn av belysning, deltaker retninger, deltaker atferd, deltaker høyde, samt, kamera høyde, kamera sportsfiske, og utstyrs innstillinger. Videre dataanalyse metoder er inkonsekvent og mangler en standard metodikk for vurdering av emosjonell respons. Her vil vi vise vår standard prosedyre for å fange emosjonelle data og bearbeiding av data inn i meningsfulle resultater ved hjelp av drikkevarer (smaksatt melk, unflavored melk og unflavored vann) for evaluering. Så vidt vi vet bare en fagfellevurdert publikasjon, fra vår lab gruppe, har benyttet tidsserier for tolking for følelser analyse 8; Imidlertid har metoden blitt oppdatert for vår presentert metode. Vårt mål er å utvikle en bedre og konsistent metodikk for å hjelpe med reproduserbarhet i en sensorisk evaluering laboratorium setting. For demonstrasjon, formålet med studien modellen er å vurdere om Afea kunne supplere tradisjonell hedonic aksept vurdering av smakstilsatt melk, unflavored melk og unflavored vann. Hensikten med denne videoen protokollen er å bidra til å etablere Afea metodikk, standard videoopptak kriteriene i en sensorisk evaluering laboratorium (sensorisk messe innstilling), og illustrerer en metode for tidsmessig emosjonelle data analyse av en befolkning.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Etikk Uttalelse: Denne studien ble forhåndsgodkjent av Virginia Tech Institutional Review Board (IRB) (IRB 14-229) før du starter prosjektet.
Forsiktig: Human lagt forskning krever informert samtykke før deltakelse. I tillegg til IRB-godkjenning, samtykke til bruk av stillbilder eller videobilder er også nødvendig før slippe noen bilder for utskrift, video eller grafisk avbildning. I tillegg er matallergenene beskrevet før testing. Deltakerne blir bedt om før panel start om de har noen intoleranse, allergi eller andre bekymringer.
Merk: Eksklusjonskriterier: Automatisert ansiktsuttrykk analyse er følsom for tykke innrammet briller, tungt skjeggete ansikter og hud tone. Deltakere som har disse kriteriene er uforenlig med programvare analyse på grunn av økt risiko for mislykkede videoer. Dette skyldes programvaren manglende evne til å finne ansiktet.
1. Prøvepreparering og Deltaker rekruttering
- Forbered drikke eller myksmaksprøver.
- Forbered intensivert meieri løsninger ved hjelp av 2% melk og foreslåtte smaker fra Costello og Clark (2009) 22 samt andre smaker. Forbered følgende løsninger: (1) unflavored melk (2% redusert fett melk); (2) ikke-smakssatt vann (drikkevann); (3) vaniljeekstrakt smak i melk (0,02 g / ml) (klar etterligning vaniljesmak); og (4) salt smak i melk (0,004 g / ml jodert salt).
Merk: Disse løsninger brukes kun for demonstrasjon. - Hell halvparten unse porsjoner (~ 15 g) av hver løsning i to oz. gjennomsiktig plast sample kopper og cap med fargekodede lokk.
Merk: Det anbefales å bruke gjennomsiktige kopper; Det er imidlertid opp til forskerens skjønn.
- Forbered intensivert meieri løsninger ved hjelp av 2% melk og foreslåtte smaker fra Costello og Clark (2009) 22 samt andre smaker. Forbered følgende løsninger: (1) unflavored melk (2% redusert fett melk); (2) ikke-smakssatt vann (drikkevann); (3) vaniljeekstrakt smak i melk (0,02 g / ml) (klar etterligning vaniljesmak); og (4) salt smak i melk (0,004 g / ml jodert salt).
- Rekruttere deltakere fra campus eller lokalsamfunnet til å delta i studien.
Merk: Deltaker utvalgsstørrelsen som trengs for en studie er opp til skjønn av forskeren. Vi anbefaler en avstand på 10 til 50 deltakere. Skaff menneske samtykke før deltakelse i studien.
2. Utarbeidelse av Panel Room for Video Capture
Merk: Denne protokollen er for datafangst i en sensorisk evaluering laboratorium. Denne protokollen er å gjøre Afea datafangst nyttig for en sensorisk messe innstilling.
- Bruk individuelle boder med en berøringsskjerm skjerm foran dem (ansiktshøyde) for å holde fokus fremover og for å forhindre ser ned.
- Bruk justerbar høyde stoler med ryggstøtte.
Merk: Dette er viktig for at deltakerne skal justeres vertikalt og plassert i et egnet område for videoopptak. Bruk stasjonære stoler (ingen rullende har) med justerbar rygghøyde støtte slik deltakernes bevegelser er redusert. - Sett overlyset på "100% dagslys" for optimal ansikts emosjonell videoopptak (Illuminant 6504K, R = 206, G = 242, B = 255).
Merk: For å unngå intens skygge, er diffus frontal belysning ideal mens lysintensiteten eller fargen er ikke like relevant 20. Til syvende og sist er det opp til skjønn av forsker, individuell protokoll / metodikk, og miljøet for å styre belysning for fangst. - Fest en justerbar kameraet over berøringsskjerm for opptak.
- Bruk et kamera med en oppløsning på minst 640 x 480 piksler (eller høyere) 20. Diskuter de nødvendige kamerafunksjonene sammen med programvareleverandøren før kjøp og installasjon 20. Merk: Sideforholdet er ikke viktig 20.
- Sett kameraet fange hastighet til 30 bilder per sekund (eller annen standard hastighet) for konsistens.
- Koble til og sikre media innspillingen programvare er satt opp til kameraet for å ta opp og lagre deltaker videoer.
3. Deltaker Justering og verbal retninger
- Har bare en deltaker på et tidspunkt vurdere prøvene i sensorisk messe.
Merk: Testing mer ennen deltaker samtidig kan påvirke testomgivelsene og forstyrre konsentrasjonen av deltakeren eller opprette forspenning. - Ved ankomst, gi deltakerne verbale instruksjoner om prosessen og standard operasjonsprosedyrer.
- Har deltakerne sitte rett opp og mot baksiden av stolen.
- Juster stolen høyde, plassering av stolen (avstand fra kameraet), og kameravinkelen slik at deltakeren ansikt er fanget i midten av videoopptak, uten skygger på haken eller rundt øynene.
Merk: I den sensoriske messe, er deltakerens hode omtrent 20-24 inches bort fra kameraet og skjermen med ansiktet sentrert i kameraet video feed. - Instruere deltakerne til å bli sittende som plasseres og fokusert vendt mot skjermvisningen. I tillegg instruere deltakerne til å avstå fra noen brå bevegelser etterprøve forbruk i løpet av 30 sek evalueringsperioden per prøve. Be deltakeren til å konsumere hele drikke eller flytende mat prøve og svelge.
- Instruere deltakeren til raskt å bevege prøvekoppen under haken og ned til bordet umiddelbart etter at prøven er i munnen. Dette er for å eliminere ansikts okklusjon. Minn dem om å holde utkikk mot skjermen.
Merk: prøvebærer å levere prøven er opp til skjønn av forskeren. En halm eller kopp kan anvendes. Uansett, er første ansikts okklusjon uunngåelig fordi ansiktet skal okkluderes eller forvrengt på grunn av forbruk.
- Be deltaker å følge instruksjonene som vises på berøringsskjermen skjermen. Merk: Instruksjoner blir automatisk sekvensert som er programmert inn i den automatiserte sensoriske programvare.
4. Individuell Deltaker Prosess for Video Capture
- Bekreft videokamera er optimalt å fange deltaker ansikt mens deltakeren sitterkomfortabelt i boden (før prøven presentasjon) ved å se på dataskjermen der videoopptak vises. Begynn opptaket ved å klikke på opptaksknappen på dataskjermen.
- Be deltakerne om å nippe vann for å rense ganen.
- Tilveiebringe behandlinger en om gangen, fra en grunnlinje eller kontrollbehandling (unflavored vann). Identifisere hver prøve med en unik farge kartotekkort plasseres på toppen av hver prøve i forbindelse med eksempelfargekode for prøvebehandling identifikasjon innenfor videoen.
Merk: Programmert veiledning på berøringsskjermen skjermen instruerer deltakere. Instruksjonene direkte deltakeren gjennom en serie av standardiserte fremgangsmåten for hver behandling prøve. - Via berøringsskjermen skjerm, direkte deltakeren til:
- Hold opp den tilhørende farge indeks kort pre-forbruk for prøveidentifikasjon i videoen.
Merk: Fargen kortet er en måte forskerne kan identifisere behandlinger i videoen ennd markere den aktuelle tidsrammen (tid null) for prøve evaluering. - Etter å ha hatt kortet kort, plasserer du kortet tilbake på brettet.
- Fullt forbruker prøven og vent i omtrent 30 sekunder, håndheves gjennom den programmerte veiledning på skjermen, mens vender mot kameraet.
Merk: 30 sek kontrollert prøveperioden omfatter et tidsrom tilstrekkelig for hele prøvetaking evalueringsperioden (dvs. viser indeksen kortet, åpne en prøve (fjerne lokket), forbruk og emosjonelle fangst). - Skriv deres hedonic aksept poengsum på berøringsskjermen skjerm (1 = misliker ekstremt, 2 = misliker veldig mye, 3 = misliker moderat, 4 = misliker noe, 5 = verken som heller ikke liker, 6 = liker litt, 7 = som moderat, 8 = liker veldig mye, 9 = like ekstremt).
- Skyll munnen med drikkevann før neste prøve prosessen.
- Hold opp den tilhørende farge indeks kort pre-forbruk for prøveidentifikasjon i videoen.
5. Evaluering Automatiserte ansiktsuttrykk analysealternativer
Merk: Mange ansiktsuttrykk analyse programmer eksisterer. Software kommandoer og funksjoner kan variere. Det er viktig å følge produsentens brukerveiledninger og Reference Manual 20.
- Gjør opptak i et medieformat og overføre til den automatiserte ansiktsuttrykk analyse programvare.
- Analyser deltaker videoer ved hjelp av automatisert ansikts analyse programvare.
- Dobbelklikk på programvareikonet på skrivebordet.
- Når programmet er åpent, klikker du på "File", velg "New ...", og velg "Project ..."
- I pop up vindu, navnet på prosjektet og lagre prosjektet.
- Legg til deltakere i prosjektet ved å klikke på "Add deltakerne" -ikonet (Person med en tegn (+)). Flere deltakere kan legges ved å gjenta dette trinnet.
- Legg til deltaker video mot respektive deltaker for analyse.
- På venstre side av skjermen klikker du på ikonet for film hjul with et plusstegn (+) tegnet for å legge til en video for å analysere.
- Klikk på "forstørrelsesglass" under deltakeren av interesse å surfe på video for å legge til.
- Analyser videoer frame-by-frame er under kontinuerlig kalibrering analyseinnstillingene i programvaren.
- Klikk på blyantikonet for å justere innstillinger nederst i vinduet under "innstillinger" fanen for hver deltaker video.
- Sett "Face modell" til Generelt. Still "Jevn klassifikasjoner" til Ja. Sett "Sample Rate" til hver ramme.
- Still "Image rotasjon" til Nei Set "Continuous kalibrering" til Ja. Still "Selected kalibrering" til Ingen.
- Lagre prosjektinnstillinger.
- Trykk på batch analyse ikonet (det samme rød og svart target-lignende symbol) for å analysere prosjekt videoer.
- Lagre resultatene når analysen er ferdig.
Merk: Andre videoinnstillinger finnes i programvaren hvis researchennes preferanse garanterer en annen analysemetode. - Tenk videoer feil hvis alvorlige ansikts okklusjoner eller manglende evne til å kartlegge ansiktet vedvarer under den angitte post-forbruk vindu (figur 1). I tillegg, hvis modellen svikter dataene vil si "FIT_FAILED" eller "FIND_FAILED" i eksporterte produksjonen filer (figur 2). Dette representerer tapte data siden programvaren ikke kan klassifisere eller analysere deltakernes følelser.
Merk: Afea overs ansikts muskel bevegelse til nøytral, glad, kvalm, trist, sint, overrasket og redd på en skala fra 0 (ikke uttrykt) til 1 (fullt uttrykt) for hver følelser.
- Klikk på blyantikonet for å justere innstillinger nederst i vinduet under "innstillinger" fanen for hver deltaker video.
- Eksportere Afea data utgang som loggfiler (.txt) for videre analyse.
- Når analysene er ferdige, eksporterer hele prosjektet.
- Klikk "Fil", "Export", "Export Prosjekt Resultater".
- Når et vindu åpnes, velger plasseringen av hvor eksporten Should bli frelst og lagre loggfiler (.txt) i en mappe.
- Konvertere hver deltaker loggen livet til en data regneark (.csv eller .xlsx) for å trekke ut relevante data.
- Åpne data regneark programvare og velg "Data" -fanen.
- På "Data" -fanen, i "Hent eksterne data" gruppe, klikk på "Fra tekst".
- I "Address bar", finn, dobbeltklikker deltakeren tekstfilen du vil importere, og følg instruksjonene på skjermen veiviseren.
- Fortsett eksportprosessen for alle relevante deltaker filer.
- Når analysene er ferdige, eksporterer hele prosjektet.
6. Tidsstempel Deltaker videoer for dataanalyse
- Bruke Afea programvare, manuelt går hver deltakers video og identifisere post-forbruk tid null for hver prøve. Spill tidsstempelet i en dataarket. Post-forbruk er definert når prøvekoppen er under deltakerens haken og ikke lenger ocinnformasjon om ansiktet.
Merk: Plasseringen av tidsstempelet er kritisk for evaluering. Punktet der koppen ikke lenger tetter ansiktet er den optimale anbefaling og tidsstempler må være konsekvent for alle deltakere. - Lagre tidsstempel data regneark (CSV) som referanse for å trekke ut relevante data fra videoer.
Merk: Deltaker videoer kan også kodes internt i programvaren som "Event Merking".
7. Time Series Emosjonell Analysis
Merk: Betrakt "baseline" for å være kontrollen (dvs. ikke-smakssatt vann i dette eksempelet). Forskeren har evnen til å skape en annerledes "baseline behandling stimulus" eller en "baseline tid uten stimulans" for parede sammenligning avhengig av interessene til etterforskningen. Metoden foreslått utgjør en "default" tilstand ved hjelp av en sammenkoblet statistisk test. Med andre ord, benytter fremgangsmåten statistisk blokkering (dvs.en sammenkoblet test) for å justere for standard utseende for hver deltaker, og derfor reduserer variabiliteten over deltakere.
- Utdrag relevante data fra de eksporterte filer (CSV eller .xlsx).
- Identifisere en tidsramme relevant for studiet evaluering (sekunder).
- trekke respektive data (tidsramme) fra de eksporterte deltaker filene konsulent deltakeren tidsstempel (tid null) manuelt.
- Kompilere hver deltakers behandlingsdata (deltakernummer, behandling, original video tid og følelser respons) per følelser (glad, nøytral, trist, sint, overrasket, redd, og disgusted) for å velge tidsramme (sekunder) i en ny dataarket for fremtidig analyse (Figur 3).
- Fortsett denne prosessen for alle deltakerne.
- Identifisere den tilsvarende tid null fra tidsstempelet fil for hver deltaker-behandling pair og justere video tid til en sann tid "0" for direkte sammenligning (
Merk: Deltaker data samles i en sammenhengende video derfor hver behandling "time null" er annerledes (dvs. unflavored vann video tid null er 02: 13,5 og unflavored melk video tid null er 03: 15.4). I figur 4 På grunn av ulik behandling "tids nuller", video ganger må justeres og realigned å starte på "0: 00.0" eller annen standard starttidspunkt for at direkte tid sammenligning av behandlings emosjonell respons data. - For hver deltaker, følelser, og justert tidspunkt, trekke den parede behandling (f.eks unflavored melk) og kontrollbehandling (f.eks unflavored vann) kvantitativ emosjonelle poengsum. Med andre ord, justere en deltakers behandling og kontroll tidsserier av svar for hvert følelser (figur 5).
- Samle all deltakerens informasjon (deltaker, justert tid, og paret behandling(For eksempel, smakssatt vann og smakssatt melk) ved hvert tidspunkt (figur 6).
Merk: Trinnene nedenfor viser fremgangsmåten for en sammenkoblet Wilcox test for hånd. De fleste dataanalyse programvare vil gjøre dette automatisk. Det anbefales å drøfte den statistiske analysen prosessen med en statistiker. - Når prøvene er nullstilt og justert med nye justerte video ganger, direkte sammenligne mellom de følelsesmessige resultatene av en respektiv prøve og kontroll (unflavored vann) ved hjelp av sekvensielle paret nonparametric Wilcoxon tester på tvers av deltakerne (figur 7).
Merk: Den nye tidsjustering av prøvene vil gi rom for direkte sammenligning i 5 sekunder etter forbruk tidsramme. Hvis en sammenkoblet observasjon er ikke til stede i en behandling, slippe deltakeren fra det tidspunkt sammenligning.- Beregn forskjellen mellom kontroll og de respektive prøven for hver sammenkoblet sammenligning bruker data spreadsheet management software.
Merk: Sammenligningen vil være avhengig av bildefrekvensen valgt for følelsesmessig analyse i programvaren. Protokollen viser 30 individuelle sammenligninger per sekund i 5 sekunder (valgt tidsramme).
Merk: Bruk Figur 7 som en referanse for søyler og trapper.- Trekke verdien av melk (for eksempel smakssatt melk) fra verdien av kontrollen (f.eks smakssatt vann) for å bestemme forskjellen. I dataarket management software i en ny kolonne med tittelen "Behandling Difference", skriv "= (C2) - (D2)", der "C2" er kontroll emosjonelle verdier og "D2" er valgt behandlings emosjonelle verdier. Fortsett denne prosessen for alle tidspunkter.
- Beregning av den absolutte verdi av behandlingsforskjell. I dataarket management software i en ny kolonne, skriv "= ABS (E2)", der "E2" er Forskjellen mellom behandlingene. Fortsett denne prosessen foralle tidspunkter.
- Bestem rang rekkefølgen av behandlingsforskjell. I dataarket management software i en ny kolonne, skriv "= RANK (G2, $ G $ 2: $ G $ 25, 1)" der "G2" er den absolutte forskjell og "1" er "stigende". Fortsett denne prosessen for alle tidspunkter.
- Bestem signert rang av rang rekkefølge på regneark. Endre tegn til negativ hvis behandlingen forskjellen var negativ (kolonne I).
- Beregn positiv sum (= SUMMERHVIS (I2: I25, "> 0", I2: I25) og negativ sum = SUMMERHVIS (I2: I25, "<0", I2: I25) av rang verdier.
- Bestem testobservatoren. Testen statistikken er den absolutte verdien lavere sum.
- Størst statistiske tabeller for Wilcoxon Signed Rangert testobservator ved hjelp av antall observasjoner inkludert på bestemt tid og et valgt alfaverdi for å bestemme den kritiske verdien.
- Dersom teststatistikken er mindre enn den kritiske verdi avvise than nullhypotese. Hvis det er større, akseptere nullhypotesen.
- Beregn forskjellen mellom kontroll og de respektive prøven for hver sammenkoblet sammenligning bruker data spreadsheet management software.
- Tegne resultatene på den tilhørende behandling graf (dvs. unflavored melk sammenlignet med unflavored vann) for de gangene når nullhypotesen forkastes. Bruk tegnet på forskjellen for å avgjøre hvilken behandling har større følelser (Figur 8).
- I dataarket administrasjon, oppretter en graf ved å bruke verdiene av nærvær eller fravær av betydning.
- Klikk "Sett inn" -kategorien.
- Velg "Line"
- Høyreklikk på grafen boksen.
- Klikk "velg data" og følg instruksjonene på skjermen for å velge og graf relevante data (figur 8).
Merk: Grafene vil skildre følelsesmessige resultater der prøven eller kontrollen er høyere og betydelig. Graf avhengige, er følelser høyere på den bestemte tid slik at evnen til å skjelne hvordan deltakernes følelserutvikle seg over den 5 andre tidsperioden mellom to stikkprøver.
Merk: Statistisk støtte med en statistiker er sterkt anbefalt å trekke ut relevante data. Utvikling av statistisk koding er nødvendig for å analysere følelsesmessige resultater.
- I dataarket administrasjon, oppretter en graf ved å bruke verdiene av nærvær eller fravær av betydning.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Fremgangsmåten foreslår en standard protokoll for afea datainnsamling. Om det er tatt foreslåtte protokoll trinn, ubrukelig følelsesmessig datautgangs (figur 1) som følge av dårlig datainnsamling (Figur 2: A; Venstre bilde) kan være begrenset. Tidsserieanalyse kan ikke benyttes hvis loggfiler (.txt) hovedsakelig inneholde "FIT_FAILED" og "FIND_FAILED" som dette er dårlige data (figur 1). Videre omfatter fremgangsmåten en protokoll for direkte statistisk sammenligning mellom to behandlinger av følelsesmessig datautgang i løpet av en tidsperiode til å etablere en følelsesmessig profil. Tidsserieanalyse kan gi følelsesmessige trender over tid og kan gi et verdiskapende dimensjon til hedonic akseptable resultater. I tillegg kan tidsserieanalyse viser endringer i emosjonelle nivåer over tid, noe som er verdifullt i løpet av spise erfaring.
(figur 9). Hedonic resultater antyde at det ikke var noen aksept forskjeller mellom unflavored melk, unflavored vann og vaniljeekstrakt smaken i melk. Men Afea tidsserie analyse indikerte unflavored melk generert mindre kvalm (p <0,025; 0 sek), overrasket (p <0,025; 0 til 2,0 sek), mindre trist (p <0,025; 2,0-2,5 sek) og mindre nøytral (p <0,025; ~ 3,0-3,5 sek) responser enn gjorde smakssatt vann (figur 10). I tillegg, vaniljeekstrakt smak i melk innført mer lykke uttrykk akkurat før 5,0 sekunder (p <0,025) og mindre trist (p <0,025; 2,0-3,0 og 5,0 sek) enn smakssatt vann (Figur 11). Vanilla, som en lukt, har vært forbundet med begrepene "avslappet", "rolig", "beroliget", "lykke", og# 34;. Trivsel "," positivt overrasket "23 og" behagelig "24 Salty smak i melk hadde lavere (p <0,05) mener hedonic akseptable score (mislikte moderat) (figur 9) og salte smaken i melk generert mer avsky (p <0,025) senere (3,0 til 5,0 sek) enn unflavored vann (figur 12). Intense salt har vært forbundet med avsky og overrasket 25, 26. imidlertid har enkelte studier uttalt at salte smaken ikke framprovosere ansikts respons 7, 27 -29.
Figur 1. Eksempel på sub-optimal datafangst grunn deltaker inkompatibilitet med Afea programvare som resulterer i tap av rå emosjonelle data respons poeng i de eksporterte utdatafiler [FIT_FAILED; FIND_FAILED]. Video feil oppstår når alvorlige ansikts okklusjoner eller manglende evne til å kartlegge ansiktet Persi m under det angitte etter forbruk vinduet. Klikk her for å se en større versjon av dette tallet.
Figur 2. Eksempel på sub-optimal datafangst grunn deltaker programvare modellering. Figuren viser sub-optimal datafangst grunn deltaker programvare modellering inkompatibilitet og svikt i ansiktet kartlegging for å fastslå emosjonell respons (A). Eksempel på vellykket tilpasning modellering og evne til å fange deltakernes emosjonelle respons (B). Klikk her for å se en større versjon av dette tallet.
6fig3.jpg "/>
Figur 3. Eksempel på ekstraherte deltaker data samlet i en ny dataarket. Deltaker data (deltakernummer, behandling, originale video tid og følelser respons) er identifisert per følelser (glad, nøytral, trist, sint, overrasket, redd, og kvalm ) for å velge tidsramme (sekunder). Dette regnearket er brukt for senere analyser. Klikk her for å se en større versjon av dette tallet.
Figur 4. Eksempel på ekstraherte deltaker data utarbeidet for nærmere analyse. De hentet deltakerdata (A1 og B1) er kompilert (A2 og B2), fremstilt grafisk (A3 og B3) og justert (A4 og B4) som en visuell for direkte sammenligning. Det erpective tid null for kontroll (A4: Overrasket unflavored vann) og behandling (B4: Overrasket unflavored Milk) vises for å sammenligne overrasket emosjonelle resultater. Dette eksemplet representerer og identifiserer den tilsvarende tid null fra tidsstempelet fil for hver deltaker-behandling par. Klikk her for å se en større versjon av dette tallet.
.. Figur 5. Eksempel utklippede deltaker data med justerte tidsramme Den ekstraherte deltaker data blir presentert med justerte tidsramme med en ekte "time null" (A1 og B1) Tiden justeringen gir mulighet for direkte sammenligning mellom en kontroll (A: Overrasket unflavored vann) og en behandling (B2: overrasket Unfla vored Milk) (A2 og B2). Dette eksemplet representerer og identifiserer den tilsvarende ekte "time null" (justert) fra tidsstempelet fil for hver deltaker-behandling par. Klikk her for å se en større versjon av dette tallet.
Figur 6. Eksempel på prosessen for å samle alle deltakernes data. Deltakeren, justerte tid, og paret behandling (f.eks unflavored vann og unflavored melk) på hvert tidspunkt er utarbeidet for å forberede for statistisk analyse. Klikk her for å vise en større versjon av dette tallet.
es / ftp_upload / 54046 / 54046fig7.jpg "/>
Figur 7. dataarket eksempel som sammenligner en kontroll (ikke-smakssatt vann) og en behandlings (-smakssatt melk) under anvendelse av Wilcoxon tester på tvers av deltakerne på et bestemt tidspunkt. Figuren representerer direkte sammenligning mellom de følelsesmessige resultatene av en respektiv prøve og kontroll (vann unflavored ) med sekvensiell paret metriske Wilcoxon tester på tvers av deltakerne. klikk her for å se en større versjon av dette tallet.
Figur 8. Eksempel på dataarket til å tegne resultatene if (p <0,025) på den tilhørende behandling graf (dvs. unflavored melk sammenlignet med unflavored vann). Resultater av sekvensiell paret metriske Wilcoxon tester over deltakelsents er tegnet opp for de gangene hvor nullhypotesen er avvist. Klikk her for å se en større versjon av dette tallet.
Figur 9. Gjennomsnittlig aksept (hedonic) score av unflavored vann, unflavored melk, vaniljesukker smaken i melk og salt smak i melk drikke løsninger. Akseptering var basert på en 9-punkts hedonisk skala (1 = misliker ekstremt, 5 = verken som heller ikke motvilje, 9 = som ekstremt, gjennomsnitts +/- SD) 1. Behandling menes med forskjellige superscripts signifikant forskjell i smak (p <0,05). Unflavored melk, unflavored vann og vaniljeekstrakt smaken i melk var ikke forskjellig (p> 0,05) i gjennomsnittlig akseptable score og ble vurdert som "likte litt". Salte smaken i melk hadde en lavere (p <0,05) bety for akseptable score (mislikte moderat). Klikk her for å se en større versjon av dette tallet.
Figur 10. Tidsserier grafer av rubrikk følelser på automatiserte ansiktsuttrykk analysedata over 5,0 sekunder sammenligne unflavored melk og unflavored vann. Basert på sekvensiell sammenkoblede metriske Wilcoxon tester mellom unflavored melk og unflavored vann (baseline), er resultatene plottet på respektive behandling grafen hvis behandlingen median er høyere og større betydning (p <0,025) for hver følelser. Tilstedeværelse av en linje indikerer en signifikant forskjell (p <0,025) ved den bestemte tidspunkt hvor median er høyere, mens fravær av en linje indikerer ingen forskjell på et bestemt tidspunkt (p> 0,025). Fraværlinjer i ikke-smakssatt melk (A) viser ingen følelsesmessig kategorisering sammenlignet med smakssatt vann (p <0,025) i løpet av 5,0 sekunder. I unflavored vann (B), følelsesmessige resultater i forhold til unflavored melk avsløre kvalm (crimson linje) på 0 sek, overrasket (oransje linje) oppstår på 0 - 1,5 sek, trist (grønn linje) oppstår rundt 2,5 sek, og nøytral (rød linje) oppstår rundt 3 -. 3,5 sek (p <0,025) klikk her for å se en større versjon av dette tallet.
Figur 11. Tidsserier grafer av klassifiserte følelser basert på automatiserte ansiktsuttrykk analyse av data over 5,0 sekunder sammenligner vaniljeekstrakt smaken i melk og unflavored vann (baseline). Basert på sekvensiell paret metriske Wilcoxon tester mellomvaniljeekstrakt smaken i melk og unflavored vann, blir resultatene plottet på respektive behandling grafen hvis behandling median er høyere og større betydning (p <0,025) for hver følelser. Tilstedeværelse av en linje indikerer en signifikant forskjell (p <0,025) ved den bestemte tidspunkt hvor median er høyere, mens fravær av en linje indikerer ingen forskjell på et bestemt tidspunkt (p> 0,025). Vanilje ekstrakt smak i melk (A) viser gjerne like før 5 sek (blå linje) mens unflavored vann (B) viser mer trist rundt 2 - 2,5 og 5 sek (grønn linje) (p <0,025). Klikk her for å vise en større versjon av dette tallet.
Figur 12. Tidsserier grafer av klassifiserte følelser basert på automatiserte ansikts expression analysedata enn 5,0 sekunder sammenligner salte smaken i melk og unflavored vann. Basert på sekvensiell sammenkoblede metriske Wilcoxon tester mellom salte smaken i melk og unflavored vann (baseline), er resultatene plottet på respektive behandling grafen hvis behandling median er høyere og større signifikans (p <0,025) for hver følelser. Tilstedeværelse av en linje indikerer en signifikant forskjell (p <0,025) ved den bestemte tidspunkt hvor median er høyere, mens fravær av en linje indikerer ingen forskjell på et bestemt tidspunkt (p> 0,025). Salte smaken i melk (A) har betydelig avsky fra 3 - 5 sekunder (rød linje) mens unflavored vann (B) har avsky i begynnelsen (crimson linje) og mer nøytral fra 2 - 5 sekunder (rød linje) (p <0,025 ). klikk her for å se en større versjon av dette tallet.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Afea program i litteratur knyttet til mat og drikke er svært begrenset 1-11. Søknaden til mat er ny, og skaper en mulighet for å etablere metodikk og data tolkning. Arnade (2013) 7 funnet høy individuell variasjon blant enkelte følelsesmessig reaksjon på sjokolademelk og hvit melk kan bruke under kurven analyse og analyse av varians. Men selv med deltaker variabilitet, deltakere generert en lykkelig svar lengre mens trist og kvalm hadde kortere tid respons 7. I en separat studie med høye og lave konsentrasjoner av grunnsmaker, Arnade (2013) 7, fant at forskjellene i emosjonell respons blant grunnsmaker samt mellom to nivåer av grunnleggende smaksintensitet (høy og lav intensitet), var ikke så viktig som forventet, for derved å stille spørsmål ved nøyaktigheten av strøm afea metodikk og dataanalyse. Sensorisk evaluering av mat og drikke er en kompleks og dynamic respons prosess 30. Tidsmessige endringer kan forekomme gjennom muntlig behandling og svelger dermed potensielt påvirke aksept av stimuli over tid 30. Av denne grunn kan det fordelaktig å måle evaluator reaksjon gjennom hele spise erfaring. Spesifikke muntlige saksbehandlingstid har vært foreslått (første kontakt med tungen, tygging, svelging, etc.) 31, men ingen er standardisert og tider er i stor grad avhengig av prosjektet og forskerens skjønn 30.
Den foreslåtte følelsesmessige tidsserieanalyse var i stand til å detektere emosjonelle endringer og statistiske forskjeller mellom kontroll (ikke-smakssatt vann) og respektive behandlinger. Videre kan emosjonelle profiler forbundet med aksept hjelp i påvente av atferd knyttet til mat og drikke. Resultatene viser at skjelnes tid trender serien finnes med Afea relatert til smaker i melk (figur 10 11 og 12). Tidsserieanalyse hjelper til å skille mat aksept på tvers av en befolkning ved å integrere preget følelser (figur 10, 11 og 12) samt støtte hedonic aksept trender (figur 9). Leitch et al. 8 observerte forskjeller mellom søtningsmidler og vannet ved hjelp av referansetidsserieanalyse (5 sekunder), og også funnet at utnyttelse av tidsserie-grafer gitt for bedre tolkning av data og resultater. Videre kan følelsesmessige endringer observeres over tid og emosjonelle respons behandlings forskjeller kan bestemmes ved ulike tidspunkt eller intervaller. For eksempel, Leitch et al. 8 observert at tilnærmingen følelser (sinte, glade og overrasket) ble observert mellom de kunstige søtningsmiddel-vann sammenligninger, men ble observert ved forskjellige tider over hele observasjonsvindu 5 sek. Derimot,Leitch et al. 8 ikke etablere retningen på uttrykk, noe som gjør det vanskelig å forstå den følelsesmessige forskjellen mellom kontroll (vann) og behandling (usøtet te) ved hjelp av deres grafisk tolkning og presentasjon. Den modifiserte og forbedret tidsserieanalyse metodikk presentert i vår studie gir mulighet for statistisk forskjell retningen. Retningen og resultatene plotting tillater forskere å visualisere hvor statistisk relevante følelsesmessige endringer skjer over den valgte tidsrammen.
Redusere videoanalysefeil er avgjørende for å oppnå gyldige data og effektivt ved hjelp av tid og personalressurser. Kritiske trinn og feilsøkingstrinnene i protokollen omfatter optimalisere deltaker sensoriske miljø (lys, video kameravinkel, stolhøyde, grundige deltaker-instruksjoner, etc.). Også deltakerne bør screenes og ekskludert dersom de faller inn i en programvare incompatibility kategori (dvs. tykk innrammet briller, tungt skjeggete ansikter og hudtone) (figur 2). Disse faktorene vil påvirke Afea passform modellering, følelsesmessig kategorisering, og data utgang. Dersom en vesentlig del av en deltaker datautgang består av "FIT_FAILED" og "FIND_FAILED", bør data revurderes for inkludering i tidsserieanalyse (figur 1). Tidsserieanalyse kan ikke benyttes hvis datautgang loggfiler hovedsakelig inneholder "FIT_FAILED" og "FIND_FAILED" som dette er dårlige data (figur 1). Skygging i ansiktet på grunn av belysning innstillinger kan alvorlig hemme videoopptak kvalitet, noe som resulterer i dårlig videosamlingen. For å unngå intens skygge, er diffus frontal belysning ideell mens lysintensiteten eller fargen er ikke like relevant 20. Intens overhead belysning bør reduseres så det kan fremme skygger i ansiktet 20. En mørk bakgrunn bakdeltaker anbefales 20. Det er foreslått fra Afea programvareprodusenten for å plassere oppsettet foran et vindu for å ha diffust dagslys belysning 20. Også, hvis du bruker en PC-skjerm, to lamper kan plasseres på hver side av ansiktet på brukeren for belysning og skyggereduksjon 20. I tillegg kan profesjonelle foto lys brukes til å motvirke uønsket miljø belysning 20. Til syvende og sist er det opp til skjønn av forsker, individuell protokoll / metodikk, og miljøet for å styre belysning for fangst. Det anbefales å diskutere datafangst miljøet og verktøy med programvareleverandøren før kjøp og installasjon. Videre stol høyde og kameravinkel er viktig å justere individuelt for hver deltaker. Deltakeren skal være behagelig, men på en høyde hvor kameraet er rett i ansiktet. Et forsøk på å redusere kameravinkelen på forsiden er oppfordret til å optimalisere AFEA videoopptak. Til slutt er det viktig å gi verbale instruksjoner til deltakerne før prøvetaking. Deltaker oppførsel under videoopptak kan begrense datainnsamlingen på grunn av ansikts okklusjon, bevegelser, og kamera unngåelse.
For deltaker utvalgsstørrelsen som trengs for en studie, forfatterne anbefaler en avstand på 10 til 50 deltakere. Selv om et lite antall vil gi nesten ingen statistisk styrke, er minst 2 deltakere som trengs generelt for tidsserieanalyse. Deltaker variabiliteten er høy, og i de tidlige stadiene av denne forskningen er det ingen veiledning å tilby, med utvalgsstørrelsen. Prøvestørrelsen vil variere avhengig av smaksstoffer, smaksintensitet, og forventet behandling akseptabilitet. Prøver med mindre smaksforskjeller vil kreve flere deltakere. Den 30 andre kontrollerte prøveperioden omfatter et tidsrom tilstrekkelig for hele prøvetaking evalueringsperioden (dvs. viser indeksen kortet, åpne en prøve (fjerne lokket), forbruketsjon, og følelsesmessig fangst). Hele 30 sekunder, er ikke brukt i dataanalysen. Fordelen med dette betegnet 30 andre opptakstiden er at forskeren kan bestemme den relevante beregningstiden som skal brukes i dataanalysen. Den 30 andre tidsvinduet kan bistå i å velge en tidsramme av interesse under et video prøve mens koding eller Timestamping videoer. Til syvende og sist er det tidsvinduet opp til skjønn av forskeren. I vårt eksempel har vi brukt 5 sek prøvetaking vindu post-forbruk. Videre definerer den foreliggende metoden som tid null når prøvekoppen ikke lenger tetter flaten (koppen på haken). Det er kritisk viktig å redusere tiden mellom forbruk og prøvekopp ansikts okklusjon grunn av korte og skiftende følelser. På grunn av prøvekoppen ansikts okklusjon den første tiden hvor prøven kommer i kontakt med tungen er upålitelige data (se figur 1). Derfor er det punkt hvor koppen ikke lenger tetter ansiktet den optimale recommendation. Tidsstempler må være konsekvent for alle deltakere. Fargen kortet er en praktisk måte for forskere å identifisere behandlinger i videoen og markere den aktuelle tidsrammen (tid null) for prøve evaluering. Farge kortene er spesielt nyttig hvis behandlinger er i tilfeldig rekkefølge, og fungere som en ekstra validering av prøven identifikasjon i kontinuerlig video.
Begrensninger av denne teknikken finnes som deltakerne kan ikke følge retninger eller uunngåelig skygge på deltakerens ansiktet kan føre til ansikt fit modell feil (figur 2). Men de foreslåtte kritiske trinn tilbyr måter å redusere og redusere disse forstyrrelser. I tillegg vil tidsserieanalyse ikke lese eksportert loggfiler med filer overveiende inneholder "FIT_FAILED" og "FIND_FAILED" (figur 1). Disse filen ikke kan berges, og vil ikke være i stand til å bli inkludert i tidsserieanalyse. Også forbruket av mat og driGES fremdeles kan endre ansiktsformen på en slik måte for å forvrenge den emosjonelle kategoriseringen. Harde eller chewy matvarer krever omfattende kjeve bevegelse. Bruk av et sugerør og tilhørende suger, fører også ansikts okklusjon (strå) og forvrenger ansiktet (suger). Denne observasjonen er basert på foreløpige data fra vårt laboratorium forskning. Programvaren ansikts-modellen kan ikke skjelne forskjellene mellom tygge (eller suge) og motoriske uttrykk knyttet til emosjonell kategorisering. Med mat og drikke prøver, mulighet for ansikts okklusjon er høyere enn for visning av videoer og bilder. Deltagere må ta prøven til ansiktet og fjern beholderen fra ansiktet slik avbryter programmet modell og potensielt redusere verdifull emosjonell informasjon (se figur 1). Som nevnt tidligere, følelser skje raskt og for en kort varighet. Det er viktig å redusere ansikts okklusjon i et forsøk på å fange følelser. Den foreslåtte methodollogi gjør behandlings sammenligninger på trettindedel av et sekund å finne endringer i følelsesmessige mønstre og endringer i emosjonelle varighet over tid. Med den foreslåtte metodikken, mønstre av emosjonell lang levetid er viktig. Dessverre, kan emosjonelle kategorisering problemer oppstår. Mest spesielt er det et problem å kategorisere glad og avsky 6, 9, 32, 33, 34. Ofte er dette på grunn av deltakerne maske sin avsmak eller overrasket følelse av smilende 6, 32, 33, 34 som kan være på grunn av en "sosial displayet regelen "32. Videre er Afea programvaren begrenset til syv følelsesmessige kategorier (nøytral, glad, trist, redd, overrasket, sint og kvalm). Emosjonell respons på mat og drikke kan være mer komplisert enn dagens Afea klassifisering av universelle følelser og kategorisering kan være annerledes i respons til en mat eller drikke stimuli. Manuell koding ved hjelp FACS har blitt brukt til gustofacial og olfactofacial svar på grunnleggende smaker oget utvalg av lukt og viste seg å være følsom nok til å påvise behandlingsforskjeller i forhold til AU 32. FACS er kjedelig og veldig tidkrevende, men det timelige anvendelsen av fravær eller tilstedeværelse av AU kan være nyttig for å bistå med komplekse svar som Afea ikke kan klassifisere riktig eller om følelsesmessige resultatene er uventet. Mens tidsserier av data gjør det mulig for å oppstå ansikts klassifikasjoner samtidig og med betydelig uttrykk, bør det utvises forsiktighet med å oversette resultatene til én følelser på grunn av følelsesmessig kompleksitet.
Den foreslåtte metodikk og dataanalyse teknikk kan anvendes for andre drikkevarer og myk mat. Afea programvare var i stand til å identifisere følelser til flavored og unflavored prøver. Den foreslåtte metodikken og tidsmessig analyse kan hjelpe med å karakter implisitte svar og dermed gi nye fremskritt i emosjonelle reaksjoner og atferd av en befolkning knyttet til mat. Fremtidige anvendelser av ther teknikken kan utvide til andre drikke kategorier eller myk mat. Vi har vist metodikk for å oppnå videoopptak for emosjonell respons og dataanalyse metodikk. Vi har som mål å skape en standard tilnærming for både emosjonell Afea fangst og emosjonell tidsserieanalyse. Metoden tilnærmingen har vist suksess i vår forskning. Vi håper å kunne utvide og anvende denne tilnærmingen for å vurdere følelsesmessig reaksjon på matvarer og drikkevarer og forholdet til valg og atferd.
Subscription Required. Please recommend JoVE to your librarian.
Materials
| Name | Company | Catalog Number | Comments |
| 2% Reduced Fat Milk | Kroger Brand, Cincinnati, OH or DZA Brands, LLC, Salisbury, NC | na | for solutions |
| Drinking Water | Kroger Brand, Cincinnati, OH | na | for solutions |
| Imitation Clear Vanilla Flavor | Kroger Brand, Cincinnati, OH | na | for solutions |
| Iodized Salt | Kroger Brand, Cincinnati, OH | na | for solutions |
| FaceReader 6 | Noldus Information Technology, Wageningen, The Netherlands | na | For Facial Analysis |
| Sensory Information Management System (SIMS) 2000 | Sensory Computer Systems, Berkeley Heights, NJ | Version 6 | For Sensory Data Capture |
| Rhapsody | Acuity Brands Lighting, Inc., Conyers, GA | For Environment Illumination | |
| R Version | R Core Team 2015 | 3.1.1 | For Statistical Analysis |
| Microsoft Office | Microsoft | na | For Statistical Analysis |
| JMP | Statistical Analysis Software (SAS) Version 9.2, SAS Institute, Cary, NC | na | For Statistical Analysis |
| Media Recorder 2.5 | Noldus Information Technology, Wageningen, The Netherlands | na | For capturing participants sensory evaluation |
| Axis M1054 Camera | Axis Communications, Lund, Sweden | na | |
| Beverage | na | Beverage or soft food for evaluation |
References
- De Wijk, R. A., Kooijman, V., Verhoeven, R. H. G., Holthuysen, N. T. E., De Graaf, C. Autonomic nervous system responses on and facial expressions to the sight, smell, and taste of liked and disliked foods. Food Qual Prefer. 26 (2), 196-203 (2012).
- De Wijk, R. A., He, W., Mensink, M. G. J., Verhoeven, R. H. G., De Graaf, C. ANS responses and facial expression differentiate between the taste of commercial breakfast drinks. PLoS ONE. 9 (4), 1-9 (2014).
- He, W., Boesveldt, S., De Graaf, C., De Wijk, R. A. Behavioural and physiological responses to two food odours. Appetite. 59 (2), 628 (2012).
- He, W., Boesveldt, S., De Graaf, C., De Wijk, R. A. Dynamics of autonomic nervous system responses and facial expressions to odors. Front Psychol. 5 (110), 1-8 (2014).
- Danner, L., Sidorkina, L., Joechl, M., Duerrschmid, K. Make a face! Implicit and explicit measurement of facial expressions elicited by orange juices using face reading technology. Food Qual Prefer. 32 (2014), 167-172 (2013).
- Danner, L., Haindl, S., Joechl, M., Duerrschmid, K. Facial expression and autonomous nervous system responses elicited by tasting different juices. Food Res Int. 64 (2014), 81-90 (2014).
- Arnade, E. A. Measuring consumer emotional response to tastes and foods through facial expression analysis [thesis]. , Virginia Tech. Blacksburg. 1-187 (2013).
- Leitch, K. A., Duncan, S. E., O'Keefe, S., Rudd, R., Gallagher, D. L. Characterizing consumer emotional response to sweeteners using an emotion terminology questionnaire and facial expression analysis. Food Res Int. 76, 283-292 (2015).
- Crist, C. A., et al. Application of emotional facial analysis technology to consumer acceptability using a basic tastes model. Technical Abstracts and Proceedings of the 2014 Institute of Food Technologists Annual Meeting, 2014 Jun 21 - 24, New Orleans, LA, , (2014).
- Garcia-Burgos, D., Zamora, M. C. Facial affective reactions to bitter-tasting foods and body mass index in adults. Appetite. 71 (2013), 178-186 (2013).
- Garcia-Burgos, D., Zamora, M. C. Exploring the hedonic and incentive properties in preferences for bitter foods via self-reports, facial expressions and instrumental behaviours. Food Qual Prefer. 39 (2015), 73-81 (2015).
- Lewinski, P., Fransen, M. L., Tan, E. S. H. Predicting advertising effectiveness by facial expressions in response to amusing persuasive stimuli. J. Neurosci. Psychol. Econ. 7 (1), 1-14 (2014).
- Ekman, P., Friesen, W. V. Facial action coding system: A technique for the measurement of facial movement. , Consulting Psychologists Press. Palo Alto, California. (1978).
- Viola, P., Jones, M. Rapid object detection using a boosted cascade of simple features. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern. 1, 511-518 (2001).
- Sung, K. K., Poggio, T. Example-based learning for view-based human face detection. IEEE Trans. Pattern Anal. Mach. Intell. 20 (1), 39-51 (1998).
- FaceReader 5™ Technical Specifications. , Noldus Information Technology. Wageningen, The Netherlands. Available from: http://www.webshop.noldus.com/media/techspec/facereader _techspec.pdf (2014).
- Cootes, T., Taylor, C. Statistical models of appearance for computer vision: Technical report. , University of Manchester, Wolfson Image Analysis Unit, Imaging Science and Biomedical Engineering. (2000).
- Bishop, C. M. Neural networks for pattern recognition. , Oxford University Press. New York. (1995).
- Lewinski, P., den Uyl, T. M., Butler, C. Automated facial coding: validation of basic emotions and FACS AUs in FaceReader. J. Neurosci. Psychol. Econ. 7 (4), 227-236 (2014).
- Noldus Information Technology. FaceReader Reference Manual Version 6. , Wageningen, The Netherlands. (2014).
- Alves, N. T., Fukusima, S. S., Aznar-Casanova, J. A. Models of brain asymmetry in emotional processing. Psychol Neurosci. 1 (1), 63-66 (2008).
- Costello, M., Clark, S. Preparation of samples for instructing students and staff in dairy products evaluation (Appendix F). The sensory evaluation of dairy foods. Clark, S., Costello, M., Drake, M., Bodyfelt, F. , 2nd, Springer. New York. 551-560 (2009).
- Porcherot, C., et al. How do you feel when you smell this? Optimization of a verbal measurement of odor-elicited emotions. Food Qual Prefer. 21, 938-947 (2010).
- Warrenburg, S. Effects of fragrance on emotions: Moods and physiology. Chem. Senses. 30, i248-i249 (2005).
- Bredie, W. L. P., Tan, H. S. G., Wendin, K. A comparative study on facially expressed emotions in response to basic tastes. Chem. Percept. 7 (1), 1-9 (2014).
- Wendin, K., Allesen-Holm, B. H., Bredie, L. P. Do facial reactions add new dimensions to measuring sensory responses to basic tastes? Food Qual Prefer. 22, 346-354 (2011).
- Rosenstein, D., Oster, H. Differential facial responses to four basic tastes in newborns. Child Dev. 59 (6), 1555-1568 (1988).
- Rosenstein, D., Oster, H. Differential facial responses to four basic tastes in newborns. What the face reveals: Basic and applied studies of spontaneous expression using the facial action coding system (FACS). P, E. kman, E, R. osenberg , Oxford University Press, Inc. New York. 302-327 (1997).
- Rozin, P., Fallon, A. E. A perspective on disgust. Psychol. Rev. 94 (1), 23-41 (1987).
- Delarue, J., Blumenthal, D. Temporal aspects of consumer preferences. Curr. Opin. Food Sci. 3, 41-46 (2015).
- Sudre, J., Pineau, N., Loret, C., Marin, N. Comparison of methods to monitor liking of food during consumption. Food Qual Prefer. 24 (1), 179-189 (2012).
- Weiland, R., Ellgring, H., Macht, M. Gustofacial and olfactofacial responses in human adults. Chem. Senses. 35 (9), 841-853 (2010).
- Ekman, P. Universal and cultural differences in facial expressions of emotion. Nebraska symposium on motivation. Cole, J. , University of Nebraska Press. Lincoln (NE). 207-283 (1971).
- Griemel, E., Macht, M., Krumhuber, E., Ellgring, H. Facial and affective reactions to tastes and their modulation by sadness and joy. Physiol Behav. 89 (2), 261-269 (2006).
