Summary
Ett protokoll för att fånga och statistiskt analysera känslomässig reaktion av en befolkning på drycker och flytande livsmedel i en sensorisk bedömning laboratorium som använder automatiserad ansiktsuttryck analysprogram beskrivs.
Introduction
Automatiserad ansiktsuttryck analys (Afea) är en prospektiv analysverktyg för att karakterisera känslomässiga reaktioner på drycker och livsmedel. Emotionell analys kan lägga till en extra dimension till befintliga sensorik metoder, utvärderingsmetoder mat och hedonisk skala betyg typiskt användas både i forskning och industri inställningar. Emotionell analys skulle kunna ge ytterligare mått som visar en mer exakt svar på livsmedel och drycker. Hedonic scoring kan inkludera deltagare fördomar på grund av underlåtenhet att spela reaktioner 1.
Afea forskning har använts i många forskningsansökningar, inklusive dataspel, användarnas beteende, utbildning / pedagogik och psykologi studier på empati och bedrägeri. De flesta livsmedels tillhörande forskning har fokuserat på att karakterisera känslomässig reaktion på livsmedelskvalitet och mänskligt beteende med mat. Med den senaste trenden i att få insikter mat beteenden, en växande mängd litteraturrapporter användning av Afeaför att karakterisera den mänskliga känslomässig reaktion i samband med livsmedel, drycker och luktämnen 1-12.
Afea härleds från Facial Action kodifiering (FACS). Ansikts åtgärder kodsystem (FACS) diskriminerar ansiktsrörelser som kännetecknas av handlingsenheter (AUS) på en 5-gradig intensitetsskalan 13. FACS tillvägagångssätt kräver utbildade omdöme experter, manuell kodning, mycket tid utvärdering, och ger begränsade möjligheter dataanalys. Afea utvecklades som en snabb utvärdering metod för att bestämma känslor. Afea programvara bygger på ansiktsmuskelrörelser, ansikts databaser, och algoritmer för att karakterisera känslomässig reaktion 14-18. Den Afea programvara som används i denna studie nådde en "FACS index för överenskommelse av 0,67 i genomsnitt både Warszawa Set Of emotionella ansiktsuttryck Bilder (WSEFEP) och Amsterdam Dynamic Ansiktsuttryck Set (ADFES), som ligger nära ett standardavtal av 0,70 för manuell kodning "19 20. Dessutom innehåller psykologi litteratur glad, överraskad och arg som "metoden" känslor (mot stimuli) och ledsen, rädd, och upprörda som "tillbakadragande" känslor (bort från obehaglig stimuli) 21.
En begränsning av den nuvarande Afea programvara för att karakterisera känslor förknippade med livsmedel är störningar från ansiktsrörelser i samband med att tugga och svälja samt andra grovmotoriska rörelser, såsom extrema huvudrörelser. Programvaran riktar mindre ansiktsmuskelrörelser, som avser ställning och graden av rörelse, baserad på över 500 muskelpunkter i ansiktet 16,17. Tuggrörelser stör klassificering av uttryck. denna gränsation kan adresseras med flytande livsmedel. Emellertid kan andra metod utmaningar också minska video känslighet och Afea analys inklusive datainsamling miljö, teknik, forskare instruktioner, deltagare beteende och deltagare attribut.
En standardmetod har inte utvecklats och verifierats för optimal videoinspelning och dataanalys med hjälp av Afea för känslomässig reaktion på livsmedel och drycker i en sensorisk bedömning laboratoriemiljö. Många aspekter kan påverka videoinspelning miljö, inklusive belysning, skuggning på grund av belysning, deltagare riktningar, deltagare beteende, deltagare höjd, liksom, kamera höjd, kamera mete och inställningar utrustning. Dessutom dataanalys metoder är inkonsekvent och saknar en standardmetod för bedömning av känslomässig respons. Här kommer vi att visa vårt standardförfarande för att fånga emotionella uppgifter och bearbeta data till meningsfulla resultat med drycker (smaksatt mjölk, unflavored mjölk och unflavored vatten) för utvärdering. Såvitt vi vet bara en vetenskapligt granskad publikation från vårt labb grupp har utnyttjat tidsserier för tolkning av data för känslor analys 8; dock har metoden uppdaterats för vår presenterade metoden. Vårt mål är att utveckla en förbättrad och konsekvent metod för att hjälpa till med reproducerbarhet i en sensorisk bedömning laboratoriemiljö. För demonstration, är syftet med studien modell för att utvärdera om Afea skulle kunna komplettera traditionell hedonic acceptans bedömning av smaksatt mjölk, unflavored mjölk och unflavored vatten. Avsikten med den här videon protokoll är att bidra till att skapa Afea metodik, standardisera videoinspelnings kriterier i en sensorisk bedömning laboratorium (sensorisk monter inställning), och illustrerar en metod för tids emotionella dataanalys av en population.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Etik Statement: Denna studie förhand godkännas av Virginia Tech Institutional Review Board (IRB) (IRB 14-229) före start av projektet.
Varning: försöksperson kräver informerat samtycke före deltagande. Förutom IRB godkännande, samtycke till användning av stillbilder eller videobilder krävs också före släppa några bilder för tryck, video eller grafisk avbildning. Dessutom är födoämnesallergenen avslöjas före testning. Deltagarna ombeds före panelens start om de har några intolerans, allergier eller andra bekymmer.
Obs: Uteslutningskriterier: Automatiserad ansiktsuttryck analys är känslig för tjocka inramade glasögon, kraftigt skäggiga ansikten och hudton. Deltagare som har dessa kriterier är oförenliga med programvara analys på grund av en ökad risk för misslyckade videoklipp. Detta tillskrivs programvarans oförmåga att hitta ansiktet.
1. Provberedning och deltagare Rekrytering
- Förbereda drycken eller mjuklivsmedelsprover.
- Förbereda intensifierade mejeri lösningar med 2% mjölk och föreslagna smaker från Costello och Clark (2009) 22 såväl som andra smaker. Bered följande lösningar: (1) unflavored mjölk (2% lägre fetthalt mjölk); (2) unflavored vatten (dricksvatten); (3) vaniljextrakt smak i mjölk (0,02 g / ml) (oäkta klar vanilj smak); och (4) salt smak i mjölk (0,004 g / ml iodized salt).
Obs: Dessa lösningar används endast i demonstrationssyfte. - Häll halv ounce portioner (~ 15 g) av varje lösning i 2 oz. transparenta provplastkoppar och mössa med färgkodade lock.
Obs: Det rekommenderas att använda genomskinliga koppar; Det är dock upp till forskaren gottfinnande.
- Förbereda intensifierade mejeri lösningar med 2% mjölk och föreslagna smaker från Costello och Clark (2009) 22 såväl som andra smaker. Bered följande lösningar: (1) unflavored mjölk (2% lägre fetthalt mjölk); (2) unflavored vatten (dricksvatten); (3) vaniljextrakt smak i mjölk (0,02 g / ml) (oäkta klar vanilj smak); och (4) salt smak i mjölk (0,004 g / ml iodized salt).
- Rekrytera deltagare från campus eller lokalsamhället att delta i studien.
Obs: Deltagare provstorleken som behövs för en undersökning är upp till de enskilda forskaren. Vi rekommenderar en rad 10 till 50 deltagare. Skaffa ämne medgivande mänsklig före deltagande i studien.
2. Beredning av panel rum för videoinspelning
Obs: Detta protokoll är för datafångst i en sensorisk bedömning laboratorium. Detta protokoll är att göra Afea datafångst användbar för en sensorisk monter inställning.
- Använd individuella bås med en pekskärm framför dem (ansiktshöjd) för att hålla fokus framåt och för att förhindra att titta ner.
- Använd justerbar höjd stolar med ryggstöd.
Obs: Dessa är viktiga för att tillåta deltagarna att justeras vertikalt och placeras i ett lämpligt område för videoinspelning. Använd stationära stolar (ingen rullande funktion) med justerbar rygghöjden stöd så deltagarens rörelser minskar. - Ställ overhead belysning på "100% dagsljus" för optimal ansikts emotionell videoinspelning (belysnings 6504K, R = 206, G = 242, B = 255).
Obs! För att undvika intensiv skuggning, är diffus frontal belysning ideal medan ljusintensiteten eller färg är inte så relevant 20. I slutändan är det upp till de enskilda forskaren, givet protokoll / metodik och miljö för att styra belysning för att fånga. - Anbringa en justerbar kamera ovanför pekskärm för inspelning.
- Använd en kamera med en upplösning på minst 640 x 480 pixlar (eller högre) 20. Diskutera de nödvändiga kamerafunktioner med programvaruleverantör innan köp och installation 20. Obs: Bildformatet är inte viktigt 20.
- Ställ kameran fånga hastighet till 30 bilder per sekund (eller annan standardhastighet) för konsistens.
- Anslut och se media inspelningsprogram är inställd till kameran att spela in och spara deltagare videor.
3. Deltagare justering och verbala anvisningar
- Har bara en deltagare i taget utvärdera proven i den sensoriska monter.
Obs: Testa mer änen deltagare på samma gång kan störa testmiljön och störa koncentrationen av deltagaren eller skapa förspänning. - Vid ankomsten, ge deltagarna muntliga instruktioner om processen och standardrutiner.
- Har deltagarna sitta rakt upp och mot baksidan av stolen.
- Justera stol höjd, stolsläge (avstånd från kameran), och kameravinkeln så att deltagarens ansikte fångas i mitten av videoinspelning, utan skuggor på hakan eller runt ögonen.
Obs! I den sensoriska monter, är deltagarens huvud cirka 20-24 inches bort från kameran och bildskärmen med ansiktet centrerad i kameran video foder. - Instruerar deltagarna att sitta kvar som placeras och fokuserade vänd mot skärmen. Dessutom instruerar deltagarna att avstå från plötsliga rörelser efter prov konsumtion under 30 sek utvärderingsperioden per prov. Instruera deltagaren att förbruka hela drycken eller flytande prov mat och svälja.
- Instruera deltagaren att snabbt flytta provkoppen under hakan och ner till tabell omedelbart efter det att provet är i munnen. Detta för att eliminera ansikts ocklusion. Påminna dem om att hålla tittar mot skärmen.
Obs! Provhållaren för att leverera provet är upp till de enskilda forskaren. En halm eller kopp, kan användas. Oavsett, är initialt ansikts ocklusion oundviklig eftersom ansikte kommer inneslutas eller förvrängd på grund av konsumtion.
- Instruera deltagaren att följa instruktionerna som visas på pekskärmen monitorn. Obs: Instruktioner automatiskt sekvens som programmeras in i automatiserade sensoriska programvara.
4. enskilde deltagaren Process för videoinspelning
- Bekräfta videokamera optimalt fånga deltagarens ansikte medan deltagaren sitterbekvämt i båset (före prov presentation) genom att titta på datorskärmen som videoinspelning visas. Börja inspelningen genom att klicka på inspelningsknappen på datorskärmen.
- Instruera deltagarna att smutta vatten att rengöra sin smak.
- Ge behandlingar en i taget, med början med en baslinje eller kontrollbehandling (unflavored vatten). Identifiera varje prov genom en unik färgade indexkort placeras ovanpå varje prov i samband med prov färgkod för identifiering provbehandling i videoklippet.
Obs: Programmerad vägledning om pekskärm instruerar deltagarna. Instruktionerna direkt deltagaren genom en serie av standardiserade steg för varje prov behandling. - Via pekskärm, rikta deltagaren att:
- Håll upp den tillhörande färgindexkort före konsumtion för providentifiering i videon.
Obs! Färgkarta är ett sätt forskare kan identifiera behandlingar i videon ennd markera lämplig tidsram (tid noll) för provutvärdering. - Efter att hålla kortet kort, placera tillbaka på brickan kortet.
- Helt konsumera provet och vänta i ca 30 sekunder, påtvingade genom den programmerade vägledning på skärmen, medan vänd mot kameran.
Obs! 30 sek kontrollerade samplingsperiod omfattar en tidsperiod tillräcklig för hela utvärderingssamplingsperioden (dvs. visar index kortet, öppnar ett prov (ta bort locket), konsumtion och emotionell fånga). - Ange deras hedoniska godtagbarhet poäng på pekskärm (1 = ogillar extremt, 2 = ogillar mycket, 3 = ogillar måttligt, 4 = ogillar något, 5 = varken gillar eller ogillar, 6 = gillar något, 7 = som måttligt, 8 = som mycket, 9 = som extremt).
- Skölj munnen med dricksvatten innan nästa provprocessen.
- Håll upp den tillhörande färgindexkort före konsumtion för providentifiering i videon.
5. Utvärdera Automatiserade Ansiktsuttryck Analysalternativ
Obs: Många ansiktsuttryck analys program existerar. Programvara kommandon och funktioner kan variera. Det är viktigt att följa tillverkarens anvisningar användar- och referensmanual 20.
- Spara inspelningar i en medieformat och överföra till den automatiserade ansiktsuttryck analysprogram.
- Analysera deltagare videor med automatiserad ansikts- analysprogram.
- Dubbelklicka på ikonen programmet på datorns skrivbord.
- När programmet är öppet, klicka på "File", välj "Ny ...", och välj "Project ..."
- I pop-up fönster, namnge projektet och spara projektet.
- Lägga till deltagare i projektet genom att klicka på "Lägg till deltagare" -ikonen (Person med en (+) tecken). Fler deltagare kan läggas till genom att upprepa detta steg.
- Lägg till deltagarens video till respektive deltagares för analys.
- På vänster sida av skärmen klicka på ikonen för filmrullen with ett plustecken (+) tecknet för att lägga till en video för att analysera.
- Klicka på "förstoringsglaset" under deltagaren av intresse för att surfa på video för att lägga till.
- Analysera videor ram-för-ruta under kontinuerliga inställningar kalibreringsanalys i programvaran.
- Klicka på pennikonen för att justera inställningarna längst ner i fönstret, under "Inställningar" -fliken för varje deltagare video.
- Ställ in "Face Model" General. Ställ in "Jämna klassificeringar" Ja. Ställ in "Sample Rate" till varje ram.
- Ställ in "Bildrotation" till Nej Set "Kontinuerlig kalibrering" till Ja. Ställ in "Selected kalibrering" till None.
- Spara projektinställningar.
- Tryck på ikonen parti analys (samma röda och svarta mål liknande symbol) för att analysera projekt videor.
- Spara resultatet när analysen är klar.
Obs: Andra videoinställningar finns i programmet om researchennes önskemål motiverar en annan analysmetod. - Överväga videor misslyckanden om allvarliga ansikts ocklusioner eller oförmåga att kartlägga ytan kvarstår under den angivna fönstret efter förbrukning (Figur 1). Dessutom, om modellen misslyckas uppgifter kommer att säga "FIT_FAILED" eller "FIND_FAILED" i de exporterade utdatafiler (Figur 2). Detta innebär förlorade data eftersom programvaran inte kan klassificera eller analysera deltagarnas känslor.
Obs: Afea översätter ansiktsmuskelrörelse till neutral, glad, upprörda, ledsen, arg, överraskad och rädd på en skala från 0 (inte uttryckt) till ett (fullt uttryck) för varje känsla.
- Klicka på pennikonen för att justera inställningarna längst ner i fönstret, under "Inställningar" -fliken för varje deltagare video.
- Exportera Afea datautmatningen som loggfiler (.txt) för vidare analys.
- När analyser är klara, exportera hela projektet.
- Klicka på "File", "Export", "Export Projektresultat".
- När ett fönster öppnas, välj platsen där exporten Should sparas och spara loggfilerna (.txt) till en mapp.
- Konvertera varje deltagare log liv till en data kalkylark (CSV eller .xlsx) för att extrahera relevanta data.
- Open data kalkylprogram och välj "Data" -fliken.
- På "Data" fliken i "Hämta externa data" grupp, klicka på "From text".
- I "adressfältet", lokalisera, dubbelklicka på deltagaren textfilen att importera och följ guiden instruktioner.
- Fortsätt exporten för alla relevanta deltagare filer.
- När analyser är klara, exportera hela projektet.
6. Tidsstämpel Deltagare video för dataanalys
- Med hjälp av Afea programvara, manuellt granska varje deltagares video och identifiera efter konsumtion tiden noll för varje prov. Anteckna tidsstämpel i ett data kalkylblad. Post-konsumtion definieras när provkoppen är under deltagarens haka och inte längre octar med de ansiktet.
Notera: Placeringen av tidstämpeln är kritisk för utvärdering. Den punkt där koppen inte längre blockerar ansiktet är den optimala rekommendation och tidsstämplar måste vara konsekventa för alla deltagare. - Spara kalkylarket tidsstämpeldata (CSV) som en referens för att extrahera relevanta data från video.
Obs: Deltagare videoklipp kan också kodas internt i programmet som "Event Märkning".
7. Tidsserie Emotionell Analys
Obs: Tänk på "baseline" att vara kontrollen (dvs unflavored vatten i det här exemplet). Forskaren har förmågan att skapa en annan "baseline behandlings stimulans" eller en "baslinje tid utan stimulans" för parade jämförelser beroende av intresse för utredningen. Den metod som föreslås står för en "default" tillstånd med hjälp av en parad statistisk metod. Med andra ord använder statistisk blockering förfarandet (dvs.en parad test) för att justera för standardutseende för varje deltagare och minskar därför variationen mellan deltagarna.
- Utdrag relevanta data från de exporterade filerna (CSV eller .xlsx).
- Identifiera en tidsram relevanta för studien utvärdering (sekunder).
- extrahera manuellt respektive data (tidsram) från de exporterade deltagande filer konsult deltagaren tidsstämpel (tid noll).
- Samman varje deltagares behandlingsdata (deltagare nummer, behandling, ursprungliga video tid och känslor respons) per känslor (glad, neutral, ledsen, arg, förvånad, rädd och äcklad) för den valda tidsramen (s) i en ny data kalkylblad för framtida analys (Figur 3).
- Fortsätt denna process för alla deltagare.
- Identifiera motsvarande tid noll från tidsstämpel fil för varje deltagare behandling par och justera video tid till en verklig tid "0" för direkt jämförelse (
Obs: Deltagare data samlas i en kontinuerlig video därför varje behandling "tiden noll" är annorlunda (dvs. är unflavored vatten video tiden noll 02: 13,5 och unflavored mjölkvideo tiden noll är 03: 15,4). I figur 4 På grund av de olika behandling "tids nollor", video gånger måste justeras och omgrupperade att börja på "0: 00.0" eller annan standard starttid för att direkt tid jämförelse av behandlings emotionella svarsdata. - För varje deltagare, känslor, och justerad tidpunkt, extrahera den parade behandling (t.ex., unflavored mjölk) och kontrollbehandling (t.ex. unflavored vatten) kvantitativ emotionell poäng. Med andra ord, rikta en deltagares behandling och kontroll tidsserier av svaren för varje känsla (Figur 5).
- Sammanställa alla deltagare information (deltagare, inställda tiden, och parade behandling(T.ex., unflavored vatten och unflavored mjölk) vid varje tidpunkt (figur 6).
Obs: Stegen nedan visar stegen för en parad Wilcox prov för hand. De flesta dataanalys program kommer att göra detta automatiskt. Det rekommenderas att diskutera den statistiska analysen med en statistiker. - När proverna återställs och i linje med nya justerade video gånger, direkt jämföra mellan de känslomässiga resultaten av respektive prov och kontroll (unflavored vatten) med hjälp av sekventiell parade nonparametric Wilcoxon test över deltagarna (Figur 7).
Obs: Den nya tidsförskjutningen av prover kommer att möjliggöra direkt jämförelse inom 5 sekunder efter konsumtion tidsram. Om en parade observation inte finns i en behandling, släpp deltagaren från den tidpunkt jämförelse.- Beräkna skillnaden mellan manöverorganet och den respektive prov för varje parad jämförelse med hjälp av data spreadsheet programvara.
Obs: Jämförelsen kommer att vara beroende av den bildfrekvens vald för emotionell analys i programvaran. Protokollet visar 30 individuella jämförelser per sekund under 5 sekunder (vald tidsram).
Obs: Använd Figur 7 som en referens för kolumner och steg.- Subtrahera värdet av mjölk (t ex, unflavored mjölk) från värdet för kontrollen (t.ex., unflavored vatten) för att bestämma skillnaden. I datakalkyl programvara i en ny kolumn med titeln "Treatment skillnad", anger "= (C2) - (D2)", där "C2" är styr emotionella värden och "D2" är den utvalda behandlings emotionella värden. Fortsätt denna process för alla tidpunkter.
- Beräkna det absoluta värdet av behandlingsskillnaden. I datakalkyl programvara i en ny kolumn anger "= ABS (E2)", där "E2" är behandlingsskillnaden. Fortsätt denna process föralla tidpunkter.
- Bestämma rangordningen av behandlingsskillnaden. I datakalkyl programvara i en ny kolumn anger "= RANG (G2, $ G $ 2: $ G $ 25 1)" där "G2" är den absoluta skillnaden och "1" är "stigande". Fortsätt denna process för alla tidpunkter.
- Bestäm signed rank av rangordningen på kalkylbladet. Ändra tecken till negativ om behandlingen skillnaden var negativ (kolumn I).
- Beräkna den positiva summan (= SUMIF (I2: I25, "> 0", I2: I25) och negativ summa = SUMIF (I2: I25, "<0", I2: I25) av rang värden.
- Bestäm provutfallet. Provningsvärdet är absolutvärdet lägre summa.
- Se statistiska tabeller för Wilcoxon Signed Rankad provutfallet med hjälp av antalet observationer ingår vid varje enskild tidpunkt och en vald alfavärde för att bestämma det kritiska värdet.
- Om provutfallet är mindre än det kritiska värdet avvisa than nollhypotesen. Om den är större, accepterar nollhypotesen.
- Beräkna skillnaden mellan manöverorganet och den respektive prov för varje parad jämförelse med hjälp av data spreadsheet programvara.
- Plotta resultat på den tillhörande behandlings grafen (dvs unflavored mjölk jämfört med unflavored vatten) för de tidpunkter då nollhypotesen förkastas. Använd tecknet på skillnaden för att bestämma vilken behandling har större känslor (Figur 8).
- I datakalkyl programvara, skapa en graf med hjälp av värdena i närvaro eller frånvaro av betydelse.
- Klicka på "Infoga" -fliken.
- Välj "Line"
- Högerklicka på grafen rutan.
- Klicka på "Välj data" och följ instruktionerna på skärmen för att välja och graf relevanta uppgifter (Figur 8).
Obs: Diagrammen kommer skildra emotionella resultat där provet eller kontrollen är högre och signifikant. Diagram beroende, är den känsla högre vid den specifika tiden tillåter förmågan att urskilja hur deltagarnas känslorutvecklas under fem andra tidsperioden mellan två prover.
Obs: Statistikstöd med en statistiker rekommenderas att extrahera relevanta data. Utveckling av statistisk kodning krävs för att analysera känslomässiga resultat.
- I datakalkyl programvara, skapa en graf med hjälp av värdena i närvaro eller frånvaro av betydelse.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Metoden föreslår ett standardprotokoll för Afea datainsamling. Om föreslagna protokoll steg följs, oanvändbara emotionell datautgång (Figur 1) till följd av insamling dålig data (Figur 2: A; vänstra bilden) kan vara begränsad. Tidsserieanalys kan inte användas om loggfiler (.txt) innehåller huvudsakligen "FIT_FAILED" och "FIND_FAILED" eftersom detta är dåliga data (Figur 1). Vidare innefattar metoden ett protokoll för direkt statistisk jämförelse mellan två behandlingar av känslomässig datautgång över en tidsram för att etablera en känslomässig profil. Tidsserieanalys kan ge känslomässiga trender över tid och kan ge ett mervärde dimension hedoniska acceptans resultat. Dessutom kan tidsserieanalys visar förändringar i känslomässiga nivåer över tiden, vilket är värdefullt under äta erfarenhet.
(Figur 9). Hedoniska resultat dra slutsatsen att det inte fanns några acceptansskillnader mellan unflavored mjölk, unflavored vatten och vaniljextrakt smak i mjölk. Men Afea tidsserieanalys indikerade unflavored mjölk genereras mindre upprörda (p <0,025; 0 sek), överraskade (p <0,025; 0-2,0 sek), mindre ledsen (p <0,025; 2,0-2,5 sek) och mindre neutral (p <0,025; ~ 3,0-3,5 sek) svar än gjorde unflavored vatten (Figur 10). Dessutom, vaniljextrakt smak i mjölk infört mer glada uttryck strax före 5,0 sekunder (p <0,025) och mindre ledsen (p <0,025; 2,0-3,0 och 5,0 sek) än unflavored vatten (Figur 11). Vanilj, såsom en doft, har associerats med termerna "avspänd", "lugn", "lugnade", "lycka", &# 34;. Välbefinnande "," positivt överraskad "23 och" trevlig "24 salt smak i mjölk hade lägre (p <0,05) menar hedoniska acceptans poäng (ogillade måttligt) (Figur 9) och salt smak i mjölk genererat mer avsmak (p <0,025) senare (3,0-5,0 sek) än unflavored vatten (Figur 12). Intensiv salt har förknippats med avsky och överraskade 25, 26. Men vissa studier uppgav att salta smak inte framkallar ansikts svar 7, 27 -29.
Figur 1. Exempel på suboptimal datafångst på grund av deltagare inkompatibilitet med Afea programvara resulterar i förlust av rå emotionella svarsdata punkter i de exporterade utdatafiler [FIT_FAILED; FIND_FAILED]. Video fel inträffar när allvarliga ansikts ocklusioner eller oförmåga att kartlägga ansiktet Persi m under den angivna efter konsumtion fönstret. Klicka här för att se en större version av denna siffra.
Figur 2. Exempel på suboptimal datafångst på grund av deltagare programvara modellering. Figuren visar suboptimal datafångst på grund av deltagare programvara modellering inkompatibilitet och misslyckande ansikte kartläggning för att bestämma känslomässig reaktion (A). Exempel på framgångsrik passform modellering och förmåga att fånga deltagarens känslomässig reaktion (B). Klicka här för att se en större version av denna siffra.
6fig3.jpg "/>
Figur 3. Exempel på extraherade deltagardata sammanställts i ett nytt data kalkylblad. Deltagare data (deltagare nummer, behandling, ursprungliga video tid och känslor svar) identifieras per känslor (glad, neutral, ledsen, arg, förvånad, rädd och äcklad ) för den valda tidsramen (sekunder). Detta kalkylblad används för efterföljande analyser. Klicka här för att se en större version av denna siffra.
Figur 4. Exempel på extraherade deltagare data som sammanställts för efterföljande analys. De extraherade deltagardata (A1 och B1) sammanställs (A2 och B2), grafiskt (A3 och B3) och linje (A4 och B4) som en visuell för direkt jämförelse. respective tiden noll för styrning (A4: Förvånad Unflavored vatten) och behandling (B4: Förvånad Unflavored mjölk) visas för att jämföra de förvånade emotionella resultat. Detta exempel visar och identifierar motsvarande tid noll från tidsstämpel fil för varje deltagare behandling par. Klicka här för att se en större version av denna siffra.
.. Figur 5. Exempel på extraherade deltagardata med justerade tidsram Den extraherade deltagare data presenteras med justerad tidsram med en verklig "tid noll" (A1 och B1) gör det möjligt att tidsinställningen för direkt jämförelse mellan en kontroll (A: Förvånad unflavored vatten) och en behandling (B2: Förvånad Unfla vored Milk) (A2 och B2). Detta exempel visar och identifierar motsvarande sanna "tiden noll" (justerat) från tidsstämpel fil för varje deltagare behandling par. Klicka här för att se en större version av denna siffra.
Figur 6. Exempel på processen för att sammanställa alla deltagares data. Deltagaren, justerade tid, och parade behandling (t.ex., unflavored vatten och unflavored mjölk) vid varje tidpunkt sammanställs för att förbereda för statistisk analys. Klicka här för att se en större version av denna siffra.
es / ftp_upload / 54046 / 54046fig7.jpg "/>
Figur 7. Data kalkyl exempel jämföra en kontroll (Unflavored Water) och en behandling (Unflavored mjölk) under användning av Wilcoxon test över deltagare vid en specifik tidpunkt. Figuren representerar en direkt jämförelse mellan de känslomässiga resultaten av ett respektive prov och kontroll (unflavored vatten ) med hjälp av sekventiell parade icke-parametriska Wilcoxon test över deltagarna. klicka här för att se en större version av denna siffra.
Figur 8. Exempel på datakalkyl att plotta resultat om (p <0,025) på den tillhörande behandlings grafen (dvs unflavored mjölk jämfört med unflavored vatten). Resultat av sekventiell parade icke-parametriska Wilcoxon test över DELTAGAREnätter plottas för de tider där nollhypotesen förkastas. Klicka här för att se en större version av denna siffra.
Figur 9. Genomsnittlig acceptans (hedoniska) massor av unflavored vatten, unflavored mjölk, vaniljextrakt smak i mjölk och salt smak i mjölkdryck lösningar. Acceptans baserades på en 9-punkts hedonisk skala (1 = ogillar extremt, 5 = varken gillar eller motvilja, 9 = som extremt, medelvärde +/- SD) 1. Behandlingen innebär med olika upphöjda skiljer sig avsevärt tycke (p <0,05). Unflavored mjölk, unflavored vatten och vaniljextrakt smak i mjölk var inte annorlunda (p> 0,05) i genomsnittliga acceptans poäng och bedömdes som "gillade något". Salt smak i mjölk hade en lägre (p <0,05) menar acceptans poäng (ogillade måttligt). Klicka här för att se en större version av denna siffra.
Figur 10. Tidsserie grafer av sekretessbelagda känslor på automatiserade ansikts uppgifter expressionsanalys över 5,0 sekunder jämför unflavored mjölk och unflavored vatten. Baserat på sekventiella parade icke-parametriska Wilcoxon test mellan unflavored mjölk och unflavored vatten (baslinje), är resultaten plottas på respektive behandlings grafen om behandling median är högre och större signifikans (p <0,025) för varje känsla. Förekomst av en rad anger en signifikant skillnad (p <0,025) vid varje enskild tidpunkt där medianen är högre, medan frånvaro av en rad innebär ingen skillnad vid en viss tidpunkt (p> 0,025). Frånvarolinjer i unflavored mjölk (A) visar ingen emotionell kategorisering jämfört med unflavored vatten (p <0,025) över 5,0 sekunder. I unflavored vatten (B), känslomässiga resultat jämfört med unflavored mjölk avslöja äcklad (crimson linje) vid 0 sek, överraskade (orange linje) sker mellan 0-1,5 sek, ledsen (grön linje) inträffar cirka 2,5 sekunder, och neutral (röd line) inträffar cirka 3 -. 3,5 sek (p <0,025) klicka här för att se en större version av denna siffra.
Figur 11. Tidsserie grafer av sekretessbelagda känslor baserade på automatiserade ansikts uppgifter expressionsanalys under 5,0 sekunder jämför vaniljextrakt smak i mjölk och unflavored vatten (baslinje). Baserat på sekventiell parade icke-parametriska Wilcoxon test mellanvaniljextrakt smak i mjölk och unflavored vatten, resultat plottas på respektive behandlings grafen om behandling median är högre och större signifikans (p <0,025) för varje känsla. Förekomst av en rad anger en signifikant skillnad (p <0,025) vid varje enskild tidpunkt där medianen är högre, medan frånvaro av en rad innebär ingen skillnad vid en viss tidpunkt (p> 0,025). Vaniljextrakt smak i mjölk (A) visar glad strax före fem sekunder (blå linje) medan unflavored vatten (B) visar mer ledsen omkring 2-2,5 och 5 sek (grön linje) (p <0,025). Klicka här för att se en större version av denna siffra.
Figur 12. Tidsserie grafer av sekretessbelagda känslor baserade på automatiserade ansikts Expresuppgifter sionen analys över 5,0 sekunder jämför salt smak i mjölk och unflavored vatten. Baserat på sekventiella parade icke-parametriska Wilcoxon test mellan salt smak i mjölk och unflavored vatten (baslinje), är resultaten plottas på respektive behandlings grafen om behandling median är högre och större signifikans (p <0,025) för varje känsla. Förekomst av en rad anger en signifikant skillnad (p <0,025) vid varje enskild tidpunkt där medianen är högre, medan frånvaro av en rad innebär ingen skillnad vid en viss tidpunkt (p> 0,025). Salt smak i mjölk (A) har betydande avsky från 3 - 5 sekunder (crimson linje) medan unflavored vatten (B) har avsky i början (crimson linje) och mer neutral från 2 - 5 sekunder (röd linje) (p <0,025 ). klicka här för att se en större version av denna siffra.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Afea ansökan litteratur med anknytning till mat och dryck är mycket begränsad 1-11. Ansökan till mat är nytt, att skapa en möjlighet för att fastställa metod och tolkning av data. Arnade (2013) 7 hittade hög individuell variation bland individuella känslomässig reaktion på chokladmjölk och vit mjölk med hjälp område under kurvan analys och variansanalys. Men även med deltagare variabilitet deltagare genererade en lycklig svar längre medan ledsen och upprörda hade kortare svarstid 7. I en separat studie med höga och låga koncentrationer av grundsmakerna, Arnade (2013) 7, fann att skillnaderna i känslomässig reaktion bland grundsmakerna samt mellan två nivåer av grundläggande smakintensitet (hög och låg intensitet), var inte så stor som väntat, vilket därigenom ifrågasätta noggrannheten hos aktuella Afea metodik och dataanalys. Sensorisk utvärdering av livsmedel och drycker är en komplex och dynamic svar process 30. Temporala förändringar kan ske genom oral behandling och svälja därmed potentiellt påverka acceptansen av stimuli över tiden 30. Av denna anledning, kan det fördelaktigt att mäta utvärderaren svar genom hela äta erfarenhet. Specifika orala behandlingstiderna har föreslagits (initial kontakt med tungan, tugg, svälja, etc.) 31, men ingen är standardiserade och tider är till stor del beroende på projektet och forskarens bedömning 30.
Den föreslagna emotionell tidsserieanalys kunde upptäcka känslomässiga förändringar och statistiska skillnader mellan kontroll (unflavored vatten) och respektive behandlingar. Dessutom kan emotionella profiler i samband med acceptans lätta förutse beteende i samband med livsmedel och drycker. Resultaten visar att skiljas tidsserie trender finns med Afea i samband med smaker i mjölk (figur 10 11, och 12). De tidsserieanalys hjälper till att skilja mat acceptans över en befolkning genom att integrera karakteriseras känslor (Figur 10, 11 och 12) samt stödja hedoniska acceptans trender (Figur 9). Leitch et al. 8 observerade skillnader mellan sötningsmedel och vatten baslinjen med hjälp av tidsserieanalys (5 sek), och fann också att användningen av tidsseriediagram föreskrivs bättre tolkning av data och resultat. Dessutom kan känslomässiga förändringar observeras över tiden och emotionella svar behandlingsskillnader kan bestämmas vid olika tidpunkter eller intervall. Till exempel al. Leitch et 8 konstaterade att tillfarts känslor (arg, glad och överraskad) observerades mellan de artificiella sötningsmedel-vatten jämförelser men observerades vid olika tidpunkter under 5 sek observationsfönstret. Dock,Leitch et al. 8 inte fastställa riktningen på uttryck, vilket gör det svårt att förstå den känslomässiga skillnaden mellan kontrollen (vatten) och behandling (osötad te) använder sin grafiska tolkning och presentation. Den modifierade och förbättrade tidsserier metodik analysen i vår studie möjliggör statistisk skillnad rikt. Riktningen och resultat plottning tillåter forskare att visualisera där statistiskt relevanta känslomässiga förändringar sker över den valda tidsramen.
Minska videoanalys misslyckanden är nödvändigt för att uppnå giltiga data och effektivt med tid och personella resurser. Kritiska steg och felsökningssteg i protokollet omfattar optimera deltagaren sensoriska miljö (belysning, video kameravinkel, stol höjd, noggranna deltagare vägledningsinstruktioner, osv). Dessutom bör deltagarna screenas och uteslutas om de faller in i en Software Incompatibility kategori (dvs, tjocka inramade glasögon, kraftigt skäggiga ansikten och hudton) (Figur 2). Dessa faktorer kommer att påverka Afea fit modellering, emotionell kategorisering och datautgång. Om en betydande del av en deltagares datautgång består av "FIT_FAILED" och "FIND_FAILED" bör uppgifter omvärderas för att ingå i tidsserieanalys (Figur 1). Tidsserieanalys kan inte användas om datautgång loggfiler innehåller övervägande "FIT_FAILED" och "FIND_FAILED" eftersom detta är dåliga data (Figur 1). Skuggning i ansiktet på grund av ljusinställningar kan allvarligt hämma videoinspelning kvalitet, vilket resulterar i dålig videosamling. För att undvika intensiv skuggning, är diffus frontal belysning perfekt medan ljusintensiteten eller färg är inte så relevant 20. Intensiv takbelysning bör minskas eftersom det kan främja skuggor i ansiktet 20. En mörk bakgrund bakomdeltagare rekommenderas 20. Det föreslås från Afea programtillverkaren för att placera inställningen framför ett fönster för att få diffust dagsljus belysning 20. Även om du använder en datorskärm, två lampor kan placeras på endera sidan av användarens ansikte för belysning och skugga minskning på 20. Dessutom kan professionella fotoljus användas för att motverka icke önskvärd miljö belysning 20. I slutändan är det upp till de enskilda forskaren, givet protokoll / metodik och miljö för att styra belysning för att fånga. Det rekommenderas att diskutera datafångstmiljön och verktygen med programvaruleverantör innan köp och installation. Dessutom stol höjd och kameravinkel är viktigt att anpassa individuellt för varje deltagare. Deltagaren bör vara bekväm men på en höjd där kameran är rakt i ansiktet. Ett försök att minska kameravinkeln på ansiktet uppmuntras för att optimera AFEA videoinspelning. Slutligen är det absolut nödvändigt att ge muntliga instruktioner till deltagarna före provtagning. Deltagare beteende under videoinspelning kan begränsa datainsamlingen på grund av ansikts ocklusion, rörelser och kamera undvikande.
För deltagare provstorleken som behövs för en undersökning, författarna rekommenderar mellan 10 till 50 deltagare. Även om ett litet antal kommer att ge nästan ingen statistisk styrka, är åtminstone 2 deltagare krävs i allmänhet för tidsserieanalys. Deltagare variationen är hög, och i de tidiga stadierna av denna forskning finns det ingen vägledning att erbjuda med provstorleken. Urvalsstorleken varierar beroende på smaker, smakintensitet och förväntade behandlings acceptans. Prover med mindre smakskillnader kommer att kräva fler deltagare. 30 andra styrda samplingsperiod omfattar en tidsperiod tillräcklig för hela provtagningsutvärderingsperioden (dvs visar index kortet, öppnar ett prov (ta bort locket), konsumtiontion, och emotionell fånga). Hela 30 sekunder används inte i dataanalys. Fördelen med detta betecknas 30 andra fånga tid är att forskaren kan bestämma den aktuella utvärderingstiden som skall användas i dataanalys. 30 andra tidsfönster kan hjälpa till att välja en tidsram på ränta under en video prov medan kodning eller tidstämpling videoklipp. Ytterst är det tidsfönster upp till de enskilda forskaren. I vårt exempel har vi använt 5 sek samplingsfönster efter konsumtion. Vidare definierar den nuvarande metoden tiden noll när provkoppen inte längre blockerar ansiktet (cup på hakan). Det är mycket viktigt att minska tiden mellan konsumtion och provkopp ansikts ocklusion på grund av att informera och förändrade känslor. På grund av att provkopp ansikts ocklusion den initiala tids där provet kommer i kontakt med tungan är otillförlitliga uppgifter (se figur 1). Därför den punkt där koppen inte längre ockluderar ansiktet är den optimala rekomendationn. Tidsstämplar måste vara konsekvent för alla deltagare. Färgkarta är ett bekvämt sätt för forskare att identifiera behandlingar i videon och markera lämplig tidsram (tid noll) för provutvärdering. De färgkartor är särskilt användbart om behandlingar i slumpmässig ordning och fungera som en extra validering av providentifiering i den kontinuerliga video.
Begränsningar av denna teknik existerar som deltagare får inte följa anvisningar eller oundviklig skuggning på deltagarens ansikte kan orsaka ansiktet fit modell misslyckanden (Figur 2). Men de föreslagna kritiska stegen erbjuda sätt att mildra och minska dessa störningar. Dessutom kommer tidsserieanalys inte läsa exporterat loggfiler med filer främst innehåller "FIT_FAILED" och "FIND_FAILED" (Figur 1). Dessa fil kan inte räddas och kommer inte att kunna tas med i tidsserieanalys. Även konsumtionen av mat och BeveraGES fortfarande kan förändra ansiktsstrukturen på ett sådant sätt att snedvrida den emotionella kategorisering. Hårda eller sega livsmedel kräver omfattande käken rörelse. Användning av en sugrör och tillhörande sugande, orsakar också ansikts ocklusion (halm) och förvränger ansiktet (sugande). Denna observation baseras på preliminära uppgifter från vårt laboratorium forskning. Programvaran ansikts modellen kan inte urskilja skillnaderna mellan tugg (eller suga) och motor uttryck i samband med känslomässig kategorisering. Med mat och dryck prover, är högre än tittar på video och bilder möjlighet till ansikts ocklusion. Deltagarna måste ta provet i ansiktet och ta bort behållaren från ansiktet därmed avbryta programvarumodellen och potentiellt minska värdefull emotionell information (se figur 1). Som tidigare nämnts, känslor ske snabbt och för en kort tid. Det är viktigt att minska ansikts ocklusion i ett försök att fånga känslor. Den föreslagna methodolnik gör behandlingsjämförelser på en trettiondel av en sekund för att hitta förändringar i känslomässiga mönster och förändringar i känslomässig varaktighet över tid. Med den föreslagna metoden, mönster av känslomässiga livslängd är viktiga. Olyckligtvis kan emotionella kategoriserings problem uppstå. Framför allt finns det ett problem att kategorisera glad och avsky 6, 9, 32, 33, 34. Ofta beror detta på deltagarna maskera sin avsmak eller förvånad känsla genom att le 6, 32, 33, 34 som kan bero på en "social visningsregel "32. Vidare är Afea programvara begränsad till sju emotionella kategorier (neutrala, glad, ledsen, rädd, överraskad, arg och äcklad). Känslomässig reaktion på livsmedel och drycker kan vara mer komplicerad än den nuvarande Afea klassificering av universella känslor och kategorisering kan vara annorlunda som svar på en mat eller dryck stimuli. Manuell kodning med hjälp av FACS har tillämpats på gustofacial och olfactofacial svar grundsmaker ochett sortiment av lukter och verkade vara tillräckligt känsliga för att detektera behandlingsskillnader i fråga om att AU 32. FACS är tråkiga och mycket tidskrävande, kan dock tillämpningen i tiden av frånvaro eller närvaro av AU vara användbar för att hjälpa till med komplexa svar som Afea kanske inte klassificera korrekt eller om känslomässiga resultat är oväntade. Medan tidsseriedata möjliggör ansikts klassificeringar ske samtidigt och med betydande uttryck, bör försiktighet iakttas med översätta resultaten till en enda känsla grund av emotionell komplexitet.
Den föreslagna metoden och dataanalysteknik kan tillämpas på andra drycker och mjuk mat. Afea programvara kunde identifiera känslor till smaksatt och icke smaksatta prover. Den föreslagna metoden och tids analys kan hjälpa till med att karakterisera implicita svar vilket ger nya framsteg i känslomässiga reaktioner och beteenden hos en befolkning som rör mat. Framtida tillämpningar av thär teknik kan expandera till andra kategorier drycker eller mjuk mat. Vi har visat metoder för att uppnå videoinspelning för känslomässig respons och dataanalysmetodik. Vi strävar efter att skapa en standardiserad metod för både emotionell Afea fånga och känslomässiga tidsserieanalys. Metoden tillvägagångssätt har visat sig vara framgångsrika i vår forskning. Vi hoppas kunna utöka och tillämpa denna metod för att utvärdera känslomässig reaktion på livsmedel och drycker och förhållandet till val och beteenden.
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).
