Summary
Otomatik yüz ifadesi analizi yazılımı kullanılarak bir duyusal değerlendirme laboratuvarda içecekler ve sıvılaştırılmış gıdalar bir nüfusun duygusal tepki yakalama ve istatistiksel analiz etmek için bir protokol tarif edilmektedir.
Introduction
Otomatik yüz ifadesi analizi (AFEA) içecek ve yiyeceklere duygusal tepkiler karakterize etmek için bir potansiyel analitik bir araçtır. Mevcut duyusal bilim metodolojileri, gıda değerlendirme uygulamaları ve hedonik skala değerlendirmesi için fazladan bir boyut ekleyebilirsiniz Duygusal analiz genellikle araştırma ve endüstri ortamlarında ikisi de kullanılır. Duygusal analiz yiyecek ve içeceklere daha doğru bir tepki ortaya ek bir metrik sağlayabilir. Reaksiyonları 1 kayıt hatası nedeniyle Hedonik puanlama katılımcı önyargı içerebilir.
AFEA araştırma bilgisayar oyunları, kullanıcı davranışı, eğitim / pedagoji ve empati ve aldatma üzerine psikoloji çalışmaları da dahil olmak üzere birçok araştırma uygulamalarında kullanılmaktadır. Çoğu gıda ile ilişkili araştırma gıda kalitesi ve gıda ile insan davranışları duygusal tepki karakterize odaklanmıştır. Gıda davranışları içgörüler kazanıyor son trend ile, edebiyat raporları büyüyen bir vücut Afea kullanımıyiyecek, içecek ve koku 1-12 ile bağlantılı insan duygusal tepki karakterize etmek için.
AFEA Yüz Hareket Kodlama Sistemi (FACS) elde edilir. Yüz eylem kodlama sistemi (FACS) 5 puanlık bir yoğunluk ölçeğinde 13 eylem birimlerinin (AUS) ile karakterize yüz hareketleri ayrımcılık. FACS yaklaşım, eğitimli yorum uzmanları, manuel kodlama, önemli değerlendirme zamanı gerektirir ve sınırlı veri analizi seçenekleri sağlar. AFEA duyguları belirlemek için hızlı bir değerlendirme yöntemi olarak geliştirilmiştir. AFEA yazılım duygusal tepki 14-18 karakterize etmek yüz kas hareketi, yüz veritabanları ve algoritmalar kullanır. Bu çalışmada kullanılan AFEA yazılım Duygusal Yüz İfade Resimleri Varşova Set (WSEFEP) ve 0.70 standart bir anlaşmaya yakın (ADFES) Set Amsterdam Dinamik Yüz İfade, hem de ortalama 0.67 anlaşmanın bir "FACS endeksi ulaştı manuel kodlama "19 için 20 dile getirdi. Buna ek olarak, psikoloji literatürü korkmuş ve (uzak caydırıcı uyaranlara) 21 "çekilme" duyguların olarak tiksinti, mutlu şaşırttı ve öfkeli "yaklaşımı" duyguların olarak (uyaranlara doğru) ve üzgün içerir.
gıdalar ile ilişkili duyguları tanımlamak için geçerli AFEA yazılımı biri sınırlama çiğneme ve yutma yanı sıra aşırı baş hareketleri gibi diğer kaba motor hareketleri ile ilişkili yüz hareketlerinden müdahaledir. Yazılım yüzünde 16,17 üzerinde 500'den fazla kas noktaları dayalı küçük yüz kas hareketleri, ilgili pozisyon ve hareket derecesi, hedefler. Çiğneme hareketleri ifadeleri sınıflandırılması müdahale. Bu sınırtirme sıvılaştırılmış gıdalar kullanarak ele alınabilir. Ancak, diğer yöntem zorluklar da veri toplama çevre, teknoloji, araştırmacı talimatları, katılımcı davranış ve katılımcı öznitelikleri gibi video duyarlılık ve AFEA analizi azaltabilir.
Standart bir metodoloji geliştirdi ve optimum video yakalama ve duyusal değerlendirme laboratuar ortamında yiyecek ve içeceklerin duygusal tepki için Afea kullanarak veri analizi için doğrulanmadı. Pek çok açıdan aydınlatma, katılımcı yön, katılımcı davranış, katılımcı yüksekliği, yanı sıra, kamera yüksekliği, kamera olta balıkçılığı ve ekipman ayarları nedeniyle gölgeleme, ışıklandırma dahil video yakalama ortamı etkileyebilir. Ayrıca, veri analizi metodolojileri tutarsız ve duygusal tepki değerlendirmek için standart bir metodoloji eksikliği. Burada, (içecekler kullanılarak anlamlı sonuçlara duygusal verileri ve işlem verileri yakalamak için bizim standart işletim prosedürü gösterecektiraromalı süt, değerlendirme için tatlandırılmamış süt ve tatlandırılmamış su). Bildiğimiz kadarıyla tek hakemli yayın için laboratuar grubundan, duygular analizi 8 veri yorumlama için zaman serileri kullanmıştır; Ancak, yöntem, bizim sunulan yöntem için güncellendi. Amacımız duyusal değerlendirme laboratuar ortamında tekrarlanabilirliği ile yardımcı olmak için geliştirilmiş ve tutarlı bir metodoloji geliştirmektir. gösteri için, çalışma modelinin amacı AFEA aromalı süt, tatlandırılmamış süt ve tatlandırılmamış su geleneksel hedonik kabul edilebilirlik değerlendirmesi ek eğer değerlendirmektir. Bu video protokolü niyeti, AFEA metodolojisi kurulmasına yardımcı bir duyusal değerlendirme laboratuvarda video yakalama kriterlerini (duyusal stand ayarı) standardize ve nüfusun zamansal duygusal veri analizi için bir yöntem göstermektir.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Etik Beyanı: Bu çalışma öncesinde projeye başlamadan Virginia Tech Kurumsal Değerlendirme Kurulu (KİK) (KİK 14-229) tarafından önceden kabul edildi.
Dikkat: İnsan denekli araştırma katılımı öncesinde bilgilendirilmiş onam gerektirir. Hareketsiz ya da video görüntülerinin kullanımı için IRB onayı, izni yanı sıra, aynı zamanda baskı, video veya grafik görüntüleme için herhangi bir görüntü bırakmadan önce gereklidir. Buna ek olarak, gıda alerjenleri testten önce anlatılmıştır. Onlar herhangi bir uyumsuzluğun, alerji veya başka endişeleriniz varsa Katılımcılar paneli başlamadan önce istenir.
Not: Dışlama Kriterleri: Otomatik yüz ifadesi analizi kalın çerçeveli gözlük, ağır sakallı yüzler ve cilt tonunu duyarlıdır. Bu kriterlere sahip Katılımcılar nedeniyle başarısız videoları riskinin artmasına yazılım analizi ile uyumlu değildir. Bu yüzü bulmak için yazılımın yetersizlik atfedilir.
1. Numune Hazırlama ve Katılımcı alımı
- içecek veya yumuşak hazırlayınGıda örnekleri.
- Costello ve Clark (2009) 22% 2 süt kullanılarak süt çözümleri yoğun ve önerilen lezzetleri yanı sıra diğer tatlar hazırlayın. aşağıdaki çözümleri hazırlayın: (1) tatlandırılmamış süt (% 2 yağı azaltılmış sütlü); (2) unflavored su (içme suyu); süt (3) vanilya özü lezzet (0.02 gr / ml) (imitasyon açık vanilya aroması); süt ve (4) tuzlu tat (gr / ml iyotlu tuz 0.004).
Not: Bu çözümler yalnızca gösterim amacıyla kullanılır. - 2 oz her bir çözümün yarısı ons alikotları (~ 15 g) dökün. renk kodlu kapaklı şeffaf plastik numune kapları ve kap.
Not: şeffaf bardak kullanılması tavsiye edilir; Ancak, araştırmacının takdirine kalmıştır.
- Costello ve Clark (2009) 22% 2 süt kullanılarak süt çözümleri yoğun ve önerilen lezzetleri yanı sıra diğer tatlar hazırlayın. aşağıdaki çözümleri hazırlayın: (1) tatlandırılmamış süt (% 2 yağı azaltılmış sütlü); (2) unflavored su (içme suyu); süt (3) vanilya özü lezzet (0.02 gr / ml) (imitasyon açık vanilya aroması); süt ve (4) tuzlu tat (gr / ml iyotlu tuz 0.004).
- kampüs veya yerel toplumdan Acemi katılımcılar çalışmaya katılmak için.
Not: Bir çalışma için gerekli Katılımcı örneklem büyüklüğünün araştırmacının takdirine kalmıştır. Biz 10 50 katılımcıların bir dizi tavsiye ediyoruz. çalışmaya katılmadan önce insan konu izin alın.
Video Capture Panel Room 2. Hazırlık
Not: Bu protokol bir duyusal değerlendirme laboratuvarda veri yakalama içindir. Bu protokol, duyusal stant ayarı için AFEA veri yakalama kullanışlı kılmaktır.
- ileri onların odak tutmak ve aşağı seyir önlemek için onları (yüz seviyesi) önünde bir dokunmatik ekranı ile bireysel kabinleri kullanın.
- Sırt desteği ile ayarlanabilir yükseklik sandalyeler kullanın.
Not: Bu katılımcılar dikey olarak ve video yakalama için uygun bir aralıkta yerleştirilmesine izin vermek için gereklidir. katılımcının hareketleri azalır, böylece ayarlanabilir arka yükseklik desteği ile sabit sandalyeler (hiçbir haddeleme özelliği) kullanın. - (R = 206 G = 242, B = 255 Aydınlatıcı 6504K) optimum yüz duygusal video çekimi için "% 100 gün ışığı" olarak havai aydınlatma ayarlayın.
Not: Yoğun gölgeleme önlemek için, yaygın ön aydınlatma ide olduğunual ışık şiddeti veya renk 20 gibi ilgili değil ise. Sonuçta, bu yakalama aydınlatma kontrol etmek için araştırmacı, bireysel protokol / metodoloji ve çevre takdirine kalmıştır. - Kayıt için dokunmatik ekranı üzerinde ayarlanabilir bir kamera yapıştırın.
- En az 640 x 480 piksel (veya üstü) 20 çözünürlüğe sahip bir kamera kullanın. Satın alma ve kurulum 20 önce yazılım sağlayıcısı ile gerekli kamera yetenekleri tartışın. Not:-boy oranı 20 önemli değildir.
- tutarlılık için ikinci (veya diğer standart hız) 30 kare Kamera yakalama hızını ayarlayın.
- Bağlayın ve kayıt yazılımı kaydetmek ve katılımcı videoları kaydetmek için kamera ayarlanmış ortam sağlamak.
3. Katılımcı Ayarı ve Sözel Tarifi
- Bir seferde sadece bir katılımcı duyusal standında örnekleri değerlendirmek var.
Not: daha fazla testAynı anda bir katılımcı test ortamında müdahale ve katılımcı konsantrasyonunu bozacak veya önyargı yaratabilir. - Girişte, katılımcılara süreç ve standart çalışma prosedürleri hakkında sözlü talimatlar vermesi.
- Katılımcılar yukarı doğru ve sandalyenin arkasına oturmak zorunda.
- katılımcının yüzü çene veya göz çevresinde hiçbir gölgeler, video kayıt merkezinde yakalanan şekilde koltuk yüksekliği, sandalye (kameradan mesafe) pozisyonunu ve kamera açısını ayarlayın.
Not: Duyusal standında, katılımcının baş kabaca 20, - 24 santim uzakta kamera ve kamera video beslemesi merkezli yüzüyle monitörden. - konumlandırılmış ve monitör ekranı dönük odaklı olarak talimat katılımcılar oturmuş kalması. Ayrıca, numune başına 30 saniye değerlendirme döneminde sonrası örnek tüketim herhangi bir ani hareketlerden kaçınmaları katılımcıların söyleyin. Tüm içecek veya sıvılaştırılmış gıda örneği tüketmek ve yutmak için katılımcı bilgilendirin.
- Örnek ağzına sonra hızla hemen masaya çene altına ve aşağı numune kabı taşımak için katılımcı bilgilendirin. Bu yüz oklüzyonu ortadan kaldırmaktır. Monitörün doğru aramaya devam etmelerini hatırlatın.
Not: örnek sunmak için numune taşıyıcı araştırmacı takdirine kalmıştır. Bir saman veya kap kullanılabilir. Yüz tıkanmış veya tüketimi nedeniyle bozuk olacak, çünkü ne olursa olsun, ilk yüz tıkanma kaçınılmazdır.
- onlar dokunmatik ekranı göründükleri gibi yönergeleri izleyin katılımcı bilgilendirin. Not: Otomatik duyusal yazılımı içine programlanmış olarak Talimatlar otomatik sıralanır.
Video Capture 4. Bireysel Katılımcı Süreci
- katılımcı oturmuş iken onaylayın video kamera optimal katılımcının yüzü yakalamarahat (örnek sunum öncesi) standında video yakalama görüntülendiği bilgisayar monitörü görüntüleyerek. bilgisayar monitöründe kayıt butonuna tıklayarak kayıt başlayın.
- kendi damak temizlemek için yudum su katılımcıların söyleyin.
- Bir başlangıç veya kontrol tedavisi (tatlandırılmamış su) ile başlayan bir seferde bakımlarla bir sağlamak. video içinde örnek tedavi tanımlanması için örnek renk koduna ilişkin her numunenin üstüne yerleştirilir benzersiz renkli dizin kartı ile her bir örnek tanımlayın.
Not: dokunmatik ekranı üzerinde Programlı rehberlik katılımcıları bildirir. talimatlar her tedavi numune için standart bir dizi adım aracılığıyla katılımcının yönlendirin. - dokunmatik ekranı aracılığıyla, katılımcıyı doğrudan:
- video örnek tanımlama için ilişkili renk indeksi kart öncesi tüketimi tutun.
Not: Renk kartı bir yol araştırmacılar, video a tedaviler belirleyebilir olduğunund örnek değerlendirme için uygun bir zaman dilimi (time sıfır) işaretleyin. - kısaca kartı tuttuktan sonra geri tepsiye kartı yerleştirin.
- kameraya doğru bakacak sırasında tamamen, örnek tüketmek ve monitörde programlanmış rehberlik yoluyla uygulanan yaklaşık 30 saniye bekleyin.
Not: 30 sn kontrollü örnekleme periyodu tüm örnekleme değerlendirme dönemi için yeterli bir zaman aralığı kapsar (yani, dizin kartı gösteren bir örnek (kapak kaldırma), tüketimi ve duygusal yakalama açılış). - Biraz gibi, 1 = çok, 2 = çok, 3 = orta derecede sevmediğim sevmediğim sevmediğim (dokunmatik ekranı üzerindeki hedonik kabul edilebilirlik puanı girin 4 = sevmediğim hafif 5 = ne gibi ne sevmediğim 6 = orta derecede gibi 7 = 8 = gibi çok, 9 =) son derece gibi.
- Bir sonraki örnek işleminden önce içme suyu ile ağzınızı çalkalayın.
- video örnek tanımlama için ilişkili renk indeksi kart öncesi tüketimi tutun.
5. Otomatik Yüz İfade Analizi Seçenekleri değerlendirilmesi
Not: Birçok yüz ifadesi analizi yazılım programları mevcuttur. Yazılım komutları ve işlevleri değişebilir. Üreticinin kullanıcı yönergeleri izleyin ve manuel 20 referans önemlidir.
- Bir medya formatında kayıtları kaydetmek ve otomatik yüz ifadesi analizi yazılımı transfer.
- Otomatik yüz analiz yazılımı kullanılarak katılımcı videoları analiz edin.
- Bilgisayarınızın masaüstünde yazılım simgesine çift tıklayın.
- Program açıldığında "... Projesi", "Dosya" tıklayın seçin "Yeni ...", seçin
- açılır penceresinde, proje adı ve projeyi kaydedin.
- (A (+) işareti ile Kişi) "katılımcıları ekleme" simgesine tıklayarak projeye katılımcılarını ekleyin. Daha katılımcılar bu adımı yineleyerek eklenebilir.
- analiz için ilgili katılımcıya katılımcının video ekleyin.
- Ekranın sol tarafındaki film makarası wi simgesinibir artı (+) işareti inci video analiz ekleyin.
- eklemek için videoyu göz ilgi katılımcının altında "büyüteç" tıklayın.
- yazılımda sürekli kalibrasyon analiz ayarları altındaki videoları kare-kare analiz edin.
- Her katılımcı video için "ayarlar" sekmesi altında, pencerenin alt kısmında ayarlarını yapmak için kalem simgesini tıklayın.
- Genel "Yüz Modeli" olarak ayarlayın. Evet "smoothen sınıflandırmaları" olarak ayarlayın. Her çerçeveye ayarla "Sample Rate".
- Evet Hayır Set "Görüntü döndürme" "Sürekli kalibrasyon" olarak ayarlayın. Yok "Seçili kalibrasyon" olarak ayarlayın.
- Proje ayarları kaydedin.
- Proje videoları analiz etmek için toplu analizi simgesine (aynı kırmızı ve siyah hedef gibi sembol) tuşuna basın.
- Analiz tamamlandıktan sonra sonuçları kaydedin.
Not: Diğer video ayarları Researc eğer yazılımında bulunanOnun tercihi başka analiz yöntemi garanti eder. - Ciddi yüz tıkanıklıklar ya da yüz eşleştirmek için yetersizlik belirtilen tüketim sonrası penceresinden (Şekil 1) sırasında devam ederse videolar hataları düşünün. Ayrıca, model, veri ihraç çıktı dosyalarında "FIT_FAILED" ya da "FIND_FAILED" (Şekil 2) diyecekler başarısız olursa. Yazılım sınıflandırmak veya katılımcının duygularını analiz edemez çünkü bu kayıp verileri temsil eder.
Not: AFEA her duygu için (tam ifade edilmiştir) 0'dan 1'e bir ölçekte, nötr mutlu, tiksinti, üzgün, kızgın, şaşırmış ve korkmuş (belirtilmemiştir) ile yüz kaslarının hareketini çevirir.
- Her katılımcı video için "ayarlar" sekmesi altında, pencerenin alt kısmında ayarlarını yapmak için kalem simgesini tıklayın.
- Daha fazla analiz için günlük dosyaları (.txt) olarak AFEA veri çıkışı ihracat.
- analizler tamamlandıktan sonra, bütün projeyi ihracat.
- "Dosya", "Export", "İhracat Proje Sonuçları" tıklayın.
- Bir pencere açıldığında, ihracat shou yerin konumu seçinld kaydedilir ve bir klasöre günlük dosyalarını (.txt) olmak.
- Bir veri e-tabloya her katılımcı günlük yaşamı dönüştürmek (.csv veya .xlsx) ilgili verileri ayıklayın.
- Açık veri tablosu programı ve "Veri" sekmesini seçin.
- "Veri" sekmesinde, "Dış Veri Al" grubunda, "Metin itibaren" butonuna tıklayınız.
- "Adres çubuğuna" bulun, ithal etmek katılımcı metin dosyasını çift tıklatın ve ekran sihirbazı talimatları izleyin.
- ilgili tüm katılımcı dosyaları için ihracat işlemine devam edin.
- analizler tamamlandıktan sonra, bütün projeyi ihracat.
Veri Analizi 6. Damgası Katılımcı Videoları
- AFEA yazılımı kullanarak, el ile her katılımcının videoyu gözden geçirmek ve her bir numune için tüketim sonrası süresini sıfır tespit. Bir veri e-tabloda zaman damgası kaydedin. numune kabı oc artık katılımcının çene altına olduğunda ve tüketim sonrası tanımlanıryüz amaçlandığı.
Not: zaman damgası yerleştirilmesi değerlendirilmesi için önemlidir. fincan artık yüzünü kapayan nokta optimum öneri ve zaman damgaları tüm katılımcılar için tutarlı olması gerekir. - Videolardan ilgili veri ayıklamak için bir referans olarak (.csv) zaman damgası veri tabloyu kaydedin.
Not: Katılımcı videolar da "Olay işaretleme" gibi yazılım dahili kodlanmış olabilir.
7. Zaman Serisi Analizi Duygusal
Not: denetimi (bu örnekte, yani unflavored su) olmak "taban çizgisi" düşünün. araştırmacı farklı bir "temel tedavi uyarıcı" ya da soruşturma çıkarlarına bağımlı eşleştirilmiş karşılaştırma için "uyarıcı olmadan taban süresini" oluşturmak için yeteneğine sahiptir. yöntem eşleştirilmiş bir istatistik testi kullanılarak "varsayılan" devlet için hesapları önerdi. Diğer bir deyişle, işlem istatistik bloke kullanır (yani,bir eşleştirilmiş testi) Her katılımcının varsayılan görünümünü ayarlamak için ve bu nedenle katılımcılar arasında değişkenlik azaltır.
- ihraç dosyaları (.csv veya .xlsx) ilgili verileri ayıklayın.
- Çalışma değerlendirme (saniye) ile ilgili bir zaman çerçevesi belirlemek.
- El ile katılımcı damgası (time sıfır) danışmanlık ihraç katılımcı dosyalarından ilgili verileri (zaman çerçevesi) ayıklayın.
- Yeni bir veri e-tabloya seçin süre (saniye) her katılımcının tedavi verilerini (katılımcı sayısı, tedavi, orijinal video süresi ve duygu tepkisi) duygu başına (mutlu, nötr, üzgün, kızgın, sürpriz, korkmuş ve tiksinti) Derleme gelecek analizi (Şekil 3).
- tüm katılımcılar için bu işleme devam edin.
- (Her katılımcı tedavi çifti için zaman damgası dosyasından gelen zaman sıfır belirlemek ve doğrudan karşılaştırma için gerçek bir zaman "0" video süresini ayarlamak
Not: Katılımcı veri nedenle her tedavi "zaman sıfır" farklı bir sürekli video toplanır (: 13.5 ve tatlandırılmamış süt video zaman sıfır 03 geçerli: yani, tatlandırılmamış su video zaman sıfır 02 olan 15.4). Şekil 4'te farklı nedeniyle tedavi duygusal tepki verilerinin doğrudan zaman karşılaştırma için sırayla: "00.0 0" veya diğer standart başlangıç saati tedavisi "zaman sıfır", Video süreleri yeniden ayarlanması ve başlatmak için realigned gerekir. - Her bir katılımcı, duygu ve ayarlanan zaman noktası için, eşleştirilmiş tedavi (örneğin, tatlandırılmamış süt) ve kontrol tedavisi (örneğin, tatlandırılmamış su) kantitatif duygusal puan ayıklayın. Diğer bir deyişle, her duygu (Şekil 5) için tepkilerin bir katılımcının tedavi ve kontrol zaman serisini hizalayın.
- tüm katılımcı bilgileri (katılımcıyı, düzeltilmiş zaman ve eşli tedavi Derleme(Örneğin, tatlandırılmamış su, tatlandırılmamış süt) her bir zaman noktasında (Şekil 6).
Not: Aşağıdaki adımlar elle eşleştirilmiş Wilcox testi için adımları göstermektedir. Çoğu veri analiz yazılımı programları otomatik olarak yapacaktır. Bir istatistikçi ile istatistiksel analiz sürecini görüşmek üzere tavsiye edilir. - Numuneler sıfırlanır ve yeni ayarlanan bir video süreleri ile uyumlu olduğunuzda, doğrudan ilgili bir örnek duygusal sonuçları ve kontrol (tatlandırılmamış su) katılımcılar arasında sıralı eşleştirilmiş parametrik olmayan Wilcoxon testleri kullanılarak (Şekil 7) arasındaki karşılaştırın.
Not: Numunelerin yeni zaman hizalama 5 saniye tüketim sonrası zaman dilimi içinde doğrudan karşılaştırma için izin verecektir. eşleştirilmiş gözlem bir tedavi mevcut değilse, o zaman noktası karşılaştırma katılımcıyı bırakın.- veri Spreadshe kullanarak her eşleştirilmiş karşılaştırma için kontrol ve ilgili numune arasındaki farkı hesaplayınet yönetim yazılımı.
Not: Karşılaştırma yazılımı duygusal analiz için seçilen kare hızına bağlı olacaktır. protokol 5 saniye (seçilen zaman çerçevesi) için saniyede 30 ayrı karşılaştırmalar göstermektedir.
Not: Kullanım Şekil 7 sütun ve adımlar için bir referans olarak.- Farkı belirlemek için kontrol (örneğin, tatlandırılmamış su) değerinden süt (örneğin, tatlandırılmamış süt) değerini çıkartın. "Tedavi Farkı" başlıklı yeni bir sütun girin "= (C2) - (D2)" veri tablo yönetim yazılımı, "C2" kontrol duygusal değerler ve bir "D2" seçilen tedavi duygusal değerlerdir. tüm zaman noktalarında için bu işleme devam edin.
- Tedavi farkın mutlak değerini hesaplayın. yeni bir sütun veri tablo yönetim yazılımı, "E2" Tedavi Fark "= ABS (E2)" girin. için bu işleme devam edinher zaman puan.
- Tedavi farkı rütbe sırasını belirlemek. yeni bir sütun veri tablo yönetim yazılımı, girin "= RANK (G2, $ G $ 2: $ G $ 25 1)" nerede "G2" Mutlak Fark ve "1", "yükselen" dir. tüm zaman noktalarında için bu işleme devam edin.
- tablo üzerinde rütbe sırasına imzalanmış sırasını belirlemekte. Tedavi fark negatif ise negatif işareti (Sütun I) değiştirin.
- rütbe değerleri I25): I25, "> 0", I2: I25) ve negatif toplam = SUMIF (I2: I25, "<0", I2 pozitif toplamı (= SUMIF (I2 hesaplayın.
- Test istatistiğini belirleyin. Test istatistiği mutlak değer alt toplamıdır.
- gözlemler kritik değerini belirlemek için belirli bir zaman ve seçilen bir alfa değeri dahil sayısını kullanarak Wilcoxon sırada Signed test istatistiği için istatistiksel tablolar başvurun.
- Test istatistiği az ise kritik değer t reddetmek dahao sıfır hipotezi. Eğer büyükse, hipotezini kabul edin.
- veri Spreadshe kullanarak her eşleştirilmiş karşılaştırma için kontrol ve ilgili numune arasındaki farkı hesaplayınet yönetim yazılımı.
- Sıfır hipotezi reddedilir zamanlarda için ilgili tedavi grafiğinde (tatlandırılmamış suya kıyasla, yani unflavored süt) sonuçları grafik. Büyük duygu (Şekil 8) olan tedavi belirlemek için fark işaretini kullanın.
- veri tablo yönetimi yazılımında, varlığı veya önemi yokluğu değerleri kullanarak bir grafik oluşturmak.
- "Ekle" sekmesini tıklayın.
- Seç "Çizgi"
- Doğru grafik kutusuna tıklayın.
- "Veri seçmek" tıklayın ve ekran seçin ve grafik ilgili veri (Şekil 8) ister izleyin.
Not: Örnek veya kontrol daha yüksek ve anlamlı olduğu grafikler duygusal sonuçları canlandıracak. bağımlı grafik, duygu nasıl katılımcının duygularını ayırt yeteneği sağlayan belirli bir zamanda yüksekİki örnek arasındaki 5 saniyelik süre boyunca gelişmeye.
Not: Bir istatistikçi ile İstatistiksel destek son derece alakalı veri ayıklamak için tavsiye edilir. İstatistiksel kodlama geliştirilmesi duygusal sonuçlarını analiz etmek için gereklidir.
- veri tablo yönetimi yazılımında, varlığı veya önemi yokluğu değerleri kullanarak bir grafik oluşturmak.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
yöntem AFEA veri toplama için standart bir protokol önermektedir. Önerilen protokol adımları takip edilirse, kullanılamaz duygusal veri çıkışı zayıf veri toplama kaynaklanan (Şekil 1) (Şekil 2: A; Sol Resim) sınırlı olabilir. Bu kötü veriler (Şekil 1) olduğu gibi günlük dosyaları (.txt) ağırlıklı olarak "FIND_FAILED" "FIT_FAILED" ve içeriyorsa Zaman serileri analizi kullanılan olamaz. Ayrıca, yöntem duygusal profil kurmak için bir zaman çerçevesi içinde duygusal veri çıkışı iki tedavi arasında doğrudan istatistiksel karşılaştırma için bir protokol içerir. Zaman serisi analizi zamanla duygusal eğilimleri sağlayabilir ve hedonik kabul edilebilirlik sonuçlarına katma değer boyut sağlayabilir. Ayrıca, zaman serisi analizi yemek deneyimi sırasında değerli zaman, üzerinde duygusal düzeylerindeki değişiklikleri gösterebilir.
(Şekil 9) "biraz sevdim" olarak değerlendirilmiştir. Hedonik sonuçlar sütte unflavored süt, tatlandırılmamış su ve vanilya özü lezzet arasında herhangi bir kabul edilebilirlik fark olmadığını anlaması. , Sürpriz (p <0.025; 0-2,0 sn), daha az üzgün (p <0.025; 2.0-2.5 sn) ve daha az nötr (p; ancak, AFEA zaman serisi analizi unflavored süt daha az tiksinti (0 sn p <0.025) oluşturulan belirtilen <0.025; ~ unflavored su yaptım daha 3.0-3.5 sn) yanıtları (Şekil 10). Ayrıca, süt vanilya özü lezzet sadece 5,0 saniye (p <0.025) ve daha az üzücü önce daha mutlu ifadeleri tanıttı (p <0.025; 2.0-3.0 ve 5.0 sn) unflavored sudan daha (Şekil 11). Vanilya, bir koku olarak, şartları ile ilişkili olmuştur "rahat",,, "güvence", "mutluluk", "sakin" ve# 34;. Refahı "," hoş "23 ve" sürpriz süt hoş "24 Tuzlu tat düşük (p <0.05) ortalama hedonik kabul edilebilirlik puanları (orta sevmiyordu) (Şekil 9) ve sütte tuzlu lezzet vardı daha nefretle oluşturulan tatlandırılmamış sudan daha (p <0.025), daha sonra (3,0-5,0 sn) (Şekil 12). Yoğun tuzlu nefretle ilişkili ve 25, 26 şaşırttı edilmiştir. Ancak bazı araştırmalar tuzlu tat, 27 yüz yanıtı 7 ortaya olmadığını ifade etmişlerdir -29.
Sub-optimal veri yakalama Şekil 1. Örnek nedeniyle AFEA yazılım FIT_FAILED ihraç çıkış dosyalarının [ham duygusal veri tepki puan kaybı ile sonuçlanan katılımcı uyumsuzluk; Ciddi yüz tıkanıklıklar ya da yetersizlik yüz Persi eşleme zaman FIND_FAILED]. Video hataları meydana Belirtilen tüketim sonrası penceresi sırasında STS. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
Nedeniyle katılımcı yazılım modelleme Şekil sub-optimal veri yakalama 2. Örnek. Figür nedeniyle katılımcı yazılım modelleme uyumsuzluğu ve duygusal tepki (A) belirlemek için yüz haritalama başarısızlık alt-optimal veri yakalama sunuyor. Başarılı uyum modelleme ve katılımcının duygusal tepki (B) yakalamak için yetenek örneği. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
6fig3.jpg "/>
Yeni bir veri e-tabloda derlenen çıkarılan katılımcı verilerinin Şekil 3. Örnek. Katılımcı veri (katılımcı sayısı, tedavi, orijinal video süresi ve duygu tepkisi) duygu (mutlu, nötr, üzgün, kızgın, sürpriz, korkmuş ve tiksinti başına tanımlanır ) seçeneğini süre için (saniye). Bu tablo daha sonraki analizler için kullanılmaktadır. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
Şekil sonraki analiz için derlenmiş çıkarılan katılımcı verilerinin 4. örneği. Çıkarılan katılımcı verileri (A1 ve B1) derlenmiş (A2 ve B2), grafikle (A3 ve B3) doğrudan karşılaştırma için görsel bir şekilde ve hizalanmış (A4 ve B4). resprospektif zaman sıfır kontrol için (A4: Hayrete Unflavored Su) ve tedavi (B4: Hayrete Unflavored Süt) sürpriz duygusal sonuçlarını karşılaştırarak için görüntülenir. Bu örnek temsil eder ve her katılımcı tedavi çifti için zaman damgası dosyasından gelen zaman sıfır tanımlar. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
.. Düzeltilmiş zaman diliminde ile ekstre katılımcı verilerinin Şekil 5. Örnek çıkarılan katılımcı verileri "zaman sıfır" gerçek (A1 ve B1) ile ayarlanan zaman çerçevesi ile sunulan zaman ayarı kontrol (A arasında doğrudan karşılaştırma için izin verir: Hayrete unflavored Su) ve bir tedavi (B2: Hayrete Unfla vored süt) (A2, B2). Bu örnek temsil eder ve her katılımcı tedavi çifti için zaman damgası dosyasından karşılık gelen gerçek "zaman sıfır" (düzeltilmiş) tanımlar. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
Tüm katılımcıların verilerini derlemek için sürecin Şekil 6. Örnek. Katılımcı, düzeltilmiş zaman ve eşleştirilmiş tedavi (örneğin, tatlandırılmamış su ve tatlandırılmamış süt) her zaman noktasında istatistiksel analize hazırlanmak için derlendi. Bir görmek için buraya tıklayınız Bu rakamın daha büyük bir versiyonu.
ES / ftp_upload / 54.046 / 54046fig7.jpg "/>
Şekil 7. Veri tablo örneği denetimi (Unflavored Su) ve belirli bir zaman noktasında katılımcılar arasında Wilcoxon testleri kullanılarak tedavi (Unflavored Süt) karşılaştıran. Figür ilgili bir örnek ve kontrol duygusal sonuçlar arasındaki doğrudan karşılaştırma (tatlandırılmamış suyu temsil ) katılımcılar arasında nonparametrik Wilcoxon testleri eşleştirilmiş sıralı kullanarak. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
Veri elektronik tablonun Şekil 8. Örnek (yani, tatlandırılmamış süt unflavored suya kıyasla) ilişkili tedavi grafikte sonuçları ise (p <0.025) grafiğini oluşturmak için. Sıralı sonuçları Katılımcılığı genelinde nonparametrik Wilcoxon testleri eşleştirilmişNTS sıfır hipotezi reddedilir kez grafikle. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
Şekil 9. kabul edilebilirliğini ortalama unflavored su (hedonik) skorları, tatlandırılmamış süt, kabul edilebilirliği 9 puanlık hedonik ölçekte dayanmaktadır. Süt içecek çözümleri süt ve tuzlu lezzet vanilya aroması (1 = sevmediğim son derece 5 = ne gibi ne beğenmeme, son derece gibi 9 =; ortalama +/- SD) 1. farklı üst önemli ölçüde (p <0.05) sevme farklılık ile tedavi anlamına gelir. Unflavored süt, sütteki unflavored su ve vanilya özü lezzet ortalama kabul edilebilirlik puanları (p> 0.05) değil, farklı ve "biraz sevdim" olarak değerlendirilmiştir. Sütteki tuzlu lezzet daha düşük (p vardı <0.05)) orta sevmiyordu kabul edilebilirlik puanları (ort. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
Şekil tatlandırılmamış süt ve tatlandırılmamış su. Unflavored süt ve tatlandırılmamış su (başlangıç) arasında sıralı eşleştirilmiş parametrik olmayan Wilcoxon testleri dayanarak karşılaştıran 5,0 saniye içinde otomatik yüz ifadesi analizi verilerine gizli duyguların 10. Zaman serisi grafikleri, sonuçları ilgili tedavi grafik üzerinde işaretlenir tedavi medyan yüksek ve her duygu için daha anlamlı bulundu (p <0.025) arasında ise. <(0.025 bir çizgi olmaması belirli bir zaman noktasında p) hiçbir fark gösterir iken, ortanca yüksektir belirli bir zaman noktasında (0.025 bir çizgi varlığı anlamlı fark p)> gösterir. yokluktatlandırılmamış süt çizgileri (A) 5.0 saniyenin üzerinde tatlandırılmamış su (p <0.025) ile karşılaştırıldığında hiçbir duygusal sınıflandırmayı ortaya koymaktadır. Üzgün (yeşil hat) yaklaşık 2.5 sn, ve nötr (kırmızı oluşur 1,5 sn - unflavored su (B), duygusal sonuçları şaşırttı, 0 sn unflavored süt ortaya koymaktadır tiksinti (kırmızı çizgi) ile karşılaştırıldığında (turuncu hat) 0 arasında oluşur hat) yaklaşık 3 oluşur -. 3.5 sn (p <0.025) , bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
Süt ve tatlandırılmamış su (başlangıç). Sıralı dayanarak vanilya özü lezzet karşılaştıran 5,0 saniye içinde otomatik yüz ifadesi analizi verilerine dayanarak gizli duyguların Şekil 11. Zaman serisi grafikleri arasındaki parametrik olmayan Wilcoxon testleri eşleştirilmişsüt ve tatlandırılmamış suda vanilya özü lezzet, sonuçlar tedavi ortanca yüksek ise söz konusu tedavi grafik üzerinde çizilen ve her duygu için daha anlamlı bulundu (p <0.025) arasında. <(0.025 bir çizgi olmaması belirli bir zaman noktasında p) hiçbir fark gösterir iken, ortanca yüksektir belirli bir zaman noktasında (0.025 bir çizgi varlığı anlamlı fark p)> gösterir. 2.5 ve 5 sn (yeşil hat) (p <0.025) -. Süt (A) vanilya özü lezzet sadece unflavored su (B) yaklaşık 2 daha üzücü görüntüler ise 5 sn (mavi çizgi) önce mutlu gösteren bir görüntülemek için tıklayınız Bu rakamın daha büyük bir versiyonu.
Otomatik yüz Expres dayalı gizli duyguların Şekil 12. Zaman serisi grafikleriTedavi medyan yüksek ve daha büyük ise süt ve tatlandırılmamış su. süt ve tatlandırılmamış su (başlangıç) tuzlu lezzet arasındaki ardışık eşleştirilmiş parametrik olmayan Wilcoxon testleri dayanarak tuzlu tat karşılaştıran sion analiz verileri 5.0 saniye boyunca, sonuçları ilgili tedavi grafik üzerinde işaretlenir her duygu için önemi (p <0.025). <(0.025 bir çizgi olmaması belirli bir zaman noktasında p) hiçbir fark gösterir iken, ortanca yüksektir belirli bir zaman noktasında (0.025 bir çizgi varlığı anlamlı fark p)> gösterir. 5 saniye (kırmızı çizgi) (p <0.025 - unflavored su (B) başlangıç (kırmızı hat) de tiksinti ve 2 daha nötr sahipken 5 saniye (kırmızı çizgi) - süt (A) tuzlu lezzet 3'ten anlamlı tiksinti vardır ). Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Yiyecek ve içecek ile ilgili literatürde AFEA uygulama 1-11 derece sınırlıdır. Gıda uygulama yöntemi ve veri yorumlama kurmak için bir fırsat yaratmak, yeni. Arnade (2013) 7 çikolatalı süt ve eğri analizi ve varyans analizi altındaki alanı kullanarak beyaz süt bireysel duygusal tepki arasında yüksek bireysel değişkenlik bulundu. Üzgün ve tiksinti kısa zaman yanıtı 7 varken Ancak, hatta katılımcı değişkenliği ile katılımcılar uzun mutlu bir tepki oluşturdu. Ayrı bir çalışmada temel tatları yüksek ve düşük konsantrasyonları kullanılarak, Arnade (2013) 7, duygusal temel tatlar arasında tepki yanı sıra temel tat yoğunlukları (yüksek ve düşük yoğunluk), iki arasındaki düzeylerinde farklılıklar olarak anlamlı değildi bulundu beklendiği gibi, bu suretle mevcut AFEA metodolojisi ve veri analizi doğruluğunu sorgulayan. yiyecek ve içecek duyusal değerlendirme karmaşık ve dyna olduğunumikrofon tepkisi süreci 30. Geçici değişiklikler ağız işleme boyunca ve potansiyel zaman 30 uyaranlara kabul edilebilirliğini etkileyen ve böylece yutma oluşabilir. Bu nedenle, yararlı tüm yemek deneyimi boyunca değerlendirici tepkisini ölçmek için olabilir. Spesifik sözlü işlem süreleri 31 (dil, çiğneme, yutma, vb ile ilk temas) öne sürülmüştür, ancak hiçbiri standart ve süreleri proje ve araştırmacının takdirine 30 büyük ölçüde bağlıdır.
Önerilen duygusal zaman serisi analizi duygusal değişiklikler ve kontrol (tatlandırılmamış su) ve ilgili tedaviler arasında istatistiksel farklılıkları tespit etmeyi başardı. Ayrıca, kabul edilebilirlik ile ilişkili duygusal profilleri yiyecek ve içeceklerle ilgili davranışı tahmin yardımcı olabilir. Sonuçlar serisi eğilimleri sütte tatlar ilgili AFEA ile mevcut ayırt zaman (10 Rakamlar gösteriyor 11, ve 12). Karakterize duyguları entegre ederek bir nüfusun genelinde gıda kabul edilebilirliği ayırıcı zaman serisi analizi asist (Şekil 10, 11 ve 12) yanı sıra destekleyici hedonik kabul edilebilirlik eğilimleri (Şekil 9). Leitch ve ark., 8 zaman serisi analizi (5 sn) kullanarak tatlandırıcılar ve su taban arasındaki farklılıkları gözlenen ve ayrıca zaman serisi grafikleri kullanım verilerinin ve sonuçların daha iyi yorumlanması için sağladığı bulundu. Ayrıca, duygusal değişiklikler zaman ve duygusal tepki tedavi farklılıkları, değişik zaman noktalarında veya aralıklarla belirlenebilir üzerinde görülebilir. Örneğin, Leitch ve ark., 8 yaklaşım duygular (kızgın, mutlu ve sürpriz) yapay tatlandırıcı-su karşılaştırmalar arasında gözlendi, ancak 5 saniye gözlem penceresi üzerinden farklı zamanlarda gözlenen gözlendi. Ancak,Leitch ve ark., 8 zor kontrol (su) ve bunların grafik yorumlama ve sunum ile tedavi (şekersiz çay) arasındaki duygusal farkı anlamak için yapım, ifade yönünü kurmadı. Bizim çalışmamızda sunulan değiştirilmiş ve geliştirilmiş zaman serileri analizi metodolojisi istatistiksel fark yönlülük sağlar. yönü ve sonuçları komplo istatistiksel ilgili duygusal değişiklikler, seçilen zaman dilimi içinde meydana nerede araştırmacılar görüntülemenizi sağlar.
video analiz hataları azaltarak geçerli verileri elde ve etkin zaman ve personel kaynakları kullanarak için gereklidir. Protokolde kritik adımlar ve sorun giderme adımları katılımcı duyusal bir ortam (vb aydınlatma, video kamera açısı, koltuk yüksekliği, tam katılımcı rehberlik talimatları) optimize içerir. bir yazılım inc düşmek Ayrıca, katılımcılar ekranlı ve ekarte edilmelidirompatibility kategorisi (yani, kalın çerçeveli gözlük, ağır sakallı yüzler ve cilt tonu) (Şekil 2). Bu faktörler Afea uygun modelleme, duygusal bir sınıflandırma ve veri çıkışı etkileyecektir. Bir katılımcının veri çıkışı önemli bir kısmının "FIT_FAILED" ve "FIND_FAILED" oluşuyorsa, veri zaman serisi analizi (Şekil 1) eklenmek üzere yeniden değerlendirilmelidir. Bu kötü veriler (Şekil 1) olduğu gibi veri çıkış günlük dosyaları ağırlıklı "FIND_FAILED" "FIT_FAILED" ve içeriyorsa Zaman serileri analizi kullanılan olamaz. nedeniyle aydınlatma ayarları yüzünde gölgeleme ciddi kötü video koleksiyonu ile sonuçlanan, video yakalama kalitesini inhibe edebilir. Işık şiddeti veya renk 20 gibi ilgili değil ise yoğun gölgeleme önlemek için, yaygın ön aydınlatma idealdir. O yüz 20 gölgeleri teşvik edebilir gibi yoğun havai aydınlatma azaltılmalıdır. arkasında karanlık bir arka plankatılımcı 20 tavsiye edilir. Yaygın gün ışığı 20 aydınlatma için bir pencerenin önünde kurulumunu yerleştirmek için AFEA yazılım üreticisinden önerilmektedir. Bir bilgisayar monitörünü kullanarak, ayrıca, iki ışık aydınlatma ve gölge azaltma 20 kullanıcının yüzünün iki yanına yerleştirilmiş olabilir. Ayrıca, profesyonel fotoğraf ışıkları istenmeyen ortam 20 aydınlatma karşı koymak kullanılabilir. Sonuçta, bu yakalama aydınlatma kontrol etmek için araştırmacı, bireysel protokol / metodoloji ve çevre takdirine kalmıştır. Veri yakalama ortamı ve satın alma ve yükleme öncesi yazılım sağlayıcısı ile araçlarını tartışmak için tavsiye edilir. Ayrıca, koltuk yüksekliği ve kamera açısı her bir katılımcı için ayrı ayrı ayarlamak için önemlidir. katılımcı rahat ama kamera düz yüzünde bir yükseklikte olmalıdır. yüzünde kamera açısını azaltmak için bir girişimde AF optimize etmek için teşvik edilirEA video yakalama. Son olarak, örnekleme öncesinde katılımcılara sözlü talimat vermek zorunludur. Video çekimi sırasında katılımcı davranış nedeniyle yüz tıkanıklığı, hareketleri ve kamera kaçınma veri toplama sınırlandırabilir.
Bir çalışma için gerekli olan katılımcı örneklem büyüklüğü için, yazarlar 10 ila 50 katılımcı bir dizi tavsiye ediyoruz. az sayıda hemen hemen hiçbir istatistiksel gücü sağlayacak olsa da, en az 2 katılımcılar zaman serisi analizi için genel olarak ihtiyaç vardır. Katılımcı değişkenlik yüksek olduğunu ve bu araştırmanın erken dönemlerinde örneklem büyüklüğü ile sunmak için hiçbir rehberlik yoktur. Örnek büyüklüğü aromalar, tat yoğunluğu bağlı olarak değişebilir ve tedavi kabul edilebilirlik katkıda bulunacaktır. Daha küçük lezzet farklılıkları numuneler fazla katılımcı gerektirecektir. 30 ikinci kontrollü örnekleme periyodu tüm örnekleme değerlendirme dönemi için yeterli bir zaman aralığı (örneğin, dizin kartı gösteren bir örnek (kapağı kaldırma) açılması, tüketimi, kapsaryon ve duygusal yakalama). tüm 30 saniye veri analizi kullanılmaz. Bu belirlenen 30 saniyelik yakalama zamanı fayda araştırmacı veri analizinde kullanılmak üzere ilgili değerlendirme süresini karar verebilir olmasıdır. 30 saniye zaman penceresi kodlama veya videoları Timestamping sırasında video örnek sırasında ilgi bir zaman çerçevesi seçiminde yardımcı olabilir. Sonuçta, zaman penceresi araştırmacı takdirine kalmıştır. Örneğimizde, biz 5 sn örnekleme pencere sonrası tüketimi kullanılır. numune kabı artık (çene hizasında fincan) yüz tıkar Ayrıca, mevcut metodoloji zaman sıfır tanımlar. Tüketim ve brifing nedeniyle numune kabı yüz tıkanıklığı ve değişen duygular arasındaki süreyi azaltmak için büyük önem taşımaktadır. Örnek dil ile temas güvenilmez veri kılan ilk kez numune kabı yüz tıkanıklığına bağlı (Şekil 1). Bu nedenle, fincan artık yüzünü kapayan nokta optimum recommendatio olduğunun. Zaman damgaları tüm katılımcılar için tutarlı olması gerekir. renk kartı araştırmacılar video tedavileri belirlemek ve örnek değerlendirme için uygun bir zaman dilimi (zaman sıfır) işaretlemek için uygun bir yoldur. renk kartları tedavileri rasgele sırayla ve sürekli video örnek tanımlama ekstra bir doğrulama olarak hizmet eğer özellikle faydalıdır.
Bu tekniğin sınırlamaları katılımcının yüzündeki talimatlar veya kaçınılmaz gölgeleme takip edebilir katılımcılar yüz uyum modeli hataları (Şekil 2) neden olabilir olarak var. Ancak, önerilen kritik adımlar azaltmak ve bu müdahaleleri azaltmak için yollar sunuyoruz. Ayrıca, zaman serisi analizi ağırlıklı "FIT_FAILED" ve "FIND_FAILED" (Şekil 1) içeren dosyaları ile günlük dosyaları dışa okuma olmaz. Bu dosya kurtarılabilir edilemez ve zaman serileri analizine dahil edilmesi mümkün olmayacaktır. Gıda ve Bevera Ayrıca tüketimiges hala duygusal kategorizasyon çarpıtmak için böyle bir şekilde yüz yapısını değiştirebilir. Sert ya da çiğnenebilir gıdalar geniş çene hareketi gerektirir. Bir kamış ve ilgili emme kullanımı, aynı zamanda yüz tıkanıklığı (saman) neden olur ve yüz (emme) bozan. Bu gözlem, laboratuvar araştırma ön verilere dayanmaktadır. Yazılım yüz modeli çiğneme (veya emme) ve duygusal sınıflandırılması ile ilgili motor ifadeleri arasındaki farkları ayırt edemez. yiyecek ve içecek örnekleri ile, yüz tıkanıklığı için fırsat görüntüleme videolar ve resimlerin daha yüksektir. Katılımcılar yüze örnek getirmek ve yüz böylece değerli duygusal bilgiler (Bkz: Şekil 1) azaltarak potansiyel yazılım modeli kesintiye ve gelen kabı kaldırmanız gerekir. Daha önce belirtildiği gibi, duygular hızlı ve kısa bir süre için olur. Duyguları yakalamak için bir çaba yüz oklüzyonunu önemli ölçüde azalttığı için önemlidir. önerilen çalışma yöntemleriniogy zaman içinde duygusal süresi içinde duygusal desen değişiklikleri ve değişiklikleri bulmak için ikinci bir otuzda de tedavi karşılaştırmalar yapar. Önerilen metodoloji, duygusal uzun ömürlü kalıpları önemlidir. Ne yazık ki, duygusal sınıflandırma sorunları ortaya çıkabilir. En önemlisi mutlu ve iğrenme 6, 9, 32, 33, 34 kategorize bir sorun var. Çoğu zaman, bu durum bir "toplumsal kendi hoşnutsuzluğunu veya sürpriz bir duygu maskeleme katılımcılara nedeniyle olabilir 6, 32, 33, 34 gülümseyerek gereğidir ekran kuralı "32. Ayrıca, AFEA yazılımı (kızgın ve bıkkın, korkmuş, nötr, mutlu, üzgün, sürpriz) yedi duygusal kategorileri ile sınırlıdır. evrensel duygu ve kategorizasyon geçerli AFEA sınıflandırması bir gıda ya da içecek uyaranlara yanıt olarak farklı olabilir daha yiyecek ve içeceklerde karşı duygusal tepki daha karmaşık olabilir. Manuel kodlama kullanarak FACS gustofacial ve uygulanmış olan temel tatları olfactofacial cevapları vekokuların bir ürün yelpazesine ve AU'lara 32 getirmedi tedavi farklılıkları tespit etmek için yeterince duyarlı olduğu ortaya çıktı. FACS zaman alıcı sıkıcı ve çok, ancak, ya da yokluğunda AU'lar varlığında zamansal bir uygulama AFEA doğru veya duygusal sonuçlar beklenmedik ise sınıflandırmak olmayabilir karmaşık tepkilerin yardımcı olmak için yararlı olabilir. yüz sınıflandırmalar aynı anda ve önemli bir ifade ile gerçekleşmesi için zaman serisi veri sağlarken, dikkatli nedeniyle duygusal karmaşıklığı tek duygu haline çeviren sonuçlarla kullanılmalıdır.
Önerilen metodoloji ve veri analizi tekniği diğer içecekler ve yumuşak gıdalar uygulanabilir. AFEA yazılım aromalı için duygu ve unflavored örnekleri tespit etmeyi başardı. Önerilen yöntem ve zamansal analiz böylece örtük yanıtları karakterize duygusal tepkiler ve gıda ile ilgili bir nüfusun davranışlarında yeni gelişmeler sağlayan yardımcı olabilir. th gelecekteki uygulamalarıteknik diğer içecek kategorilerinde veya yumuşak gıdalar genişletmek olabilir olduğunu. Biz duygusal tepki ve veri analizi metodolojisi için video yakalama ulaşmak için metodolojiyi ortaya koymuştur. Biz duygusal AFEA yakalama ve duygusal zaman serisi analizi için standart bir yaklaşım oluşturmayı amaçlıyoruz. yöntem yaklaşım araştırma başarı göstermiştir. Biz genişletmek ve yiyecek ve içecek ve seçim ve davranışlarına ilişkiye duygusal tepki değerlendirmek için bu yaklaşımı uygulamak istiyoruz.
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).
