·1596· 工程科学学报，第39卷，第10期 整个过程平均持续50min,获得不同的交互体验下测 不可忽视的时间差距.迟滞性因子可针对老人的迟滞 试者的平均测试结果和情感状态变化.软件界面如图 性特征对情感计算模型进行修正，减小机器人与老人 7所示. 之间情感偏差，使得人机交互的过程更加的和谐 在不同可信度的情感模型下测试者的情感状态曲 线如图9所示.图中红色曲线表示可信情感计算下老 人的情感变化，蓝色曲线表示普通情感计算下老人的 情感变化，五个情感状态对应认知服务中五组认知训 练模块.对比图中起始位置和结束位置的情感状态， 可信情感计算下的情感状态起始状态值和结束状态值 a00 a09 分别为0.26和0.82，变化幅度为0.59：普通交互的分 Ane 别为0.2和0.43，变化幅度仅为0.23.两种方式下老 人的情感状态变化幅度相差0.36，可知整个训练过程 图7认知心理测试界面图 中老人的情感逐渐地趋于正向，并且可信情感计算下 Fig.7 Interface diagram of cognitive psychological testing 老人的情感变化趋势明显大于普通情感计算 为了直观地表明本文所提模型的有效性，实验中 此外，在认知训练起始位置，普通情感计算下老人 将情感状态进行数值化处理，规定负向情感到正向情 的情感状态为0.2，而可信情感计算下的情感状态为 感的依次取值为[0,1]，数值越大表明情感状态更趋 0.26.由此说明在得知可信情感交互时，测试者的初 向正向情感（如图8和图9的纵坐标所示）.老人、修 始状态更偏向于正向，能更积极主动与智能服务机器 正前机器人和修正后机器人的情感状态如图8所示， 人进行情感交互，并且有助于显著提升测试者自身的 红色曲线表示老人的情感状态变化曲线，绿色的为迟 情感状态 滞性因子修正前机器人的情感状态曲线，蓝色为修正 1.0 后的情感状态曲线.随着时间的进行，老人与修正前 一可信计算 一普通计算 机器人的情感状态转移时差在逐渐扩大.表情测试模 块时，老人与修正前机器人的情感状态时差为2min; 0.7 表情模仿模块时，时差增加到5min:情景测试模块中 0.6 达到了8min.而在5个认知训练模块中修正后机器人 0.5 的情感状态时差都控制在2min内.此外，在交互过程 0.3 中老人情感变化的最大幅度为0.18，而修正前认知服 0.2 务机器人的情感变化都接近0.22，修正后认知服务机 0.1 器人与老人的情感变化趋势基本一致. 101520253035404550 时间/min 1.0 0.9 老人 图9在不同可信度的情感模型下情感状态变化对比图 修正前机器人 0.8 修正后机器人 Fig.9 Emotional state change contrasts in the different confidences 0.7 AAVA AUAAUAU 5结论 0.4 由于情感计算模型缺乏对老人迟滞性特征的分 0.3 析，导致在情感交互中，服务机器人和老人的情感状态 0.2 转移时间和变化幅度产生严重偏差.基于此，本文研 0.1 究了老人认知方面的迟滞性特征对情感计算模型的影 101520253035404550 响，充分考虑情感状态转移前的所有情感状态下的认 ,时间min, 表情表情表情表情 表情 知重评能力，通过迟滞性因子对当前情感状态下的认 学习测试模仿拼图 测试 知重评能力进行修正，实现对情感计算模型的修正. 图8情感状态变化对比图 为了进一步增强老人对情感计算的信任，本文采用现 Fig.8 Emotional state change contrasts 场可编程门阵列硬件平台和高级加密标准密码算法结 由图可知，在情感状态的转移时间和变化幅度上， 合的方式对老人情感信息进行加密处理，实现情感计 修正后的机器人情感状态变化基本与老人保持着较高 算模型的数据可信.采用SOPC技术，完成可信情感计 的同步性，而修正前的机器人情感状态与老人存在着 算模型实现的硬件模块，在此基础上进行软件设计，分工程科学学报,第 39 卷,第 10 期 整个过程平均持续 50 min,获得不同的交互体验下测 试者的平均测试结果和情感状态变化. 软件界面如图 7 所示. 图 7 认知心理测试界面图 Fig. 7 Interface diagram of cognitive psychological testing 为了直观地表明本文所提模型的有效性,实验中 将情感状态进行数值化处理,规定负向情感到正向情 感的依次取值为[0,1],数值越大表明情感状态更趋 向正向情感(如图 8 和图 9 的纵坐标所示). 老人、修 正前机器人和修正后机器人的情感状态如图 8 所示, 红色曲线表示老人的情感状态变化曲线,绿色的为迟 滞性因子修正前机器人的情感状态曲线,蓝色为修正 后的情感状态曲线. 随着时间的进行,老人与修正前 机器人的情感状态转移时差在逐渐扩大. 表情测试模 块时,老人与修正前机器人的情感状态时差为 2 min; 表情模仿模块时,时差增加到 5 min;情景测试模块中 达到了 8 min. 而在 5 个认知训练模块中修正后机器人 的情感状态时差都控制在 2 min 内. 此外,在交互过程 中老人情感变化的最大幅度为 0郾 18,而修正前认知服 务机器人的情感变化都接近 0郾 22,修正后认知服务机 器人与老人的情感变化趋势基本一致. 图 8 情感状态变化对比图 Fig. 8 Emotional state change contrasts 由图可知,在情感状态的转移时间和变化幅度上, 修正后的机器人情感状态变化基本与老人保持着较高 的同步性,而修正前的机器人情感状态与老人存在着 不可忽视的时间差距. 迟滞性因子可针对老人的迟滞 性特征对情感计算模型进行修正,减小机器人与老人 之间情感偏差,使得人机交互的过程更加的和谐. 在不同可信度的情感模型下测试者的情感状态曲 线如图 9 所示. 图中红色曲线表示可信情感计算下老 人的情感变化,蓝色曲线表示普通情感计算下老人的 情感变化,五个情感状态对应认知服务中五组认知训 练模块. 对比图中起始位置和结束位置的情感状态, 可信情感计算下的情感状态起始状态值和结束状态值 分别为 0郾 26 和 0郾 82,变化幅度为 0郾 59;普通交互的分 别为 0郾 2 和 0郾 43,变化幅度仅为 0郾 23. 两种方式下老 人的情感状态变化幅度相差 0郾 36,可知整个训练过程 中老人的情感逐渐地趋于正向,并且可信情感计算下 老人的情感变化趋势明显大于普通情感计算. 此外,在认知训练起始位置,普通情感计算下老人 的情感状态为 0郾 2,而可信情感计算下的情感状态为 0郾 26. 由此说明在得知可信情感交互时,测试者的初 始状态更偏向于正向,能更积极主动与智能服务机器 人进行情感交互,并且有助于显著提升测试者自身的 情感状态. 图 9 在不同可信度的情感模型下情感状态变化对比图 Fig. 9 Emotional state change contrasts in the different confidences 5 结论 由于情感计算模型缺乏对老人迟滞性特征的分 析,导致在情感交互中,服务机器人和老人的情感状态 转移时间和变化幅度产生严重偏差. 基于此,本文研 究了老人认知方面的迟滞性特征对情感计算模型的影 响,充分考虑情感状态转移前的所有情感状态下的认 知重评能力,通过迟滞性因子对当前情感状态下的认 知重评能力进行修正,实现对情感计算模型的修正. 为了进一步增强老人对情感计算的信任,本文采用现 场可编程门阵列硬件平台和高级加密标准密码算法结 合的方式对老人情感信息进行加密处理,实现情感计 算模型的数据可信. 采用 SOPC 技术,完成可信情感计 算模型实现的硬件模块,在此基础上进行软件设计,分 ·1596·