被験者依存画像セットと被験者非依存画像セットの比較

 提案手法である被験者依存画像セットによって構築された感情分類システムと 従来法である被験者非依存画像セットによって構築された感情分類システムの分 類精度を評価し, どちらの画像セットを用いたほうが高い精度を示すかを比較す

る. クラスの分類は従来研究でも行われている, 4.3節で述べたHigh Arousalクラ

スとLow Arousalクラスの分類を行う.

4.5.1 SAM 評定を用いた画像評価実験の結果

 被験者別の各感情クラスに属する画像の枚数は3.1.3節の図5に示してあるが, 実際に被験者に提示する画像の枚数は図14に示す. 被験者別に画像セットを作 成したが,図5を見てわかる通り,全体的にPositiveクラスに分類されている画像 の枚数が少ないことがわかる. 提示する画像の枚数は画像の枚数が一番少ないク ラスの枚数に合わせて選出するので, 1クラスに含まれる画像の枚数が少なけれ ば,その被験者に提示する画像の枚数も減少する. 例えばNeutralクラスの枚数が 150枚, Positiveクラスが15枚, Negativeクラスが30枚のとき, 被験者に提示さ れる画像の枚数はNeutralクラス15枚, Positiveクラス15枚, Negativeクラス15 枚,計45枚となる. 今回, 被験者の長期拘束を控えるため, 各クラス40枚, 計120 枚を上限として画像を選出する. 各画像に対する被験者間のValence, Arousalの 平均値をプロットした図を図15に示す. 図中の点一つ一つが画像を表している. Valenceが低くてArousalが高い画像に対し, Valenceが高くてArousalが高い画 像は少ない.

S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11

Number of Images 050100150200

Figure 14 被験者別の各クラスに属する画像枚数

1 2 3 4 5 6 7 8 9

1 2 3 4 5 6 7 8 9

Arousal

V alence

Figure 15 各画像に対する被験者間のValence, Arousalの平均値

4.5.2 訓練データとテストデータ

 一人を除く全被験者のデータを訓練データとして用いて, 被験者依存画像セッ トの分類器, 被験者非依存画像セットの分類器を作成する. 除かれた被験者はテ ストデータとして扱うが,テストデータを統一するため, テストデータは被験者依 存・非依存画像セットを合わせたものとする. 全被験者による交差検定の評価を 行い分類精度を算出し, その平均を各画像セットの分類精度とする.

4.5.3 分類器

 3.2.2節と同様で,画像セットの比較のために用いる分類器はフィッシャーの線

形判別法,ナイーブベイズ,サポートベクターマシンの3つの分類器で比較を行う.