شناحت حالات صورت با استفاده از امواج ريز گابور و بردار كوانتومي نسخه متنی

شناحت حالات صورت با استفاده از امواج ريز گابور و بردار كوانتومي

خلاصه:

شناخت حالات صورت كاربردهاي بالقوه در ابعاد مختلف زندگي روزمره دارد كه به دليل عدم وجود تكنيكهاي شناخت آ» هنوز به مرحله عمل نرسيده است .در اين مقاله كاربرد فيلتر گابور در تركيب با بردار شناخت كوانتومي (LVQ) براي شناخت حالات صورت چه در عكس و چه در صورت انسان بررسي مي شود.نتايج به دست آمده در اينجا از چندين بررسي قبلي انجام شده بهتر است .

اولاً مشاهده شده است كه تكنيك LVQ در اين بررسي شناخت ببستري از تكنيك طبقه بندي شناخت چند لايه اي ( MLP) بهتر جواب داده و ثانيا در اين بررسي نشان داده مي شود كه در زنان ژاپني حالاتي از صورت وجود دارد كه از آنها استفاده غلط شده و حالاتي را به صورت غلط نشان مي دهند كه اثر منفي بر تعريف تكنيك مشخص براي بررسي حالات صورت مي گذارد. با حذف اين دو نفر، نرخ ( درجه ) شناخت از %51/87 به %22/90 رسيد. در اين بررسي نشان داد و خواهد شد كه شناخت حالات صورت از طريق كامپيوتر براي كاربرهاي عملي مثل دوربيها و تعامل بين انسان و كامپيوتر امكان پذير است.( 2007،ال سوپرليميتر)

1- مقدمه:

حالات صورت وسيله اي مناسب براي اندازه گيري احساسات،فرايند يادگيري و تعامل اجتماعي است ( با رتلت وديگران 1999- بوكي و ديگران 2005) و بنابر اسن سيستم خودكار بررسي حالات صورت روشي كمتر اختلال آميز براي بررسي احساسات شخصي مورد نظر است.با وجود دستگاههاي عكاسي كامپيوتري ارزان در حال حاضر روش شناخت حالات صورت مي تواند كاربردهاي فراواني داشته باشد از جمله بررسي خستگي كارگران صنعتي ، حالات و احساسات كاربران كامپيوتر( HCT ) و احتمالاً شناخت مظنونين در فرودگاهها، ايستگاهها قطار و ساير مكانهايي كه امكان عمليات تروريستي دارند.

شناخت حالات صورت همچنين در جهت تسهيل تعامل انسان و كامپيوتر و انتقال احساسات بسيار مفيد خواهد بود( ليونز و ديگران ـ 1998 )هر سيستم طبيعي HCT مي تواند از اين پس از حالات صورت انسان بهره ببرد.بحثي در روان شناسي و ادبيات دانش رفتاري وجودارد مبني بر اينكه آيا حالات صورت جهاني هستند يا نه و آيا حالات صورت « فوراني» هستند ( يعني به صورت غيرارادي صورت مي گيرند) (فرويدلوند 2006) يا « اعلاميه » هستند ( يعني به صورت ارادي صورت مي گيرند) .تئوري هاي افراطي اوليه اكنون جاي خود را به نظر يه هاي جديد داده اند كه مبتني بر جهاني بودن و فرهنگي بودن حالات صورت هستند ( انضباين و امبادي ـ 2003) تحقيقات نشان مي دهد كه شناخت حالات صورت توسط افراد مختلفبيشتر مبني بر جهاني بودن آنهاست تا شانس يا اتفاقي بودن و از اين حيث حالات صورت جهاني هستند . در عين حال، تحقيقات نشان مي دهد كه برخورد با فرهنگهاي مختلف تشخيص درست حالات صورت را افزايش مي دهد.

تا همين اواخر، دو روش براي شناخت حالات صورت وجود داشت: 1- مشاهده انساني 2- الكتروميوگرافي روشهاي مبتني بر مشاهده انساني وقت بسيار زيادي مي برندكه چرا كه براي يادگيري، استفاده و سيستماتيك كردن آنان نياز به وقت بسيار است. روش ديگر EMG صورت، نياز به گزاردن سنسور در صورت دارد كه خود اينكار باعث مي شود برخي حالات طبيعي صورت از بين برود. راه ديگر تجزيه و تحليل كامپيوتري حالات صورت است. بدون در نظر گرفتن مباحثات روان شناختي، روش تحليل كامپيوتري حالات صورت پيشرفتهاي زيادي داشته است. منبع اصلي انگيزه تشخيص حالات صورت توسط كامپيوتر، توانايي شناخت صحيح حالات صورت از طريق نگاه كردن به عكس يا فيلم است. در بيشتر مواقع انگيزه به كارگيري شناخت حالات صورت از طريق كامپيوتر براي استفاده هاي امنيتي و HCI بوده است. تاكنون دو روش تشخيص كامپيوتري وجود دارد: شناخت از طريق عكس دو بعدي و شناخت از طريق مجموعه اي از تصاوير. روش مجموعه تصاوير، از طريق تجزيه جريان نور در مجموعه تصاوير و ابزار تشخيص الگوي خاص در هر حالت صورت است. روش فوق مستلزم تهيه فريم هاي مختلف از عكس است به همين دليل در زندگي واقعي و حالت طبيعي داراي محدوديت است. روش تشخيص عكس ثابت، از روشهاي مبتني بر شرايط همان عكس استفاده مي كند و بنابر اين از سرعت بالاتري برخوردار است اما روشي كه بدون درنظ گرفتن هر انسان و شرايط پيرامون او بتواند تشخيص دقيقي ارائه دهد چندان آسان نيست. بانك فيلترهاي گابور، مدلهاي منطقي از شناخت اوليه ارائه ميدهند و به همين جهت موفق ترين روش در شناخت حالات صورت مي باشند. ليونزوديگران ( 1998) روش كدگذاري امواج ريز گابور را پيشنهاد دادند و نشان دادند كه روش پيشنهادي آنان ارتباط بسيار عميق با درجه بندي معنا شناسي دارد. دركتاب ژانك و ديگران ( 1998) كدهاي بانك فيلترهاي کدهای بانک متغیر های گابور برای تشخیص لایه های مختلف و طبقه بندی آنها نسبت به روش شناخت هندسی برتری دارند

در اين مقاله، از روش پيشنهادي ليونزوديگران يعني بررسي هر حالت استفاده شده است و تجزيه و تحليل قسمت اصلي ( PCA) برا يكوتاه كردن بردارهر حالت به كار رفته است.

از شبكه هاي عصبي براي طبقه بندي و تشخيص به تناوب استفاده شده است استفاده از شبكه هاي عصبي در تشخيص حالات صورت چندين مساله را توامان در بر مي گيرد: طبقبه بندي جنسي، شناخت صورت و طبقه بندي حالات صورت، ساختارهاي متفاوتي از شبكه هاي عصبي وجود دارد كه هر كدام نقاط ضعف و قوت خود را دارد.در يك مساله خاص يك ساختار خاص مي تواند كاملا جواب مثبت دهد اما درجاي ديگر كاربرد خوبي نداشته باشد. در اين مقاله از بردار كوانتومي (LVQ) به جاي MCP استفاده شده است. با استفاده از حالات صورت ژاپني يكسان ( JAFFE) براي آموزش و آزمايش كاربرد LVQ جهت تشخيص حالات صورت مقايسه شده است.

ساير قسمتهاي مقاله به شرح زير تنظيم شده است: گرفتن عكس و فرايندهاي اوليه انجام شود بر آ» در بخش مقاله بحث شده است. بخش 3 مربوط به استخراج حالت ايست و بخش 4 به PCA مي پردازد. بخش 5، داده هاي JAFFE را بررسي مي كند و بخش 6 روش طبقه بندي به كار رفته در اين تحقيق را شرح مي دهد. بخش 7 به نتايج و مشاهدات اين تحقيق مي پردازد و بخش 8 شامل نيجه گيـــــري مي شود.

2-گرفتن عكس و فرايندهاي اوليه:

روش عملي تشخيص حالات صورت در عكس (1) زير نشان داده شده است . فرايند شناخت ابتدا از گرفتن عكس مثلا توسط يك دوربين آغاز مي شود. سپس فرايندهايي روي عكس صورت مي گيرد مثلا تاثير عوامل بيروني و محيطي به حداقل مي رسد. معمولا فرايندهاي انجام شده شامل تغيير سايز عكس، نور و كنتر است و ساير عمليات لازم براي بهبود عكس است در اين تحقيق، از پايگاه اطلاعاتي كه قبلا وجود داشته عكسهايي انتخاب شده و عملكرد طبقه بندي كننده بر آنها آزمايش شده است. عكسهاي موجود قبلا تنظيم شده اند. بنابر اين نيازي به تنظيمات بيشتر نداشته اند . يك برنامه Visnal basicبراي انتخاب نقاط مورد نظر اندازه گيري به كار گرفته شده است . سپس نقاط مورد نظر براي اندازه گيري هندسي به برنامه Matlab داده شده اند.

تصوير (2)، عكس مورد نظر را نشان مي دهد.

- استخراج خصوصيات:

براي تشخيص حالات صورت در عكسهاي از جلو، چندين پارامتر بايد از عكس استخراج شود تا بتوان از آنها در تشخيص وتعيين حالات استفاده كرد.اين پارامترها خصوصيت برداري عكس ناميده مي شود و در تكنيك تشخيص حالات اين باشد.

هيچ تكنيكي نخواهد توانست به دستي حالات صورت را از همتمييز دهد.اين حالت كه تداخل خصوصيتها ناميده مي شود نبايد در يك تكنيك تشخيص مطلوب رخ دهد.

نتايج مناسب براي تشخيص احساسات بر اشخاص تازه وارد بهتر به دست مي آيد. در نتايج متعدد به دست آمده از تنظيم و ظهور عكسها، استفاده از بانك فيلترهاي گابور روشي مطلوب براي تشخيص حالات صورت بوده استو بهمين جهت تكنيك استخراج خصوصيت گابور براي تشخيص حالات صورت تكنيكي مطلوب است. در كتاب ليونز وديگران ( 1908) نويسندگان پيشنهاد مي نمايند روش كدگذاري حالات صورت از طريق امواج ريزگابور انجام گيرد و ژانگ وديگران 1998 وديدديگران ( 2002) روش موفقي را معرفي مي نمايند كه شباهت بسياري به روش ليونز دارد. به منظور مقايسه نتايج اين تحقيق با نتايج ژانگ ديگران، در اينجا از روش تشخيص حالات ليونز ( 1998) استفاده شده است.

تابع دو بعدي گابور، موجي سان با عامل موج k است كه توسط تابع پوششي گاميان محدود شده و پهناي نسبي دارد ( j)

ارزشيبراي يكي بارز ولوشن ( 256× 256 ) u قرار داده مي شود . مانند روش ليونزو رنگ از چند سري هسته گابور كه در فركانسهاي سه بعدي ( با شماره موج k.n/4، n/8 و n/16) و6 جهت متفاوت از5 تا 180 با تفاوتهاي 30 درجه اي استفاده كردند كه18 فيلتر مختلف گابور مي شود شكل 1803 فيلتر مختلف گابور را به شرح فوق نشان مي دهد.

از فيلترهاي گابور براي هر عكسي استفاده مي شود و از طريق نقاط اندازه گيري جواب بدست مي آيد . به منظور مقايسه عملكرد LVQ و MLP در اين مقاله، همان 34 نقطه اندازه گيري براي بدست آوردن بانك فيلترهاي گابور بر اساس پيشنهاد ژانك به كار رفته است . در نتيجه بردار به طول 612 ( 34 نقطه اندازه گيري، 18جواب فيلتر براي هر نقطه ) بدست مي آيد كه حالات صورت عكس وارده را نشان خواهد داد. عكس 4، جواب فيلترهاي گابور بر روي يك عكس وارده را نشان مي دهد. در عكس مشخص است چگونه جهت بردارهاي فيلتر گابور بر پاسخ عكس تاثير مي گذارد.

عكس 5. حل 34 نقطه اندازه گيري در صورت انسان را كه نمونه هاي فيلتر گابور وجود دارند نشان مي دهد.

- تحليل ( جزء ) اصلي ( PCA) :

PCA تكنيكي است كه براي پايين آوردن بعد يك فضاي خاص به كار مي رود و با استفاده از يكسري اطلاعات فضاي فرعي كم بعد تري را مي سازد كه باعث تشريح بهتر انواع اطلاعات از كل آنها مي شود. PCA تغيير شكل خطي است كه براي آسانتر و ساده تر كردن اطلاعات از طريق كاهش ابعاد به كار مي رود. با استفاده از PCA. ابعاد اطلاعات كاهش پيدا مي كند و خصوصيات مهم آن برجسته مي شود مانند كم كردن اثر اجزاء اصلي و پر رنگ تر كردن اجزاء مهم تر PCA تحول فعل نوري است كه فضاي فرعي پر تضادتر را نگه میدارد بر خلاف سایر نغیر شکل های خطی PCA دارای مجموعه ای ثابت از بردارها نیست و بستگی به اطلاعات هر مجموعه دارد و طبق آن بردارها تغيير مي كنند . در اين تحقيق از matlab براي كاهش ابعاد بردار از 612 به طول مورد نظر استفاده شده است. در اين تحقيقب، طول بردار به تدريج از 10 اضافه مي شود تا جايي كه اين افزايش در نرخ تشخيص بهبودي ايجاد نكند.

5. پايگاه اطلاعاتي JAFFE:

پايگاه اطلاعاتي JAFFE كه در اين تحقيق به كار رفته، شمال 213 عكس از حالات صورت زن مي باشد . وعكس رزولوشن 256× 256 دارد. تعداد عكسهايي كه منطبق با 7 گروه حالات ( خنثي، خوشحالي، غمگيني ، تعجب، عصبانيت ، نفرت و ترس) هستند تقريباً يكسان است . دو نفر از نمونه ها در شكل 6 آمده اند.

عكسهاي داده ها در زمينه طوسي ( grayscale) و با فرمت Tiff هستند. كنار عكس حالت آن نيز ثبت شده تا به راحتي تبوان از ميان داده ها عكس مربوط را پيدا كرد. سر هر فرد در عكس در حالت روبرو است. عكسهايي اصلي به نحوي تنظيم شده اند كه فاصله چشمها از هم 60 پيكسي است. نمونه گرفتن عكسها با دوربين روي ميزدرون يك جعبه است. قسمتي از جعبه كه روبروي صورت بود با يك كادر پلاستيكي ضد انعكاس نور پوشانده شده بود. از هر نفر هنگامي كه به كاور نگاه مي كرد عكسي گرفته شده است 0 روبروي دوربين ) موهاي هر فرد پشت سرش جمع شده بود تا صورت كاملا واضح باشد. از نور تنگستن براي يك دست بودن نور هر عكس استفاده شده است . عكسها در مونو كروم چاپ شده و از طريق اسكنر ديجيتال شده اند. اسم اصلي افراد نيامده و از علائم اختصاري براي شناسايي آنان استفاده شده است .

KA1 KL1 KM1 KR1 MK1 NA1 NM1 TM1 UY , YM

در باره عكس از91 نفر براي تشخيص حالت صورت آن نظر خواهي شده است. در نتايج معلوم شد بيشتر اشتباهات تشخيصي مربوط به حالت ترس بوده است. البته برخي حالات هم وجود دارند كه اشتباه در مورد آنان زياد رخ داده است.

6. بردار يادگيري كوانتومي

LVQ كه توسط Kohonen ثبت شده است يكي از رايج ترين الگوريتم هاي بكار رفته براساس فلسفه برنده همه چيز را مي برد مي باشد. چندين نسخه مختلف از LVQ وجود دارد و LVQ1 در اين تحقيق به كار رفته است LVQ1 دو لايه دارد: رقابتي و نتيجه. سلولهاي عصبي در لايه رقابتي زير مجموعه دارند. در هر زير مجموعه بردار وزني شبيه بردار وارد . وجود دارد. وقتي بردار وارده در LVQ به كار مي رود، بهترين مشابه آن در لايه رقابتي جستجو مي شود و بهترين عكسي كه با آن هماهنگي دارد. سلول برنده ناميده مي شود. وقتي يك سلول خاص در لايه رقابتي برنده مي شود، نتيجه خاص مربوط به طبقه آن سلول در حد بالا اندازه زده مي وشد. ممكن است در لايه رقابتي چندين سلول مطابق يك گرده خاص در لايه نتيجه باشند ولي هر سلول در لايه رقابتي فقط مختص يك گرده خاص است. به همين دليل است كه سلولهاي لايه رقابتي زير مجموعه ناميده مي شوند. ( عكس 7)

روش يادگيري كه عموما با LVQ به كار مي رود روش يادگيري رقابتي است كه در هر الگوي آموزشي آن سلول لايه رقابتي كه به وارده نزديكتر است مشخص مي شود و سلول نتيجه هماهنگ با آن سلول برنده ناميده مي شود. وزن ارتباطات اين سلولها سپس طبق فرمول زير محاسبه مي شود:

در معادله 2 ، wi وزن لازه وارده ، p بردار وارده و D. نرخ يادگيري است. جهت تشخيص وزن در معادله 2 بستگي به طبقه الگو.ي آموزشي و طبقه مختص بردار مرجع دارد. اگر هر دو يكسان باشند بردار به سمت الگوي آموزشي نزديكتر مي شود در غير اينصورت از آن دور مي شود. حركت بردار مرجع توسط نرخ يادگيري كنترل مي شود. به عنوان تابعي از فاصله با الگوي آموزشي، جهت نشان مي دهد هر بردار مربع تا چه ميزان حركت كرده است. معمولا با گذر زمان نرخ يادگيري كندتر مي شود و بنابر اين تغييرات اوليه از تغييرات بعدي ايجاد شده در فرايند آموزش بزرگترند.

7- نتيجه و بحث:

در ابتدا نرخ يادگيري شبكه تغيير داده مي شود تا بهترين نرخ يادگيري براي طبقه بندي ها به دست آيد. طول بردار مختصات براي به دست آوردن بهترين عملكرد شبكه تغيير داده مي شود. از تكينك PCA براي تنظيم بردار مختصات به صورت نزولي استفاده مي شود و طول آن تا جائيكه مطلوب باشد كوتاه مي وشد تا معلوم شود طول بردار مختصات براي تشخيص حالات صورت كافي است يا نه بر هر 213 عكس موجود در اين تحقيق از طول بردار مختصات استفاده شده و همگي در همه حالتها داراي طول 08/0 بوده اند. براي تشريح عملكرد و شبكه ، شبكه LVQ ايجاد شده و با استفاده از بردار مختصات و ميانگين و نرخ انحراف استاندارد براي 100 شبكه ، پارامتر مقايسه تعريف شده است. براي هر شبكه ، آموزش بعد از 300 تكرار متوقف شده است. در اين تحقيق طول بردار مختصات از 10 تا 100 مرحله 10 تايي تغيير مي كند . جدول 1 نتيجه تغيير طول بردار مختصات را نشان مي دهد.

جدول 1 نشان مي دهد بهترين عملكرد زماني است كه طول بردار روي 90 تنظيم شود. افزايش بيشتر اين طول عملكرد را بهتر نمي كند و در عين حال سرعت شبكه LVQ را پايين مي آورد چرا كه محاسبات بيشتري لازم خواهدب ود.

در اين تحقيق تعداد زير مجموعه ها 77 گذارده شد. بعد از پيدا كردن طول مناسب بردار مختصات، تعداد زير مجموعه هاي هر حالت به نحوي تنظيم مي شود تا بهترين اندازه لايه رقابتي به دست آيد. در اين تحقيق طول بردار مختصات روي 90 تنظيم شد و اندازه زير مجموعه بين 35تا 77 در مرحله هيا 7 تايي ، براي هر حالت صورت تعداد مساوي زير مجموعه به كار رفته و جدول 2 خلاصه از نتايج آن است.

از جدول 2 چنين استنباط مي شود كه افزايش تعداد زير مجموعه ها به بيش از 8 در هر حالت ( يعني اندازه هر زير مجموعه بيش از 56 باشد) عملكرد شبكه با بهبود خاصي نمي بخشد. دليل آنهم اينكه زمانيكه وزنه هاي كافي براي گردة خاص متعلق به يك حالت وجود داشته باشد. افزايش تعداد زير مجموعه ها تغيير خاصي ايجاد نخواهد كرد. همچنين وقتي اندازه زير مجموعه بزرگتر از يك مساله خاص باشد. شبكه LVQ از خود داده بزرگتر مي شود وديگر خاصيت عموميت دهي نخواهد داشت. از آنجاييكه عملكرد شبكه با 11 زير مجموعه رضايت بخش به دست آمد. اندازه 77 براي زير مجموعه ها ( 11 زير مجموعه برا يهر 7 حالت ) در نظر گرفته شد بدون اينكه لايه رقابتي بزرگتر شود.

2 نكته مهم در اينجا وجود دارد:

اولا تحقيقات قبلي كه همين داده ها را كار برده و از همين تكنيك تشخيص حالت استفاده كرده اند ولي با الگوريتم يادگيري متفاوت نشان مي دهند كه ارزش يابها ( افراد) و شبكه آنان در تشخيص حالت ترس مشكل داشته اند. آزمايشهاي فوق نشان يم دهد كه براي يك ساختار خاص، عموميت دهي حدود %87051 است كه قابل مقايسه با عموميت دهي تحقيقات قبلي پس از حذف حالت ترس است.

به منظور تحليل عملكرد طبقه بندي كننده در تشخيص حالات صورت هر فرد، تستي از 70 عكس از داده ها JAFFE تهيه شد. تست شامل 7 تصوير از هر 10 شركت كننده يك عكس براي هر حالت است. سپس از ساير عكسها براي آموزش استفاده شده است. شكل 8 نرخ تشخيص عموميت يافته براي 7 حالت مختلف رانشان مي دهتد. بر خلاف نتايج تحقيقات قبلي، نرخ تشخيص عموما براي همه حالات شامل ترس يكسان است.

ثانياً، شبكه طبقه بندي حتي براي داده هاي آموزشي هم %100 جواب صحيح توليد نمي كند. سعي شد نرخ تشخيص براي عكس هر فرد تحليل شود كه نشان داده شد برخي عكسها را نمي شد به درستي تشخيص داد حتي در زمان آموزشي.اين جواب نشان مي دهد كه يا شكل در زمان بروز حالت توسط فر وجود دارد يا عكس در هنگام نام گذاري به درستي تشخيص و نامگداري نشده است. وقتي در داده هاي مخصوص آموزش اشتباه وجود داشته باشد، الگوريتم يادگيري به شدت از آن متاثر مي شود چرا كه شبكه تحت تاثير اشتباهات است. وجود حالات اشتباه برانگيز دليل اين است كه درستي %100 براي تشخيص عكسها حتي هنگام آموزش به دست نيامد. شكل 9، نرخ تشخيص شبكه LVQ براي 10 شركت كننده را نشان مي دهد.

ملاحظه مي شود كه عكسهاي 154-134 و 219-199 بسيار اشتباه برانگيزند. عكسهاي 154-134 مربوط به شركت كننده اي با نام VY و 219-199 متعلق به NA هستند. به نظر مي رسد شكل در ابراز احساسات اين دو شركت كننده باشد. تجربه نشان داد باحذف اين دو شركت كننده از داده ها، نرخ تشخيص حالات %3 بالاتر افت در اين و آزمايش طول بردرا مختصات 90 و زير مجموعه 77 بود. نتايج اين تجربه در جدول 3 آمده است. در داده ها هنوز عكسهاي مربوط به حالت ترس وجود دارد منتهي عكسهاي آن دو شركت كننده از داده ها حذف شده است.

8- نتيجه گيري و كار بيشتر ( تحقيقات بعدي):

در تحقيق فعلي الگوريتم LVQ براي تشخيص حالات صورت و بانك فيلترهاي گابور به عنوان ابزار استخراج خصوصيات با موفقيت استفاده شد. نتايج تحقيق از نتايجي كه در تحقيقات گزارش شده بهتر است در تحقيقات اوليه در طبقه بندي حالات ترس مشكلاتي گزارش شده است ولي رويكرد اين مطالعه در طبقه بندي حالات ترس نسبت به ساير حالات به طور يكساني مثبت بوده است. براي كل داده ها درستي عمومي %87051 به دست آمده است . با حذف دو شركت كننده اي كه حالات اشتباه برانگيز داشتند نرخ تشخيص حالات %3 بهبود يافت و نرخ عمومي تشخيص به %22/90 رسيد.نتيج به حد كافي مشوق هستند تا در زندگي واقعي تشخيص حالات صورت در زمينه هاي يي مانند امنيتي و حالات احساسي كاربران اين روش به كار گرفته شود. تحقيقات بعدي شامل ارزيابي عملكرد شبكه آموزشي ديده بر ساير پايگاههاي اطلاعاتي استاندارد مربوط به حالات صورت مي شود. اصلاح تحقيق فعلي در دست بررسي است تا احساسات مختلط (به عنوان مثال خوشحالي و تعجب ، ترس و نفرت ) كه در صورت انساني بروز مي كند مورد بررسي قرار گيرد.

محقق و مترجم: محمد عصاریان (عضو هیئت علمی دانشگاه آزاد کاشان)

تنضیم و ویرایش: سید محمود فاضلی و محمد محمدی