近日，华体会平台（中国）人工智能研究院在情感计算与步态情感识别研究方面取得新进展，相关成果以华体会平台为第一完成单位发表在人工智能国际权威学术期刊Transactions on Multimedia上。研究过程中，团队依托广西人机交互与智能决策重点实验室与人工智能学院，围绕复杂场景下的步态情感特征提取难题开展协同攻关，为推动人机交互从传统被动响应向具备情感感知能力的主动服务转型提供了重要技术支撑。

情感计算是人工智能领域的前沿热点，而步态情感识别（GER）因其具有非接触、远距离、保护隐私等独特优势，在老年健康监测、心理健康评估及公共安全等领域具有广阔的应用潜力。然而，现有步态情感识别方法往往未能充分考虑与人类情感密切相关的细微运动线索，导致对情感强度的表征不足；同时，以往研究多局限于时域的局部依赖，忽视了步态作为周期性运动的频域全局特征。因此，如何精准捕捉步态中的深层情感特征成为该领域亟待解决的挑战。

针对上述问题，黄发良教授团队创新性地提出了一种名为PMF-GCN（姿态-运动-频率增强图卷积网络）的三流图神经网络模型。该模型从姿态、运动和频率三个关键视角模拟人类对情感的感知过程：在姿态层面，通过提取关节位置、角度、距离等空间信息捕捉情感线索，并引入基于手工特征的情感约束策略引导网络学习；在运动层面，首次在步态情感识别中整合了关节的平移特征（如速度、加速度）与旋转特征（如角速度、角加速度），以深度挖掘与情感强度相关的细微运动信息，同时设计了平移-旋转自适应特征融合机制（TR-AFM），通过时空注意力机制和门控单元实现特征的高效融合；在频率层面，利用离散傅里叶变换将运动信息转换至频域表示，有效捕获步态的全局周期性依赖关系。

在广泛使用的E-Gait和ELMB国际公开基准数据集上的全面实验表明，PMF-GCN模型取得了当前最优性能。其中，在E-Gait数据集上准确率达到89.45%，F1分数较之前的最优方法提升了4.72%；在ELMB数据集上准确率达到86.89%，F1分数提升了2.88%。

相关成果发表了题为“Posture-Movement-Frequency-enhanced Graph Convolutional Network for Gait Emotion Recognition”的研究论文。黄发良教授为通讯作者，硕士研究生姚佳怡、谢嘉淳、叶一华、陈瑜萍共同参与完成。该研究得到了国家自然科学基金项目及教育区块链与智能技术教育部重点实验室开放基金的资助支持。

论文链接：https://ieeexplore.ieee.org/abstract/document/11345160