Voiko koneella olla tunteita ?
                                                   
 
 
Laajempi versio samasta aiheesta pdf muodossa

Jussi Hanhijärvi
 

Artikkelin innoituksen lähteenä on ollut Stanley Kubrickin ja Arhur C. Clarken ajankohtaisessa tieteisfantasiassa 2001: A Space Odyssey kuvatun tietokoneen HAL 9000 käyttäytyminen. Monien muiden seikkojen ohella HALlla oli kyky audiovisuaalisten vihjeiden perusteella lukea huulilta, arvioida piirustusten esteettistä sisältöä, tunnistaa miehistön tunnetiloja, omata tunteita ennustaa miehistön käyttäytymistä ja adaptiivisesti antaa personoituja vasteita. - Artikkelissa pyritään lyhyesti vastaamaan kysymykseen mitä tarkoitetaan konetunteilla, miten kone pystyy havaitsemaan käyttäjän tunteita ja miten voidaan tunteita syntetisoida.


Perinteisessä luonnontieteessä ja tekniikassa tunteiden ajatellaan olevan enemmän tai vähemmän häilyväisiä, irrationaalisia ja kaoottisia subjektiivisia elämyksiä, joiden pohjalta ei voida muodostaa selkeätä suunnitelmallista toimintaa, ohjausta ja säätöä. Tunteiden ja tunneälyn arvellaan soveltuvan hyvin taiteisiin ja ihmisten väliseen vuorovaikutukseen mutta huonosti täsmällisyyteen ja täydellisyyteen pyrkivään tekniikkaan. - Viime aikoina erityisesti tekoälytutkimuksessa on huomiota kiinnitetty laajalti HAL:n kaltaisiin ns. affektiivisiin koneisiin (tunnekoneisiin). HAL oli affektiivinen siinä mielessä että sillä oli erityinen kyky tunnistaa ihmisen tunteita, vaikuttaa rationaalisesti tunteisiin, ilmaista tunteita, omata tietynlaista tunneälyä ja ihmistuntemusta [Stork 1997, Pickard 2001].

Saadaksemme tarkemman kuvan siitä miten affektiiviset koneet voisivat toimia tarkastelemme esimerkkinä henkilökohtaista apulaista (Stork 1997). Sen tehtävänä on järjestellä käyttäjän tapaamisia ja hankkia tärkeitä tietoja. Se on ohjelmoitu oppimaan aikaisemmasta kokemuksesta voidakseen palvella käyttäjää alati paremmin. Se voi saada takaisinkytkentänä joko siten, että käyttäjä valitsee luettelosta tiettyjä ominaisuuksia ja asetuksia (eli reagointitapoja tiettyihin tapahtumiin) tai kone voi tarkkailla käyttäjän vasteita ja ohjelmoida itse itseään. Koneella on erilaisia tiloja, joita voidaan tavallaan kutsua tunteiksi:

  • Hyvän olon-tunteeksi sanotaan tilaa, jossa käyttäjä on joko ilmaissut tyytyväisyytensä koneen toiminnoista tai hän on suoriutunut tietystä tehtävästä nopeammin ja tarkemmin kuin tavallisesti.
  • Vastaavasti koneella on masennus tunne kun tilanne on päinvastoin kuin edellä.
  • Ollessaan ymmällään kone ei tiedä onko se suoriutunut tehtävästään oikein tai väärin
  • Utelias-tilassa se pyrkii oma-aloitteisesti parantamaan suoritustaan.
  • Neutraalissa tilassa koneella ei ole tunteita sinne tai tänne.

Kun järjestelmä on ollut muutaman päivän hyvän olon tilassa pyrkii se siirtymään utelias-tilaan, jolloin se yrittää etsiä uusia keinoja annetun tehtävän suorittamiseksi (vastaavasti se ottaa tällöin myös riskejä). Kun kone kärsii huonon olon tilasta se pyrkii allokoimaan lisää resursseja ja yrittää ymmärtää käyttäjän toiveita. Käyttäjän asettaessa uuden mutkikkaan sarjan toimintavaatimuksia koneelle pyrkii tämä arvioimaan hyvän olon ja masennus tilaan johtaneita tilanteita. Arvioinnin tuloksena se pyrkii hyvän olon tilaan eli valitsemaan sellaiset toiminnot, jotka aikaisemman joko johtivat käyttäjän selvästi ilmaisemaan tyytyväisyyteen tai käyttäjä suoriutui nopeammin ja tehokkaammin tehtävistään. Toisin kuin kiinteästi ohjelmoidut tietokonejärjestelmät, niin tällainen adaptiivinen henkilökohtainen apulainen ei vaadi täsmällisiä sääntöjä eikä edellytä käyttäjältä yhdenmukaista vakioitunutta käyttäytymistä. Kone on tietoinen käyttäjän dynaamisuudesta eikä käyttäjä aina muista ilmaista tyytyväisyyttään ja toisinaan hän moittii koneen käyttäytymistä oikeudettomasti (tällöin kone saattaa hieman nenäkkäästi kysyä selvityksiä).

Esimerkin koneessa on joitakin tärkeitä tunteisiin viittaavia tuntomerkkejä:

    a) Kone on itsetietoinen eli tiedostaa ja toimii tietylle tunne-tilalle ominaisella tavalla.
    b) Tunnetilat ovat koneen sisäisiä tiloja.
    c) Tunne tilasta toiseen siirtyminen tapahtuu joko ulkoisen herätteen seurauksena tai sisäisinä havaintoina.
    d) Ilmaisee ulospäin tunteensa, tilansa, ulkopuolisen havaitsijan ymmärtämällä tavalla.
    e) Kone on sopeutuvainen ympäristöönsä.


Mitä ymmärretään tunteiden olevan ?

Sanakirja määrittelee tunteen olevan "jonkin sielullisen tapahtuman tai tajunnansisällyksen elämyksellinen kokeminen mieluisan tai epämieluisan sävyisenä" (Lehtovaara 1964). Tunteilla on keskeinen merkitys ihmisen henkiinjäämisessä ja sopeutumisessa ympäristöönsä. Ne motivoivat tai käynnistävät tiettyjä moraaliseksi kutsuttuja käytöstapoja. Tapoja, jotka edelleen muodostavat merkittävän osan modernin sivilisaation perusteista. Tunteet vaikuttavat ratkaisevasti empaattiseen tai altruistiseen käyttäytymiseen ja niillä on suuri vaikutus ihmismielen luovassa toiminnassa. Tunteet eivät ole pelkästään tehokkaita ihmisten välisessä kanssakäymisessä vaan niillä on suuri osuus erilaisissa kehon, aivojen ja ajatus toiminnan säätely- ja ohjaustehtävissä. Niillä on havaittu olevan suuri merkitys ihmisen tekemissä päätösprosesseissa (Damasio 1994). Tunteilla on myös ratkaiseva merkitys maailman havaitsemisessa ja sen ilmiöiden tulkinnassa. (LeDoux 1996).

Tiedetään ihmisen kyvyn tehdä järkeviä ja soveliaita ratkaisuja dynaamisesti muuttuvassa, kompleksisessa ja ennustamattomassa ympäristössä perustuvan hyvin pitkälle tunteisiin. Marvin Minsky - eräs tekoälytutkimuksen pioneereista - onkin todennut kuvaavasti "kysymys ei ole siitä voiko älykkäällä koneella olla tunteita, vaan voiko kone olla älykäs ilman tunteita" (Minsky 1994).



Tunteiden syntymekanismista

Kysymys siitä, miten tunteet oikein syntyvät on ollut tunnetutkimuksen eräs kiistanalaisimpia ongelmia. Ihmisten on helppo kuvitella asioita, jotka tekevät heidät surulliseksi tai iloiseksi mutta on huomattavasti vaikeampaa selittää täsmällisesti miten, ilo tai suru syntyy. Kysymys joudutaan pilkkomaan kolmeen osaan eli neurofysiologisiin, elimellisiin ja tajunnan sisäisiin tapahtumiin.

Esimerkiksi tulehdus voi aiheuttaa kivun ja kipu edelleen voi johtaa vihan tunteeseen. Neurofysiologiset tutkimukset selittävät tämän siten, että primääriaistien ( näkö-, kuulo-, kosketus- jne. aistien) tuottamat signaalit vaeltavat hermoratoja pitkin limbiseen järjestelmään 1). Täältä aktivoituvat tunteet nopean, minimaallisen, automaattisen prosessin tuloksena. Tällä tavalla aktivoituneet tunteet eivät ole puhtaasti neokortexin (isojen aivojen poimuttuneiden keski- ja sivu-uurteiden kuorikerroksen) prosessoinnin tuloksia. Sen sijaan tunteet, jotka aktivoituvat ajatus tai muistitoiminnan tuloksena ajatellaan muodostuvan piiristä jossa informaatio välitetään väliaivoista neokortexiin. Tällaisen piirin katsotaan muodostavan neuraalisen pohjan tajunnansisäiselle tapahtumien arvioinnille ja arvioinnin tuloksen syntyneille tunteille.

Väliaivoilla on ratkaiseva osuus ulkoisten tunneilmaisujen esiintymisessä, erityisesti autonomisen hermoston sekä ilmeitä ja eleitä säätelevän motorista toimintaa ohjaavien järjestelmien säätelemisessä [Ilmoniemi]. Esimerkiksi vihassa saattaa sydämen lyönti- ja hengitystiheys kasvaa, kasvojen ilmeet muuttua jne.

Tunteiden kognitiivisesta - tajunnansisäisestä - syntymekanismista ei vielä ole täyttä varmuutta. Tutkijoiden joukossa esiintyy useita koulukuntia ja näkemyksiä. Monet teoriat ovat kuitenkin yhtä mieltä siitä, että tunteen syntymisessä pitää ensinnäkin esiintyä tietty stimulus, jota pyritään arvioimaan autonomisena ja automaattisena joko tiedostamattomana (primitiivisenä) tai tiedostettuna (symbolisena) prosessina. Esiintyy erilaisia näkemyksiä siitä, miten tämä arviointi (ns. valensointi) tehdään. Eräät tutkijat korostavat arvioinnin elementteinä olevan miellyttävyys, varmuus, ennakoitavissa oleva vaiva, hallittavuus, havaittava este ja laillisuus.

Bernard Weinerin taasen on esittänyt tuntomerkkiteorian, jonka mukaan tapahtumien syiden havaitseminen voidaan luonnehtia kolmella periaatteellisella tavalla, jotka taasen vaikuttavat moneen tunnekokemukseen. Havaittavat tapahtumien syyt voidaan luonnehtia alueellisesti (joko ihmiselle ulkoisesti tai sisäisesti), stabiiliuden mukaan (henkilön luonteenpiirteen tai hetkellisen olotilan mukaan) ja hallittavuuden mukaan (ihminen voi tai ei voi hallita tunnetta tai tilannetta).



Miten koneet voivat havaita käyttäjien tunteita

Edellä olevasta on siis selvää, että tunteet muodostavat koko ihmiskehoa, aivoja ja tajunnan sisäisiä prosesseja säätävän ja ohjaavan kokonaisuuden. Kun haluamme koneellisesti tunnistaa tunteita on meillä useita mahdollisuuksia. Tunnistaminen voi perustua visuaalisiin vihjeisiin, äänihavaintoihin, fysiologisten tai neurokemiallisten prosessien mittaamiseen.

Visuaalisessa tunteiden tunnistamisessa on tutkimuksen painopiste tähän saakka keskittynyt kasvon ilmeiden tunnistamiseen. Tämä voidaan tehdä joko tutkimalla still kuvista ilmeiden ääriarvoja tai selvittää erilaisin videosekvenssein ilmeiden muutoksia. Valtaosa demon- stroiduista järjestelmistä pyrkii luokittelemaan havaitut kasvon ilmeet tai ilmesekvenssit tiettyihin perusryhmiin (esimerkiksi onneen, suruun, yllättyneisyyteen, vihaan, pelkoon tai inhoon). Still kuvista tehtyjen analyysien tarkkuuksien on havaittu olevan heikkoja, jopa samalla henkilöllä esiintyvien tunneilmeiden välillä (Rosenblum 1994). Analysoimalla video sekvenssejä ollaan saavutettu parempia tuloksia. Kokeellisesti onkin havaittu, tietyt kasvonlihakset liikkuvat kaikilla ihmisillä samaan suuntaan samoja tunteita esittäessään, esimerkiksi vihastuessaan liikkuvat kulmakarvat alaspäin tunteen alussa kun taas henkilön yllättyessä liikkuvat kulmakarvat aluksi ylöspäin ja tunteen vaimentuessa ajan mukaan alaspäin.

Videosekvenssin tulkintaan on käytetty erilaisia hahmontunnistusmenetelmiä. Rosenblum & al. käyttivät kolmitasoista luokitinta jossa alimmalla hierarkiatasolla käytettiin visuaalista piirreirrotusta huulista ja kulmakarvoista, hierarkian seuraavalla tasolla sovellettiin stokastisia ns. RBF funktioita opetettuihin 6 perustunnetta tunnistaviin hermoverkkoihin ja ylimmällä tasolla käytettiin myös hermoverkkoihin pohjautuvaa luokitinta tulkitsemaan alemman tason tulokset (Rosenblum). Vaikka he saavuttivat kohtalaisen hyvän tunnistustarkkuuden (n. 70 - 80 %), niin menettely ei kuitenkaan ollut kovin robusti kun henkilö liikkui tai valaistusolosuhteet muuttuvat. Huomattavasti paremmat tulokset saavutti Lien piilotettuihin Markov malleihin (HMM) perustuvassa tunnistimessaan (Lien 1998) Tässä piirreirrotukseen käytettiin useampaa menetelmää mm. jäykän kappaleen (kallon) liikkeen tunnistusta, gradienttianalyysia (poimujen ja ryppyjen havaitsemiseksi), muodon normalisointia jne. Piirreirrotuksen tulokset johdettiin vektorikvanttisoijaan (eräänlaiseen koodikirjaan), jonka tulokset tunnistettiin HMM luokittimella ja muodostettiin ns. maksimum likelihood estimaatit. Nämä estimaatit yhdistettynä intensiteetti estimointiin antoivat tuloksenaan diskreetin luokitellun tunne termin.

HAL tunnisti astronautti Dave Bowmannin kiihtymyksen äänitiedon perusteella. Äänen pohjautuva tunteiden tunnistus on ollut kiivaan tutkimuksen kohteena ja tulokset ovat olleet melko lupaavia. Erilaisia hermoverkkoihin ja Markov malleihin perustuvia luokittimia on demonstroitu. Menettelyt pohjautuvat hyvin pitkälle spektrogrammeihin eli äänen eri taajuus- komponenttien intensiteetin vaihteluihin ajan mukaan. Merkitseviä tekijöitä ovat äänen perustaajuuden ja resonanssitaajuuksien (formattien) ajalliset vaihtelut kuten myös puheessa esiintyvät tauot. Petrushin on laatinut koejärjestelyn, jossa eri tunnevoimaisesti lausuttiin koelauseita.(Petrushin) Inhimillinen tarkkailujoukko pyrki luokittelemaan nämä tiettyihin tunneluokkiin. Analysoimalla eri luokkiin kuuluvia lausuntojen ajallisesti muuttuvaa spektraalista jakaumaa muodostettiin opetusdata eri tyyppisille hahmontunnistimille (HMM, hermoverkko jne.). Hän raportoi saavutetun 60 - 70 % tunnistustarkkuuden (paitsi surulle, jonka sekä koneellinen tunnistin että tarkkailujoukko helposti sekoittivat pelkoon).

HAL käytti tunteiden tunnistamiseen sekä auraalista että visuaalista informaatiota siltä ilmeisesti puuttui koskettava anturointi. Suurin osa ihmisistä käyttää nykyään tietokonetta koskettamalla fyysisesti joko näppäimistöä tai hiirtä (onkin todettu, että modernilla ihmisellä on intensiivimpi fyysinen kontakti tietokoneeseen kuin lähimmäiseen). Voidaanko fysikaalista mittausta käyttää tunteiden ja stressin mittaamiseen? Voidaan.
Healy väitöskirjassaan laati mittausmenettelyn, jossa mitattiin ihon sähkönjohtokykyä, sydämen lyöntitiheyttä ja veripulssien intensiteettiä, hengitystiheyttä ja lihasten aktivointia (Healey 2000) Anturointi johdettiin opetettuun HMM luokittimeen ja pyrittiin tunnistamaan neutraalia tunnetta, suuttumusta, vihaa, murhetta, veljellistä rakkautta, seksuaalista himoa, iloa ja kunnioitusta. Hän raportoi saavuttaneensa 81 % henkilökontekstista riippuvan tunnistustarkkuuden..


Koneen reagoinnista

Jos koneemme pystyisi tunnistamaan käyttäjän tunteet, turhautuneisuuden ja stressin asteen miten sen pitäisi reagoida? Kun koneeni tilttailee tai esittää iänikuista "Unrecognized command" tai "Error 60" -promptiaan, pitäisikö sen kehottaa ottamaan rahoittavia, istumaan alas ja harkitsemaan tilannetta viileästi? Tuskin. Vaikka kysymys onkin perusluonteeltaan psykologinen eikä tekninen niin se lienee tärkeä.

Koneet, jotka pystyvät havaitsemaan käyttäjän tyytymättömyyden tai tyytyväisyyden, voivat yrittää kokeilla eri vaihtoehtoja nähdäkseen mikä lopulta tuottaa soveliaimman vasteen. Edelleen tämä tulos voidaan johtaa adaptiiviseen oppimisrutiiniin ja näin parantaa koneen tulevaa mielekästä vasteisuutta. Toiseksi kone voi mukauttaa toimintaansa, erillisten inter- aktiivisten visuaalisten agenttien avulla käyttäjän mielentilan ja aikaisemman kokemuksen perusteella tilanteeseen sopivammaksi. Esimerkiksi auton ohjausjärjestelmä voi mukauttaa kiihtyvyys- ja nopeusparametrit sen mukaan kuinka kiihtynyt käyttäjä on. Kolmanneksi turhautuneisuutta tunnistava adaptiivinen järjestelmä voi mukauttaa informaation haun ja esittämisen käyttäjälle sopivammaksi, sellaisissa tilanteissa missä informaatio on joko moniselitteinen tai johtaa joko lisääntyvään turhautuneisuuteen tai seuraukset ovat ennustamattomia.


Tunteiden synteesi

Koska koneemme pystyvät ainakin jossain määrin tunnistamaan tiettyjä luokiteltuja tunteita edellä mainituin menetelmin, nousee helposti esiin kysymys voivatko koneet myös syntetisoida tunteita. Erityisen mielenkiinnon kohteena on ollut erilliset älykkäät ja yhteistoi- minnalliset agentit, joita voidaan soveltaa mm. tietokoneavusteisessa opetuksessa, suunnittelussa (sanan planning merkityksessä) ja jopa robottien ohjauksessa. Erilaisista kognitiivisista malleista valitettavasti vain muutama soveltuu hyvin tietokonepohjaiseen, algoritmiseen tunteiden synteesiin. Kirjallisuudessa esiintyneistä malleista Orhonyn, Cloren ja Collinsin esittämä OCC malli on saavuttanut lähes de facto aseman (Picard 1997).

Alun perin Ortonyn, Cloren ja Collinsin laatima teoria oli tarkoitettu tekoälysovelluksissa esiintyvien päättelysääntöjen formulointiin (Orhony 1988) Heidän mielestään ei ole kovin olennaista onko koneilla tunteita sen sijaan olennaista on että tekoälyjärjestelmät pystyvät käsittelemään säännöstöillään erilaisia tunteita erityisesti sellaisissa sovelluksissa kuten luonnollisen kielen pragmaattisessa sisällön ymmärtämisessä, yhteistoiminnallisissa ongelmanratkaisu tilanteissa ja suunnittelutehtävissä.

OCC mallissa tunteita ei esitetä käyttämällä joukkoa (atomistisia) perustunteita vaan ryhmittelemällä tunteet erilaisin kognitiivisin esiintymisehdoin. Erityisesti siinä oletetaan tunteiden syntyvän subjektiivisesti (positiivisesti tai negatiivisesti) arvioitujen tiettyihin tilanteisiin liittyvien reagointien tuloksena. Näitä tilanteita heidän mallissaan ovat tapahtumat, agentit ja objektit. Tällaisella arkkitehtuurilla Orhony Clore ja Collins tunnistivat 22 erilaista tunnetta ryhmiteltynä tunnetyypin mukaan. OCC mallissa tunteiden synteesi tietokoneella on suhteellisen helppoa. Tarkastellaan esimerkiksi miten ilo generoidaan mallissa.

Ilon synteesi:

Jos henkilö p kokee tietyn tapahtuman e hetkellä t niin merkitään D(p,e,t):llä tapahtuman haluttavuutta eli funktio D antaa positiivisen arvon jos tapahtuman odotetaan antavan suotuisia seuraamuksia tai palauttaa negatiivisen arvon jos tapahtumasta odotetaan koituvan harmillisia seuraamuksia. Merkitään Ix(p,e,t):llä taasen sellaisia tapahtumaan e liittyviä seikkoja kuten tapahtuman odotettavuus, realistisuus tai vaikkapa läheisyys (hieman abstraktimmin sanottunaIx(p,e,t) sanotaan muodostuvan kombinaatiosta globaaleja intensiteettiarvoja). Merkitään Pj(p,e,t):llä mahdollisuutta generoida ilo eli arkipäiväisesti tulkittuna: emme aina ilostu vaikka tapahtuisi kuinka iloisia asioita. Pj. kertoo juuri ilostumisen mahdollisuuden. Nyt saadaan ilolle päätössääntö:

    IF D(p,e,t) > 0
    THEN Pj(p,e,t) = fj( D(p,e,t), Ix(p,e,t) )

missä fj on ilolle spesifi funktio eli mahdollisuus ilostua on (fj määräämää) seurausta tapahtuman haluttavuudesta ja yllä mainitun intensiteetti arvon kombinaatiosta esim. odotettavuudesta Tämä päätössääntö ei vielä aiheuta ilon tilaa tai kokemista vaan se liipaisee toisen säännön, joka taasen määrää ilon intensiteetin Ij. Toisin sanoen yllä mai- nittu päätössääntö vasta kertoo, että meillä on mahdollisuus ilostua mutta ei vielä kerro kuinka paljon ilostumme, jos ilostumme ollenkaan. Olkoon Tj tietty ilon, henkilöstä ja ajanhetkestä riippuva kynnysarvo, joka on hapannaamalla korkeampi ja päiväperholla alempi. Tällöin:

    IF Pj(p,e,t) > Tj(p, t)
    THEN Ij(p,e,t) = Pj(p,e,t) - Tj(p, t)
    ELSE Ij(p,e,t) = 0

Säännöstö aktivoi ilon tunteen eli antaa nollasta poikkeavan intensiteetin kun kynnysarvo on ylitetty. Ilostumisen aste riippuu mahdollisuudesta ilostua vähennettynä kynnysarvo, edellyttäen että kynnysarvo on ylitetty. Tuloksena syntynyt ilo voidaan kuvata useammalla eri intensiteetiltään vaihtelevalla (diskreetillä) termillä kuten olla hyvillään, mielissään tai haltioitunut. Itse asiassa ei olekaan kysymys sen kummallisemmasta asiasta, kuin minkä muutenkin tiedämme: hapannaamat eivät juuri ilostu ja jos ilostuvat, niin ilostuvat melko lievästi, kun taasen päiväperhot ilostuvat vähän jokaisesta asiasta ja haltioituvat helposti. - No, hieman vulgaaristi tulkittuna.

Johtopäätökset

Merkittävimpänä johtopäätöksenä voidaan tehdä, että teknologiassa viime aikoina saavutetut edistysaskeleet mahdollistavat sellaisten koneiden rakentamisen, jotka voivat havaita käyttäjän tunteita, stressiä ja turhautuneisuutta. Koneita, jotka pystyvä syntetisoimaan erilaisia tunnetiloja vasteena havaituille stimuluksille. Siispä voidaan toteuttaa koneita, jotka voivat reagoida "inhimillisellä" tavalla käyttäjälleen, voivat oppia käyttäjältä ja adaptoitua yksilöllisiin toiveisiin. Koneita joiden katsotaan olevan "sosiaalisesti uskottavia".

Tarvitaanko tunnekoneita? Tarvitaan, jos haluamme koneidemme olevan ystävällisiä ottavan huomioon käyttäjän tarpeita ja toiveita, esittävän hyviä ratkaisutapoja käyttäjän ongelmiin. Mutta toisaalta ihmisillä voi olla huoli siitä, että koneet ottavat ylivallan, niin kuin Avaruusseikkailu 2001:n HAL teki. Niin, voivatko?




1) Limbinen järjestelmä (ns. isojen aivojen viides lohko) muodostuu kehitysopillisesti vanhimmista aivojen osista. Järjestelmä koostuu useista väliaivojen ja ohimolohkojen tumakkeista, aivokuoren osa-alueista ja muodostaa toiminnallisen kehämäisen kokonaisuuden. Limbisellä järjestelmällä on yhteydet useimpiin aivojen osiin [Ilmoniemi]

 
LÄHTEET:

  1. Stork D.G (ed) 1997: HAL's Legacy, 2001's computer as dream and reality, The MIT Press, Cambridge, Massachusetts, London England,

  2. Picard R.W 2001: Building HAL: Computers that sense.recognize and respond to human emotion, Human, Vision and Electronic Imaging VI, IS&T/SPIE's Photonics West 2001 Electronic Imaging, 21 -26 January 2001

  3. Damasio A.R 1994: Descarte's Error: Emotion, Reason and the Human Brain, Gosset/Putnam Press, NewYork 1994

  4. LeDoux J.E. 1996: The Emotional Brain, Simon & Schuster, New York 1996

  5. Lehtovaara A. 1965: Tunne, Encyclopedica Fennica, Otava

  6. Rosenblum M, Yacob Y., Davis L. 1994: Human Emotion Recognition from Motion Using a Radial Basis Function Network Architecture, IEEE Workshop on Motion of Non Rigid and Articulated Objects Austin Texas

  7. Lien J.1998: Automatic Recognition of Facial Expression Using Hidden Markov Models and Estimation of Expression Intensity, The Robotic Institute Carnegie Mellon University, Pittsburgh, Pennysylvania 1998

  8. Ilmoniemi R. Aivojen Rakenne ja toiminta, http://www.biomag.helsinki.fi

  9. Healey J. 2000: Wearable and Automotive System for Affect Recognition from Physiology, PhD thesis, Massachusetts Institute of Technology 2000

  10. Pickard R. 1997: Affective Computing, The Mit Press, Massachutes Institute of Technolgy

  11. Orhony A., Clore G., Collins C. 1988: The Cognitive Structure of Emotions, Cambridge University Press, Cambridge MA

  12. Petrushin V.: Emotion in Specch: Recognition and Application to Call Centers, Andersen Consulting