文献类型：期刊文献

中文题名：基于时空注意力分部图卷积网络的步态情绪识别

英文题名：Gait Emotion Recognition Based on Spatio-Temporal Attention Partitioned Graph Convolutional Networks

作者：邹宇翔[1];何宁[2];王文华[1];黄逊锐[1]

第一作者：邹宇翔

机构：[1]北京联合大学北京市信息服务工程重点实验室,北京100101;[2]北京联合大学智慧城市学院,北京100101

第一机构：北京联合大学北京市信息服务工程重点实验室

年份：2026

卷号：62

期号：1

起止页码：243-252

中文期刊名：计算机工程与应用

外文期刊名：Computer Engineering and Applications

收录：;北大核心:【北大核心2023】；

基金：国家自然科学基金(62236006,62272049,62172045);北京联合大学科研项目(ZKZD202301)。

语种：中文

中文关键词：分部图卷积;时空注意力;多粒度;步态情绪识别

外文关键词：partitioned graph convolutional networks;spatio-temporal attention;multi-granularity;gait emotion recognition

摘要：步态情绪识别是模式识别领域的一个重要研究方向。现有的步态情绪识别研究大多基于对人体骨架整体特征的分析,但却忽略了人体不同身体部位在情绪表达上的差异性。事实上,人体骨架的不同部位在行走过程中具有明显不同的运动模式。因此,提出了一种分部图卷积网络,通过将人体骨架分成各个身体部位,提取身体各部位的独立运动和潜在特征。此外,在目前的研究中,研究人员普遍对骨架序列中每一帧以及每个关节点都给予相同的重视。通过引入时空注意力机制,在时间维度上增强富含情绪的步态帧,同时在空间维度上关注情绪识别中更关键的骨架区域,以增强对关键信息的提取能力。最后,设计一个多粒度模块从细粒度和粗粒度两个层面提取步态特征,有效提高模型对悲伤和中性等步态特征不明显情绪的识别能力。在两个情绪步态数据集Emotion-Gai和ELMB上进行了实验,实验结果显示,所提出的模型在这两个数据集上的准确率分别达到了94.34%和94.57%,显著优于现有的方法。
Gait emotion recognition is an important research direction in pattern recognition.Most existing studies focus on the overall characteristics of the human skeleton,overlooking the differences in emotional expression among various body parts.Different parts of the skeleton exhibit distinct movement patterns during walking.This paper proposes a partitioned graph convolutional network that segments the skeleton into individual body parts to extract independent movements and latent features.Current research often gives equal importance to each frame and joint in the skeletal sequence.This paper introduces a spatio-temporal attention mechanism to enhance emotionally rich gait frames and focus on critical skeletal regions for better key information extraction.Additionally,a multi-granularity module is designed to extract gait features at both fine and coarse levels,improving recognition of less distinct emotions like sadness and neutrality.Experiments on two emotional gait datasets,Emotion-Gai and ELMB,show that the proposed model achieves accuracies of 94.34%and 94.57%,significantly outperforming existing methods.