Gesichtscodierung und fEMG sind zwei führende Methoden zur Analyse von Gesichtsausdrücken in der biometrischen Forschung. Dieser Artikel vergleicht ihre Stärken hinsichtlich Umfang, Tiefe, Anwendungsmöglichkeiten und Ergebnisqualität, um Forschern dabei zu helfen, das für ihre Bedürfnisse geeignete Werkzeug auszuwählen. Entdecken Sie noch heute die Unterschiede zwischen Gesichtscodierung und fEMG!
Table of Contents
Meine Damen und Herren! Im heutigen iMotions-Blog lassen wir zwei beliebte Sensoren gegeneinander antreten – Kopf an Kopf (oder heißt es vielleicht eher „Auge in Auge“?)!
Aber zunächst einmal ein paar Hintergrundinformationen.
Wenn wir von „emotionalen Ausdrucksformen“ sprechen, denken die Menschen als Erstes an das Gesicht. Warum ist das so? Das menschliche Gesicht besteht aus 43 Muskeln, die an der Vorderseite des Schädels ansetzen, und diese Muskeln haben keinen anderen erkennbaren Zweck, als anderen emotionale Informationen zu vermitteln.
Wir können unsere Mimik aktiv verändern (wie ein Schauspieler in deinem Lieblingsfilm) oder reaktiv (wie wenn du über einen Schauspieler in deinem Lieblingsfilm lachst). Mimik kann durch äußere Einflüsse (wie das Probieren deines Lieblingsessens) oder durch innere Vorgänge (wie das Nachdenken über dein Lieblingsessen, wenn du auf Diät bist) ausgelöst werden.
Mimik ist für uns ein so wichtiger Indikator für Emotionen, dass wir sogar versuchen, sie bei unseren Haustieren zu erkennen.
Seien wir ehrlich (ha!): Mimik ist ein wesentlicher Bestandteil der biometrischen Forschung.
Nun ist unser Gehirn bereits das beste „Schwergewicht“ in Sachen Mimikanalyse, das es gibt. In Sekundenbruchteilen können wir die Stimmung in einem Raum erfassen, die Freude im Gesicht eines Kindes erkennen oder feststellen, ob jemand lügt. Sowohl in puncto Geschwindigkeit als auch Leistungsfähigkeit ist unser Gehirn unübertroffen. Leider liefert unser Gehirn keine verwertbaren Daten, die man in Excel aufbereiten könnte – und genau hier kommen wir ins Spiel.
In diesem Artikel werden wir die webkamera-basierte Gesichtsausdrucksanalyse (FEA) und die Gesichts-Elektromyographie (fEMG) in vier Kategorien miteinander vergleichen und gegenüberstellen:
- Breite
- Tiefe
- Anwendung
- Ausgabe
Welcher Sensor wird diesen Wettstreit wohl für sich entscheiden? Dann machen wir uns an die Recherche!
Runde 1: Breite
Was ist die Analyse von Gesichtsausdrücken?
Bei der FEA kommt ein Algorithmus zur automatischen Gesichtsausdrucksanalyse zum Einsatz, wie er beispielsweise von Affectiva oder Emotient angeboten wird. Dieser Algorithmus nutzt ein einfaches Videobild – egal, ob es von einem Laptop, Tablet, Smartphone, einer GoPro oder einer eigenständigen Webcam stammt.
Die genauen Details zur Funktionsweise dieser Algorithmen finden Sie hier. Wichtig ist jedoch, dass das gesamte Gesicht erkannt wird und die einzelnen Gesichtsbewegungen anhand der Position der Gesichtsmerkmale an Augen, Augenbrauen, Nase und Mund erfasst werden.
Aus der relativen Bewegung dieser Orientierungspunkte lassen sich Aktions-Einheiten wie „Stirnrunzeln“, „Augenvergrößerung“ oder „Herabziehen der Mundwinkel“ ableiten. Diese Aktions-Einheiten können dann Aufschluss darüber geben, wie wahrscheinlich es ist, dass eine Kernemotion zum Ausdruck kommt. So können beispielsweise die gewichteten Werte für „Nasenrunzeln“ und „Anheben der Oberlippe“ zur Gesamtbewertung für „Ekel“ beitragen.
Der FEA-Algorithmus von Affectiva kann Werte für 21 Aktionsmerkmale und 7 Kernemotionen liefern und darüber hinaus auch noch Werte für Engagement und Valenz berechnen – und das alles anhand eines einfachen Webcam-Feeds. Das ist eine unglaubliche Bandbreite!
Im Gegensatz dazu ermittelt fEMG Gesichtsausdrücke durch die Messung der Aktivierung einzelner Muskeln. Dazu werden Elektroden auf die Haut aufgebracht, um die elektrische Aktivität der darunter liegenden Muskeln zu messen.
Nun lässt sich jede der in der FEA beschriebenen Aktions-Einheiten auch mittels fEMG erfassen – allerdings schränkt die für die fEMG verwendete Hardware die Anzahl der Muskeln ein, von denen Signale aufgezeichnet werden können. So können Sie beispielsweise mit einem einzelnen Shimmer EXG nur Signale von zwei Muskeln aufzeichnen; mit einem kabelgebundenen BIOPAC-EMG-Verstärker ist die Aufzeichnung von nur einem Muskel möglich.
Theoretisch könnte man fEMG-Signale von jedem Muskel aufzeichnen, um alle Aktionsbereiche zu erfassen, aber dafür müsste man sich eine ganze Menge Sensoren ins Gesicht kleben, und das ist, wie man es auch dreht und wendet, eine unangenehme Erfahrung.
GEWINNER: ANALYSE DER GESICHTSMIMIK
Runde 2: Tiefe
Wie wir bereits besprochen haben, nutzt FEA ein einfaches Kamerabild, um die Wahrscheinlichkeit zu berechnen, mit der eine bestimmte Gesichtsbewegung zum Ausdruck kommt. Diese Wahrscheinlichkeit wird als Prozentwert angegeben. Allerdings gibt es dabei ein kleines Problem:
Das bedeutet, dass die Erkennungsfähigkeit von FEA auf sichtbare Gesichtsausdrücke beschränkt ist.
Was ist mit Mikroexpressionen, also diesen winzigen Gesichtsausdrücken, die nur 1/50 Sekunde dauern? Oder was ist mit wirklich subtilen Gesichtsausdrücken, bei denen die darunterliegende Gesichtsmuskulatur zwar aktiv ist, aber nicht stark genug, um die Haut tatsächlich zu bewegen?
Hier spielt fEMG seine Stärken voll aus.
Bei der fEMG werden Elektroden auf der Hautoberfläche angebracht, um die elektrische Aktivität des darunterliegenden Muskels zu messen. Diese Aktivität wird in der Regel in Millivolt angegeben, kann aber je nach Muskel auch nur wenige Mikrovolt betragen – eine winzige Menge!
Das bedeutet, dass die fEMG-Messwerte ein echter Indikator für die Gesichtsaktivierung sind und keine Wahrscheinlichkeit, wie sie beispielsweise durch die FEA ermittelt wird.
Erwähnenswert ist auch, dass fEMG eine wesentlich höhere zeitliche Auflösung aufweist als FEA – hochwertige EMG-Daten werden mit satten 512 Hz erfasst, während FEA nur 30 Hz erreicht. Diese blitzschnellen Mikroexpressionen? Mit fEMG lassen sie sich problemlos erkennen, mit FEA hingegen eher weniger.
Dadurch eignet sich fEMG ideal, wenn Sie nach wirklich subtilen oder flüchtigen Ausdrucksformen suchen.
Auch wenn fEMG vielleicht nicht das gesamte Spektrum menschlicher Gesichtsausdrücke abdeckt, bietet es doch, wenn Sie sich für ein oder zwei bestimmte Muskeln interessieren (wie etwa die für das Stirnrunzeln und Lächeln), eine außergewöhnliche Empfindlichkeit und Messgenauigkeit sowohl hinsichtlich des Zeitablaufs als auch der Amplitude.
GEWINNER: GESICHTSELEKTROMYOGRAPHIE
Runde 3: Bewerbung
Was für ein Kopf-an-Kopf-Rennen! In puncto Datentiefe und -breite konnten beide Seiten punkten. Doch für welche Anwendungsfälle eignet sich die FEA am besten, und für welche die fEMG?
Nun, bei bildschirmbasierten Stimuli wie Bildern, Videos, Websites, Umfragen und Bildschirmaufnahmen ist FEA super einfach umzusetzen, da man dafür lediglich eine Webcam benötigt. Wir persönlich bevorzugen die Logitech C920, obwohl praktisch jede Webcam ausreicht. Sie muss lediglich über dem Bildschirm des Befragten platziert werden, und schon ist alles fertig!
Ein oft übersehener Vorteil der FEA-Anwendung ist, dass Sie die Personen während einer Live-Aufnahme gar nicht erst aufzeichnen müssen, um Daten zu den Gesichtsausdrücken zu erhalten – iMotions verfügt über eine praktische Funktion, mit der Sie Videos nachträglich importieren können, um eine rückwirkende FEA-Analyse durchzuführen. Dies ist eine hervorragende Option, wenn Sie über mehrere Kameraaufnahmen verfügen, anhand derer Sie Gesichtsausdrücke analysieren möchten. Sie können auch festlegen, welches Gesicht analysiert werden soll, falls sich mehrere Personen in einer Videoaufnahme befinden!
Es klingt also so, als sei die FEA vielseitig, einfach und liefere mit minimalem Aufwand eine Fülle von Daten. Allerdings hat die erfolgreiche FEA ihre Grenzen – denn die untersuchte Person muss vollständig im Blickfeld einer Webcam sein. Und angesichts der unzähligen Möglichkeiten in der Verhaltensforschung ist der Einsatz einer Webcam manchmal nicht möglich.
Bei VR-Studien ist eine FEA nicht möglich, da das Gesicht durch das Headset verdeckt wird. Dies gilt auch für mobile Studien – nicht nur, weil sich die Probanden im Raum bewegen und daher schwer mit der Kamera zu erfassen sind, sondern auch, weil sie möglicherweise eine Eye-Tracking-Brille tragen, die ebenfalls die Stirn verdeckt und die FEA beeinträchtigen kann. In beiden Fällen ist ein fEMG-Setup eine perfekte Alternative, um unter diesen besonderen Bedingungen Valenzdaten zu erfassen.
Ein weiterer, oft übersehener Vorteil der EMG-Messung besteht darin, dass sie nicht auf die Gesichtsmuskulatur beschränkt sein muss. Je nach Forschungsfrage lässt sich die Muskelaktivität an jeder beliebigen Stelle des Körpers messen. So kann beispielsweise die EMG-Messung an Hals und Schultern zur Beurteilung von Stress- und Schreckreaktionen herangezogen werden. Die EMG-Messung an Arm und Hand ermöglicht die Quantifizierung des Greifverhaltens. Für Labore in den Bereichen Kinesiologie, Ergonomie und Bewegungswissenschaft ist die EMG ein unverzichtbares Werkzeug.
Zusammenfassend lässt sich nicht sagen, welche Methode besser geeignet ist. Tatsächlich ergänzen sich FEA und fEMG perfekt und können in einer Vielzahl von Anwendungsbereichen der Verhaltensforschung eingesetzt werden.
SIEGER: UNENTSCHIEDEN
Runde 4: Ausgabe
Vor der letzten Runde steht es Kopf an Kopf! Wir haben gezeigt, dass sowohl FEA als auch fEMG gleichermaßen vielseitig einsetzbar sind. Aber was können Sie mit den Daten anfangen, wenn die Studie abgeschlossen ist und Sie Ihre Daten erfasst haben?
Nach der Nachbearbeitung der FEA-Daten in iMotions stehen Ihnen in unseren Analysewerkzeugen integrierte Algorithmen zur Verfügung, die als „Signal Thresholding“ bezeichnet werden. Damit können Sie im Wesentlichen kontinuierliche FEA-Daten im Zeitverlauf – pro Proband und pro Reiz – in einen Wert von 1 (Ja) oder 0 (Nein) umwandeln.
Die Signalschwellenwertbildung ist aus zwei Gründen ein hervorragendes Werkzeug: a) Sie ermöglicht eine einfache Quantifizierung der Daten (da man nun mit Nullen und Einsen arbeitet) und b) sie ermöglicht eine einfache Zusammenfassung von Bevölkerungsmetriken, sodass man für einen bestimmten Reiz sehen kann, wie viele Personen zu einem bestimmten Zeitpunkt eine bestimmte Emotion gezeigt haben und wie lange diese anhielt. Dadurch lassen sich die Daten leicht zusammenfassen und visualisieren – beides können Sie in iMotions einfach und schnell erledigen!
fEMG ist zwar theoretisch leistungsfähiger beim Export, erfordert jedoch etwas mehr Aufwand, sobald die Daten erfasst sind. Die Rohdaten liegen in Millivolt vor, und das Signal muss bereinigt und geglättet werden, um quantifizierbare Ergebnisse zu erhalten. Das bedeutet, dass Sie für die Verwendung von fEMG Folgendes benötigen:
- Hilfsprogramme zur Datenbereinigung (wie Matlab, BIOPACs Acknowledge, Python oder R)
- Fachkenntnisse in den Bereichen Programmierung und Signalverarbeitung
Sobald die fEMG-Daten jedoch in einem verwertbaren Format vorliegen, lassen sich daraus aussagekräftige Kennzahlen wie der genaue Grad der Muskelaktivierung und das zeitliche Ablaufmuster ableiten. Außerdem können Sie die bereinigten EMG-Daten nach dem Import zur einfacheren Visualisierung wieder in iMotions zurückladen.
Allerdings … in der entscheidenden Phase, wenn es um die Auswertung der Messergebnisse geht, punktet die FEA mit der Leichtigkeit, mit der sich aus den Daten aussagekräftige Schlussfolgerungen ziehen lassen.
GEWINNER: ANALYSE DER GESICHTSMIMIK
So, das war’s, meine Damen und Herren! Hier ist die Spielstatistik zu dem fantastischen Spiel, das wir gerade gesehen haben:
Umfang: Analyse des Gesichtsausdrucks
Tiefe: Gesichts-EMG
Anwendung: DRAW
Ergebnis: Analyse des Gesichtsausdrucks
Einen kurzen Überblick über die Unterschiede zwischen diesen beiden Tools zur Gesichtsausdrucksanalyse finden Sie in der folgenden Tabelle.
Aber auch wenn die FEA vielleicht mehr Vorteile hat als die fEMG, ist eine der beiden Methoden wirklich besser als die andere?
Nicht wirklich … denn das hängt ganz von Ihrer Forschungsfrage ab. Sowohl FEA als auch fEMG können im richtigen Anwendungsfall leistungsstarke Werkzeuge sein. Lassen Sie sich jedoch nicht durch mangelndes technisches Fachwissen in Ihrer Forschung einschränken. Schließlich sind wir genau dafür da – um es Ihnen leichter zu machen. Wenn Sie weitere Informationen wünschen, schauen Sie sich gerne unseren „Facial Expressions Pocket Guide“ an oder wenden Sie sich an Ihren iMotions-Ansprechpartner vor Ort, um zu erfahren, wie Gesichtsausdrücke Ihre Forschung bereichern können!
