AffectivaのEmotion SDKに、「あくび」と「痛み」という2つの新しいリアルタイム行動指標が追加されました。メディアテスト、ゲーム、UXリサーチ、デジタル体験向けに設計されたこれらのAI搭載指標は、低遅延で顔の物理的反応を客観的に測定し、研究者や開発者が疲労、不快感、関心の低下、そしてユーザーの直感的な反応をより高い精度と文脈的な洞察をもって検知できるよう支援します。

この度、Affectiva Emotion SDKの機能を拡張し、「あくび」と「痛み」という2つの新しい表情ベースの指標を導入することになりました。

これらのシグナルはいずれも、開発者、研究者、メディアチームに対し、観察可能な物理的挙動に関する極めて詳細なリアルタイム測定データを提供することを目的としており、デジタル体験全般におけるユーザーの反応について、より深い洞察を得ることを可能にします。

大まかな感情の分類とは異なり、これらの新しい指標は、個別の表情や行動反応を客観的に測定することに重点を置いている。

そのため、メディアテスト、ゲーム、eラーニング、UXリサーチ、広告、インタラクティブエンターテインメントなど、精度や文脈が重要な用途において、特に有用です。

「あくびシグナル」のご紹介

新しい「Yawn」シグナルは、物理的なあくびの表情を検知・測定するために設計されたリアルタイム指標です。従来のあくびモデルは主に自動車やドライバー監視システム向けに開発されていましたが、このバージョンは、商業研究やデジタル体験分野におけるスケーラブルなSDKアプリケーション向けに特別に最適化されています。

このモデルは、ユーザーが「退屈している」のか「疲れている」のかを推測しようとするのではなく、口を開く度合い、顎の落ち具合、唇の垂直距離など、あくびの測定可能な身体的特徴のみに焦点を当てています。これにより、開発者や研究者がそれぞれのアプリケーションや研究の文脈に合わせて解釈できる、明確な行動シグナルが提供されます。

このモデルは、AffectivaのMedia Analyticsプラットフォームから得られた、膨大かつ多様な実世界の視聴データを用いて学習されており、さまざまな人口統計、環境、録画条件において高い性能を発揮します。この幅広い学習基盤により、照明、動き、話し方、被写体の遮蔽などが大きく異なる状況においても、高い信頼性が確保されています。

技術的には、Yawn信号はリアルタイム検出に最適化された因果AIアーキテクチャによって駆動されています。このモデルは、顔面動作単位（FAU）、口の形状、発話活動、遮蔽データなど29の個別入力に加え、追加の統計的特徴量を評価します。本システムは将来の動画フレームに依存しないため、ライブやインタラクティブなアプリケーションに適した低遅延の結果を提供できます。

安定性を高め、誤検知を減らすため、この信号には、偶発的な作動を抑制し、本物のあくびではない0.5秒未満の短い動きを無視する、高度な空間的・時間的フィルタリング機構も組み込まれています。

その結果、コンテンツテスト、eラーニング、ゲーム、およびユーザビリティ調査において、注意力の低下、疲労、あるいは関心の欠如が見られる瞬間を特定するのに役立つ、極めて精度の高い行動指標が得られます。

「ペイン・シグナル」のご紹介

「Yawn」指標に加え、Affectivaは、身体的な痛みに関連する表情をリアルタイムで測定するために設計された新しい「Pain」シグナルも導入しています。

科学文献における従来の疼痛推定モデルは、UNBC-McMaster肩痛データセットなどの臨床データセットを用いて学習されることが多く、Prkachin and Solomon Pain Intensity（PSPI）尺度のような枠組みに依存しています。 Affectivaのアプローチは、これらの概念を幅広い商用SDKのユースケースに適応させつつ、観察可能な顔面行動に重点を置いています。

「あくび」のシグナルと同様、「痛み」の指標も、感情の状態や心理的苦痛について広範な仮定を立てることを意図していません。その代わりに、痛みの表情に伴う身体的な顔の反応を客観的に測定するものです。

このシグナルの活性化レベルが高い場合は強い身体的苦痛の反応に対応しますが、活性化レベルが低い場合でも、不快感や「身震い」、あるいはユーザーが「見ていて辛い」と感じる瞬間など、一般的に関連付けられる反応を捉えることができます。このため、このシグナルは、強烈でドラマチック、あるいは挑発的、あるいは没入感の高いコンテンツのテストにおいて特に有用です。

このモデルは当初、AffectivaのMedia Analyticsクラウドプラットフォームから得られた膨大な実世界映像データを用いて学習され、SDKへの導入に特化して最適化されています。完成したシステムでは、因果的および非因果的なAIアプローチを、形態学的フィルタリングを含む高度な時間的クリーニング技術と組み合わせることで、誤検知を最小限に抑え、全体的な安定性を向上させています。

さらに、インテリジェントな空間フィルタリングにより、矛盾する表情が検出された際の活性化を抑制し、多様な実環境やユーザーの行動にわたって信頼性を向上させます。

開発者、研究者、メディアチームにとって、「Pain signal」は、ゲームプレイ、映画の予告編、リアクション動画、広告、あるいはインタラクティブな体験の中で、ユーザーが強い本能的な反応を示す正確な瞬間を特定するための新たな手段となります。

この高度な機能は、ユーザーの不快感に関する貴重な知見を提供し、コンテンツやユーザー体験の向上に向けた基盤となります。痛みの測定とその多角的な評価についてより深く理解するためには、当社の包括的なガイドをご覧になることをお勧めします。