这项研究基于ASCERTAIN多模态数据库，旨在通过生理信号（皮电、心电、脑电）统计分析和识别人格特质，以探索情绪属性与人格特质之间的关系。

1. 背景与目标

• 核心问题： 在人机交互领域，让系统能够识别并适应用户的情感状态是一个重要需求。自艾森克人格模型提出人格与情感存在相关性以来，二者关系一直被广泛研究。

• 研究目标： 本研究旨在：

• 超越外倾性和神经质，探索更多人格特质与情感的关系。

• 基于情绪行为构建人格特质模型，而非仅依赖非语言社交行为线索。

2. 研究方法与数据库

• ASCERTAIN数据库： 本研究基于ASCERTAIN数据库，这是一个用于隐式人格和情感识别的多模态数据库。

• 内容： 包含58名用户的人格得分、情绪自评以及其观看电影片段时的生理反应数据。

• 测量指标： 通过心率、皮电和脑电来建模用户的情绪状态和“大五”人格特质。

传感器整合：

• 使用 Shimmer3 GSR+ 和 Shimmer3 ECG 传感器。

• 部署： GSR+传感器戴于手腕，电极连接非优势手的食指和中指；ECG传感器佩戴于胸部，连接5个电极。整个设置过程约5-10分钟。

• 实验流程：

• 刺激材料： 使用能有效唤起情绪的惊悚片、喜剧片和恐怖片片段。

• 流程： 每次实验约90分钟。参与者观看随机呈现的电影片段，每个片段观看后需在30秒内自评情绪状态。实验结束后完成人格问卷。

3. 情感评分与分析

自评指标： 参与者对每个电影片段在多个维度上进行评分：

• 效价： 情绪积极/消极程度。

• 唤醒度： 情绪兴奋/平静程度。

• 投入度、喜好度、熟悉度。

• 人格评估： 使用广泛采用的“大五”人格标记量表。

• 关键发现：

  
  

• 唤醒度与投入度呈中度相关；效价与喜好度高度相关。

• 外倾性与投入度呈显著负相关，暗示内向者在观看情绪化片段时可能更加沉浸。

• 人格-情感关系通过非线性统计能得到更好的表征。

4. 结论与未来研究

• 数据库价值： ASCERTAIN是首个便于研究生理、情绪和人格属性之间关系的多模态情感数据库。

• 主要结论：

  
  

• 使用生理特征进行分析也能得到一致的结果。

• 通过分析对情绪相似刺激的反应，能更好地表征人格差异。

• 非线性模型（RBF SVM）在人格特质识别上表现最佳，进一步证实了情绪与人格之间存在非线性关系。

• 未来方向： 研究表明，可从用户对相似情绪刺激的反应中观察到人格差异，这为同时进行情绪和人格分析铺平了道路，将推动对人格-情感关系的进一步探索。

总而言之，该研究成功利用Shimmer等可穿戴传感器，揭示了通过生理信号分析人格与情绪之间复杂（非线性）关系的可行性，为发展更智能、自适应的人机交互系统提供了重要基础。