Emotionserkennung

Emotionserkennung ist der Prozess der automatisierten Bestimmung emotionaler Zustände einer Person aus Signalen wie Mimik, Stimme, Körpersprache oder Texten. Ziel ist es, aus den Beobachtungen Rückschlüsse auf Gefühle oder Stimmungen zu ziehen, oft in Echtzeit oder aus Archivaufnahmen.

Typische Signale sind Gesichtsausdrücke, Stimmdaten (Tonhöhe, Rhythmus, Lautstärke), physiologische Messungen (Herzfrequenz, Hautleitfähigkeit) sowie Textinformationen. Moderne Ansätze verwenden maschinelles Lernen, insbesondere Deep Learning, oft in multimodalen Systemen, die mehrere Signale kombinieren. Beliebte Datensätze sind CK+, FER und AffectNet.

Anwendungsfelder reichen von verbesserter Mensch-Computer-Interaktion über Marktforschung und Kundenerlebnis bis zu Gesundheits- und Sicherheitsanwendungen. Emotionserkennung dient meist als Hilfsmittel zur Unterstützung von Entscheidungen oder Reaktionen; ihre Zuverlässigkeit variiert je nach Kontext und Methode.

Herausforderungen umfassen kulturelle Unterschiede in der Mimik, kontextabhängige Bedeutungen, sensorische Störungen und Verzerrungen in Datensätzen. Ethische Fragen betreffen Privatsphäre, Einwilligung, Transparenz, Bias und Missbrauchspotenziale. Verantwortliche Entwicklung erfordert faire Datensätze, klare Nutzungszwecke und nachvollziehbare Modelle.

Rechtlich fällt der Umgang mit Emotionsdaten oft unter Datenschutzbestimmungen. In der EU gilt die DSGVO; sensibel ist die Verarbeitung emotionaler Befunde. Einwilligung, Zweckbindung und Schutz der Daten sind zentrale Anforderungen.

Historisch stammt das Feld aus der Emotionsforschung und Psychologie; mit KI-Techniken entwickelt es sich seit den 2010er-Jahren weiter. Mikroexpressionen und kulturelle Kontexte bleiben jedoch Gegenstand laufender Debatte und Forschung.