Η εκτίμηση της συναισθηματικής κατάστασης είναι ένα ερευνητικό πεδίο που έχει κερδίσει αυξημένη προσοχή από την ερευνητική κοινότητα την τελευταία δεκαετία. Δύο από τους κύριους καταλύτες για αυτό είναι η πρόοδος στην ανάλυση δεδομένων με τη χρήση τεχνητής νοημοσύνης και η διαθεσιμότητα βίντεο υψηλής ποιότητας. Δυστυχώς, τα σημεία αναφοράς και τα δημόσια σύνολα δεδομένων είναι περιορισμένα, γεγονός που καθιστά αδύνατη την ανάπτυξη νέων μεθοδολογιών και την υλοποίηση συγκριτικών μελετών.
Στην παρούσα μελέτη, παρουσιάζεται η βάση δεδομένων eSEE-d, ένας πόρος που μπορεί να χρησιμοποιηθεί για την εκτίμηση της συναισθηματικής κατάστασης με βάση δεδομένα παρακολούθησης ματιών. Καταγράφηκαν οι κινήσεις των ματιών 48 συμμετεχόντων καθώς παρακολουθούσαν 10 βίντεο που προκαλούσαν συναισθήματα το καθένα από τα οποία ακολουθούσε ένα ουδέτερο βίντεο. Οι συμμετέχοντες βαθμολόγησαν τέσσερα συναισθήματα (τρυφερότητα, θυμός, αηδία, θλίψη) σε κλίμακα από το 0 έως το 10, τα οποία μεταφράστηκαν αργότερα σε επίπεδα συναισθηματικής διέγερσης (arousal) και προδιάθεσης (valence). Επιπλέον, κάθε συμμετέχων συμπλήρωσε 3 ερωτηματολόγια αυτοαξιολόγησης. Παρουσιάζεται εκτενής ανάλυση των απαντήσεων των συμμετεχόντων στα ερωτηματολόγια αυτοαξιολόγησης, καθώς και των αξιολογήσεών τους κατά τη διάρκεια των πειραμάτων. Επιπλέον, εξήχθησαν χαρακτηριστικά των ματιών και του βλέμματος από τις μετρικές που καταγράφηκαν από τα μάτια χαμηλού επιπέδου και διερευνώνται οι συσχετίσεις τους με τις αξιολογήσεις των συμμετεχόντων. Τέλος, αναλάβαμε την πρόκληση να ταξινομήσουμε τα επίπεδα arousal και valence με βάση αποκλειστικά τα χαρακτηριστικά των ματιών και του βλέμματος οδηγώντας σε ελπιδοφόρα αποτελέσματα. Συγκεκριμένα, το δίκτυο Deep Multilayer Perceptron (DMLP) που αναπτύξαμε, πέτυχε ακρίβεια 92% στη διάκριση της θετικής προδιάθεσης από τη μη θετική και 81% στη διάκριση της χαμηλής διέγερσης από τη μεσαία.
Η βάση δεδομένων αποτελείται από μετρικές που σχετίζονται με το βλέμμα, την κόρη και τις ανοιγοκλείσεις των ματιών, καθώς και πληροφορίες για τους συμμετέχοντες, τα βίντεο της μελέτης, annotations αλλά και τα ερωτηματολόγια.
Η βάση δεδομένων αποτέλεσε μέρος μιας μελέτης που εισήχθη στο πλαίσιο του SeeFar (H2020 No 826429).
