disgust

Self-harm represents a serious mental health concern in which emotional experiences play a significant role in both its onset and maintenance. This exploratory study examined which emotions were most frequently reported before and after self-harm, how selected emotions changed following self-harm, and how emotional experiences were associated with specific forms of self-harm and demographic factors (gender, religious identification). The sample comprised of 158 university students, of whom 130 reported a history of self-harming behavior and were included in analyses of emotional experiences. Data were collected using a modified Self-Harm Inventory questionnaire and measures assessing the occurrence of emotions before and after self-harm. Anger, feelings of failure, and sadness were the most frequently reported emotions preceding self-harm, whereas sadness, relief, disappointment, guilt, and shame were the most frequently reported emotions following self-harm. The reported frequency of anger, guilt, and sadness decreased following self-harm, whereas negative emotions remained prominent after the behavior. After Benjamini–Hochberg correction for multiple comparisons, religious identification remained negatively associated with self-harm frequency and with the reported frequency of several emotions. Gender was not significantly associated with the examined variables, although this finding should be interpreted cautiously given the gender imbalance and limited sample size. After correction, selected associations between emotions and specific forms of self-harm remained significant, including associations of anger with hitting oneself, disgust with starving oneself, hatred with self-defeating thoughts, guilt following laxative misuse, and changes in anger with hitting oneself and intentionally worsening medical situations. Overall, the findings indicate selective associations between emotional experiences and self-harming behavior while underscoring the need for longitudinal and event-level research to clarify their temporal and causal dynamics.

Pengenalan emosi melalui ekspresi wajah merupakan salah satu bidang penelitian dalam computer vision dan artificial intelligence yang berkembang pesat. Kemampuan sistem dalam mengenali ekspresi wajah manusia dapat diterapkan pada berbagai bidang, seperti pendidikan, pelayanan publik, kesehatan, sistem keamanan, hingga interaksi manusia dengan komputer (Human Computer Interaction). Penelitian ini bertujuan merancang sistem pengenalan emosi manusia secara real-time menggunakan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri atas tujuh kategori emosi, yaitu angry, disgust, fear, happy, neutral, sad, dan surprise. Proses penelitian meliputi preprocessing dataset, augmentasi data menggunakan ImageDataGenerator, pelatihan model CNN menggunakan TensorFlow Keras, penyimpanan bobot model, serta implementasi deteksi emosi secara real-time menggunakan webcam dan OpenCV. Model CNN dibangun menggunakan beberapa lapisan konvolusi, fungsi aktivasi ReLU, Max Pooling, Dropout, Flatten, Fully Connected Layer, serta Softmax sebagai lapisan klasifikasi. Hasil penelitian menunjukkan bahwa model mampu mengenali ekspresi wajah secara real-time dengan tingkat akurasi yang baik serta mampu mengklasifikasikan tujuh kategori emosi berdasarkan citra wajah yang diperoleh dari kamera. Sistem yang dikembangkan diharapkan dapat menjadi dasar pengembangan aplikasi pengenalan emosi pada berbagai bidang yang membutuhkan interaksi otomatis antara manusia dan komputer. Facial Emotion Recognition (FER) is an application of computer vision and artificial intelligence that enables a system to automatically recognize facial expressions. This study aims to design and implement a real-time system for recognizing seven emotion categories based on a Convolutional Neural Network (CNN) using a webcam. The dataset consists of seven classes: angry, disgust, fear, happy, neutral, sad, and surprise. Images are processed in grayscale format with a size of 48 × 48 pixels and augmented using ImageDataGenerator. The CNN model is built with convolutional layers, ReLU, Max Pooling, Dropout, Flatten, a fully connected layer, and Softmax, using the Adam optimizer, a batch size of 64, and 50 epochs. Evaluation was based on training accuracy, validation accuracy, training loss, and validation loss. The results show that the model achieved a training accuracy of 95.10% and a validation accuracy of 93.40%, with a training loss of 0.19 and a validation loss of 0.27 at the 50th epoch. The implementation of OpenCV and the Haar Cascade enables real-time face detection and emotion classification via a webcam. Black Box Testing confirmed that all the application’s main functions operate as designed. This study contributes to the field by integrating CNNs with webcams; however, testing on independent datasets as well as measurements of FPS and latency are required in future research.

شناسایی هیجان از طریق بیان چهره یکی از حوزه‌های پژوهشی در بینایی ماشین و هوش مصنوعی است که به سرعت در حال توسعه می‌باشد. توانایی سیستم‌ها در شناسایی بیان چهره انسان می‌تواند در حوزه‌های مختلفی مانند آموزش، خدمات عمومی، سلامت، سیستم‌های امنیتی و همچنین تعامل انسان و رایانه (Human Computer Interaction) به کار گرفته شود. هدف این پژوهش، طراحی یک سیستم شناسایی هیجان انسان به صورت بلادرنگ با استفاده از الگوریتم شبکه عصبی پیچشی (CNN) است. داده‌های مورد استفاده شامل هفت دسته هیجانی است: angry، disgust، fear، happy، neutral، sad و surprise. فرایند پژوهش شامل پیش‌پردازش داده‌ها، افزایش داده با استفاده از ImageDataGenerator، آموزش مدل CNN با استفاده از TensorFlow Keras، ذخیره وزن‌های مدل و پیاده‌سازی شناسایی هیجان به صورت بلادرنگ با استفاده از وب‌کم و OpenCV می‌باشد. مدل CNN با استفاده از چندین لایه کانولوشن، تابع فعال‌سازی ReLU، Max Pooling، Dropout، Flatten، لایه Fully Connected و Softmax به عنوان لایه طبقه‌بندی ساخته شده است. نتایج پژوهش نشان می‌دهد که مدل قادر است بیان چهره را به صورت بلادرنگ با دقت مناسبی شناسایی کند و هفت دسته هیجانی را بر اساس تصویر چهره دریافتی از دوربین طبقه‌بندی نماید. سیستم توسعه‌یافته می‌تواند مبنایی برای توسعه برنامه‌های شناسایی هیجان در حوزه‌هایی باشد که نیازمند تعامل خودکار بین انسان و رایانه هستند. شناسایی هیجان چهره (Facial Emotion Recognition, FER) یکی از کاربردهای بینایی ماشین و هوش مصنوعی است که امکان شناسایی خودکار بیان چهره را برای سیستم فراهم می‌کند. این پژوهش با هدف طراحی و پیاده‌سازی یک سیستم بلادرنگ برای شناسایی هفت دسته هیجانی بر اساس شبکه عصبی پیچشی (CNN) با استفاده از وب‌کم انجام شده است. داده‌ها شامل هفت کلاس angry، disgust، fear، happy، neutral، sad و surprise هستند. تصاویر به صورت خاکستری و با اندازه ۴۸ × ۴۸ پیکسل پردازش و با ImageDataGenerator افزایش داده شده‌اند. مدل CNN با لایه‌های کانولوشن، ReLU، Max Pooling، Dropout، Flatten، لایه Fully Connected و Softmax، با استفاده از بهینه‌ساز Adam، اندازه دسته ۶۴ و ۵۰ دوره (epoch) ساخته شده است. ارزیابی بر اساس دقت آموزش، دقت اعتبارسنجی، خطای آموزش و خطای اعتبارسنجی انجام شد. نتایج نشان داد مدل به دقت آموزش ۹۵.۱۰٪ و دقت اعتبارسنجی ۹۳.۴۰٪، با خطای آموزش ۰.۱۹ و خطای اعتبارسنجی ۰.۲۷ در دوره پنجاهم دست یافته است. پیاده‌سازی OpenCV و Haar Cascade امکان شناسایی چهره و طبقه‌بندی هیجان به صورت بلادرنگ از طریق وب‌کم را فراهم می‌کند. آزمون Black Box نشان داد که تمامی عملکردهای اصلی برنامه مطابق طراحی عمل می‌کنند. این پژوهش با ادغام CNN و وب‌کم به حوزه مربوطه کمک می‌کند؛ با این حال، آزمون بر روی داده‌های مستقل و همچنین اندازه‌گیری FPS و تأخیر در پژوهش‌های آتی مورد نیاز است.

Abstract Wildlife in cities is often perceived as ‘out of place’ because urban environments are considered human territory. This can lead to stronger negative emotional responses than encounters in natural habitats. A representative sample of adults (n = 500) rated pictures of snakes in urban versus natural environments on five dimensions: positivity, negativity, disgust, threat and approach. We tested contextual differences and the moderating roles of nature-relatedness, disgust propensity/sensitivity and snake fear while controlling for anxiety and depressive symptoms. The emotional appraisal of snakes depicted in urban environments was found to be less positive and more negative, disgusting and threatening than when the same snakes were shown in natural environments. However, approach intentions remain unchanged, indicating that context strongly influences emotional responses. Evaluations were primarily influenced by personality-related factors in natural settings, with higher nature-relatedness predicting more favourable ratings, and greater disgust and snake fear predicting more negative ratings. These individual differences played a limited role in urban settings, suggesting that strong contextual cues can override dispositional variation. The findings demonstrate that perceived ecological congruence is a key driver of how humans perceive wildlife. Effective management and policy should therefore normalize the presence of wildlife in urban areas, provide clear information to distinguish between everyday encounters and genuine risk, and design urban environments that reduce perceived intrusion. This could support coexistence and conservation in increasingly urban landscapes.

حیات‌وحش در شهرها اغلب به عنوان «نامتناسب با محیط» تلقی می‌شود، زیرا محیط‌های شهری قلمرو انسان محسوب می‌گردند. این امر می‌تواند منجر به واکنش‌های هیجانی منفی قوی‌تری نسبت به مواجهه با حیات‌وحش در زیستگاه‌های طبیعی شود. یک نمونه نماینده از بزرگسالان (n = 500) تصاویر مارها را در محیط‌های شهری در مقایسه با محیط‌های طبیعی بر اساس پنج بُعد: مثبت بودن، منفی بودن، نفرت، تهدید و قصد نزدیک شدن ارزیابی کردند. تفاوت‌های زمینه‌ای و نقش تعدیل‌کننده پیوند با طبیعت، تمایل/حساسیت به نفرت و ترس از مارها در حالی که علائم اضطراب و افسردگی کنترل شده بود، مورد بررسی قرار گرفت. ارزیابی هیجانی مارهایی که در محیط‌های شهری به تصویر کشیده شده بودند، کمتر مثبت و بیشتر منفی، نفرت‌انگیز و تهدیدکننده نسبت به زمانی بود که همان مارها در محیط‌های طبیعی نشان داده می‌شدند. با این حال، قصد نزدیک شدن تغییری نکرد، که نشان می‌دهد زمینه به شدت بر واکنش‌های هیجانی تأثیر می‌گذارد. ارزیابی‌ها عمدتاً تحت تأثیر عوامل مرتبط با ویژگی‌های شخصیتی در محیط‌های طبیعی قرار داشت، به طوری که پیوند بیشتر با طبیعت پیش‌بینی‌کننده ارزیابی‌های مطلوب‌تر و نفرت و ترس بیشتر از مارها پیش‌بینی‌کننده ارزیابی‌های منفی‌تر بود. این تفاوت‌های فردی در محیط‌های شهری نقش محدودی داشتند و این امر نشان می‌دهد که نشانه‌های قوی زمینه‌ای می‌توانند تفاوت‌های فردی را تحت‌الشعاع قرار دهند. یافته‌ها نشان می‌دهند که ادراک تناسب بوم‌شناختی عامل کلیدی در نحوه ادراک انسان‌ها از حیات‌وحش است. بنابراین مدیریت و سیاست‌گذاری مؤثر باید حضور حیات‌وحش در مناطق شهری را عادی‌سازی کند، اطلاعات روشنی برای تمایز بین مواجهه‌های روزمره و خطر واقعی ارائه دهد و محیط‌های شهری را به گونه‌ای طراحی کند که احساس مزاحمت را کاهش دهد. این اقدامات می‌تواند به همزیستی و حفاظت از حیات‌وحش در مناظر شهری رو به افزایش کمک کند.

Abstract Although the discrete emotion perspective has gained increasing attention in affective and psycholinguistic research, large-scale normative datasets in a second language (L2) remain limited. To address this gap, the present study introduces a comprehensive database of discrete emotion norms for L2 English. The dataset comprises 1,122 words evaluated by 525 Chinese-English bilinguals across five discrete emotion categories: happiness, anger, fear, disgust and sadness. Participants rated subsets of these words using a 5-point Likert scale. The results demonstrate high inter-rater reliability and reveal systematic relationships between discrete emotion ratings and affective dimensions. Furthermore, these categorical ratings correlate with emotion prototypicality and key psycholinguistic variables, including age of acquisition, word frequency, concreteness and semantic diversity. Distributional analyses highlight a pronounced asymmetry: happiness dominates the semantic space. This database provides detailed discrete emotion ratings for each word and offers a fine-grained tool for selecting controlled stimuli for research on L2 emotion.

چکیده: اگرچه دیدگاه هیجان‌های گسسته در پژوهش‌های عاطفی و روان‌زبان‌شناسی توجه فزاینده‌ای را به خود جلب کرده است، اما مجموعه داده‌های هنجاری در مقیاس وسیع برای زبان دوم (L2) همچنان محدود است. برای رفع این خلأ، مطالعه حاضر یک پایگاه داده جامع از هنجارهای هیجان‌های گسسته برای زبان انگلیسی به عنوان زبان دوم ارائه می‌دهد. این مجموعه داده شامل ۱٬۱۲۲ واژه است که توسط ۵۲۵ فرد دوزبانه چینی-انگلیسی در پنج مقوله هیجان گسسته (شادی، خشم، ترس، انزجار و غم) ارزیابی شده‌اند. شرکت‌کنندگان زیرمجموعه‌هایی از این واژه‌ها را با استفاده از مقیاس لیکرت ۵ درجه‌ای ارزیابی کردند. نتایج نشان‌دهنده پایایی بالای ارزیابان و روابط نظام‌مند میان ارزیابی‌های هیجان‌های گسسته و ابعاد عاطفی است. همچنین، این ارزیابی‌های مقوله‌ای با نمونه‌وارگی هیجان و متغیرهای کلیدی روان‌زبان‌شناختی از جمله سن اکتساب، بسامد واژه، عینیت و تنوع معنایی همبستگی دارند. تحلیل‌های توزیعی، عدم تقارن بارزی را نشان می‌دهد: شادی بر فضای معنایی غالب است. این پایگاه داده، ارزیابی‌های دقیق هیجان‌های گسسته را برای هر واژه فراهم می‌کند و ابزاری دقیق برای انتخاب محرک‌های کنترل‌شده در پژوهش‌های هیجان در زبان دوم ارائه می‌دهد.

Driving can be enhanced if the vehicle quickly responds to the driver’s emotions. Accurate recognition of the driver’s emotional state is essential for advanced driver assistance systems (ADAS). The existing models restrict to single-modal data and fail to acquire hidden emotions which affects the prediction accuracy. Also, they lack real time data integration with self driving vehicles. Thus, a more robust multimodal model is needed to combine driver’s vital metrics and emotional behaviors for enhanced safety and dynamic vehicle-human interactivity. The proposed model ‘Emo-Aware’ blends real-time data from multiple sensors, including face emotion detection cameras, speech emotion detection microphones, heart rate sensors, and blood pressure sensors. The captured data are preprocessed to remove noise, retrieve relevant features and amplify to the desired state. Further, it processes this integrated data using a CNN model with hard voting method to precisely assess driver’s sentiments. The proposed framework is validated in a simulator using benchmark multimodal datasets, demonstrating its effectiveness for driver emotion assessment and laying groundwork for future real-world ADAS deployment. The robustness of model lies in its capability to adjust driving constraints on basis of the emotion quotient of driver thereby providing a personalized driving environment. Upon model’s implementation, there is a notable rise in accuracy and fall in the loss function. The diagonal values in the confusion matrix represent class-wise emotion detection accuracies of 0.92, 0.93, 0.91, 0.95, 0.92, and 0.86, corresponding to the emotions of disgust, fear, happiness, neutrality, sadness, and surprise, respectively. The results for discrete functional modules are also gauged. The speech-sentiment module recorded the optimal values, 0.94, 0.93, 0.91, and 0.92, respectively, for accuracy, precision, recall, and f-score. The blood pressure module reported the MSE, RMSE, MAE, and R-squared values as 6 mmHg² and 2.6 mmHg, 2.2 mmHg, and 0.96, respectively. Furthermore, the Face module also recorded the optimum values of 0.95, 0.94, 0.93, and 0.93 for accuracy, precision, recall, and f-score, respectively. Therefore, the model can be beneficial for advanced driver emotion detection that not only emphasizes safety but also examines the relationship between drivers and their vehicles through personalized emotionally aware interactions.

رانندگی می‌تواند در صورتی بهبود یابد که وسیله نقلیه به سرعت به هیجانات راننده واکنش نشان دهد. شناسایی دقیق وضعیت هیجانی راننده برای سامانه‌های پیشرفته کمک‌راننده (ADAS) ضروری است. مدل‌های موجود به داده‌های تک‌وجهی محدود می‌شوند و قادر به شناسایی هیجانات پنهان نیستند که این امر بر دقت پیش‌بینی تأثیر می‌گذارد. همچنین، این مدل‌ها فاقد یکپارچه‌سازی داده‌های بلادرنگ با خودروهای خودران هستند. بنابراین، نیاز به یک مدل چندوجهی مقاوم‌تر وجود دارد تا شاخص‌های حیاتی و رفتارهای هیجانی راننده را برای افزایش ایمنی و تعامل پویای انسان و خودرو ترکیب کند. مدل پیشنهادی «Emo-Aware» داده‌های بلادرنگ را از حسگرهای متعدد، از جمله دوربین‌های شناسایی هیجان چهره، میکروفون‌های شناسایی هیجان گفتار، حسگرهای ضربان قلب و حسگرهای فشار خون ترکیب می‌کند. داده‌های جمع‌آوری‌شده پیش‌پردازش می‌شوند تا نویز حذف، ویژگی‌های مرتبط استخراج و به وضعیت مطلوب تقویت شوند. سپس این داده‌های یکپارچه با استفاده از مدل CNN و روش hard voting برای ارزیابی دقیق احساسات راننده پردازش می‌شوند. چارچوب پیشنهادی در شبیه‌ساز با استفاده از داده‌مجموعه‌های چندوجهی مرجع اعتبارسنجی شده و اثربخشی آن برای ارزیابی هیجان راننده و فراهم‌سازی زمینه برای استقرار آتی در ADAS واقعی را نشان می‌دهد. پایداری مدل در توانایی آن برای تنظیم محدودیت‌های رانندگی بر اساس ضریب هیجانی راننده نهفته است و بدین ترتیب محیط رانندگی شخصی‌سازی‌شده‌ای فراهم می‌شود. با پیاده‌سازی مدل، افزایش قابل توجهی در دقت و کاهش تابع خطا مشاهده می‌شود. مقادیر قطری ماتریس سردرگمی دقت شناسایی هیجان به تفکیک کلاس را به ترتیب 0.92، 0.93، 0.91، 0.95، 0.92 و 0.86 برای هیجانات انزجار، ترس، شادی، خنثی، غم و شگفتی نشان می‌دهد. نتایج ماژول‌های عملکردی مجزا نیز ارزیابی شده‌اند. ماژول احساس-گفتار مقادیر بهینه 0.94، 0.93، 0.91 و 0.92 را به ترتیب برای دقت، دقت مثبت، یادآوری و f-score ثبت کرده است. ماژول فشار خون مقادیر MSE، RMSE، MAE و R-squared را به ترتیب 6 mmHg² و 2.6 mmHg، 2.2 mmHg و 0.96 گزارش کرده است. همچنین، ماژول چهره نیز مقادیر بهینه 0.95، 0.94، 0.93 و 0.93 را به ترتیب برای دقت، دقت مثبت، یادآوری و f-score ثبت کرده است. بنابراین، این مدل می‌تواند برای شناسایی پیشرفته هیجان راننده مفید باشد که نه تنها بر ایمنی تأکید دارد بلکه رابطه بین رانندگان و خودروهایشان را از طریق تعاملات شخصی‌سازی‌شده و آگاه از هیجان بررسی می‌کند.