A Bayesian Drift-Diffusion Model of Schachter-Singer's Two Factor Theory of Emotion

贝叶斯推断曾被用于建模视觉知觉（Kersten，Mamassian和Yuille，2004），其中考虑了感知的Helmholtz原理，即“无意识推断”，受到自下而上的感觉证据（似然）的限制，同时受到自上而下的期望、启动或其他情境影响（先验偏差）；这里的“无意识”仅涉及到Gibson意义上感知的“直接性”。在这里，我们采用同样的贝叶斯框架来模拟情感过程，符合Schachter-Singer的双因素理论，该理论认为情感是对自主神经兴奋的弥散模式进行认知标记或归因的结果（Schachter＆Singer，1962）。与视觉知觉类似，我们将情感过程概念化为贝叶斯推断的一个实例，将情境信息与个体的生理兴奋模式相结合。构建漂移扩散模型来模拟情感过程，其中决策边界对应于参与者经历的情感状态，越过边界构成了Schachter-Singer意义上的“标记”。我们的模型针对Schachter＆Singer（1962）和Ross等人的研究（1969）的实验数据进行测试。研究了两种模型场景，在其中，兴奋模式作为一个因素与与共谋者的情境交互（在Schachter-Singer情况下）或明确指示的误归因（在Ross等人情况下）作为另一个因素相抵触，对应于贝叶斯先验（漂移的初始位置）和似然函数（证据累积或漂移速率）。我们发现，第一种情况（兴奋作为先验，情境作为似然）更适合于Schachter＆Singer（1962），而第二种情况（情境作为先验，兴奋作为似然）更适合于Ross等人（1969）。

本文试图使用贝叶斯推理模型来解释情绪过程。具体来说，使用漂移扩散模型来模拟情感过程，其中决策边界对应于参与者经历的情感状态。

本文采用贝叶斯推理框架，将情感过程视为贝叶斯推理的实例，将情境信息与人的生理唤醒模式相结合。

本文将贝叶斯推理应用于情感过程的模拟，从而验证了Schachter-Singer的两因素理论，即情感是自主神经唤醒模式的认知标签或归因的结果。作者使用了漂移扩散模型来模拟情感过程，并将其与实验数据进行了比较。作者发现，情境信息作为先验概率，而生理唤醒模式作为似然函数时，该模型对Schachter和Singer的研究结果拟合更好。而当情境信息作为先验概率，而生理唤醒模式作为似然函数时，该模型对Ross等人的研究结果拟合更好。

在情感识别和情感计算方面已经有很多相关研究。其中一些研究包括：《Affective Computing》（2000年）和《Handbook of Affective Sciences》（2003年）等。