Stimmung über eine Stunde

Ein gedächtnisloses Modell, viele Male angewandt: Du zeichnest deinen Emotionsverlauf über längere Zeit auf und plottest ihn — und siehst, wie sich Stimmung über den Tag bewegt.

Worum es geht

In der KI-Landkarte dieses Buches gibt es einen feinen, aber wichtigen Unterschied. Ein Momentaufnahme-Modell entscheidet für jede Eingabe einzeln, ohne Gedächtnis: ein Gesicht — eine Stimmung. Du kannst so ein Modell aber im Sekundentakt laufen lassen und erst hinterher den Verlauf betrachten. Dann steckt die Zeit in deiner Auswertung, nicht im Modell. Genau das tust du hier: aus vielen Momentaufnahmen wird eine Stimmungskurve.

Das ist keine Spielerei, sondern die Grundidee hinter dem virtuellen Spiegeln aus Kapitel 5. Als in einer Hamburger Bank Mitarbeitende täglich eine Rückmeldung über ihre Stimmung bekamen, wurden sie messbar glücklicher und aktiver — allein dadurch, dass ihr Befinden sichtbar wurde. Wer sich selbst ehrlich sieht, kann sich ändern. Deine Stundenkurve ist dieser Spiegel im Kleinen.

Ein bisschen Hintergrund

Warum mitteln? Ein gedächtnisloses Modell springt von Bild zu Bild. Ein einzelnes Bild, in dem du gerade gähnst oder wegschaust, würde die Kurve verfälschen. Deshalb glätten wir: Wir sammeln die Vorhersagen über ein Zeitfenster (etwa zehn Sekunden) und nehmen den Durchschnitt. So wird aus zappeligem Rauschen ein lesbarer Trend — dieselbe Idee wie das gleitende Mittel in der Pflanzen-Aktivität 13.1.

Eine Zahl für „Stimmung“. Statt sieben Emotionen zugleich zu verfolgen, ist es oft anschaulich, eine einzige Wohlfühl-Achse zu bilden: positive Anteile (Freude, angenehme Überraschung) minus negative (Ärger, Trauer, Angst, Ekel). Das ist eine grobe Vereinfachung — aber eine ehrliche, solange man weiss, dass man vereinfacht.

Teil A — Aufzeichnen

1. Pakete ergänzen. pip install pandas matplotlib (zusätzlich zu hsemotion opencv-python aus 9.1).
2. Rekorder starten. Skript unten ausführen. Es öffnet kein grosses Vorschaufenster, sondern schreibt still alle paar Sekunden eine Zeile in stimmung.csv.
3. Etwas tun. Arbeite eine Weile normal — lies, löse Aufgaben, schau ein kurzes lustiges und ein ernstes Video. Je abwechslungsreicher, desto interessanter die Kurve. Für den Unterricht reichen 15–20 Minuten; „eine Stunde“ ist das schönere Ziel für zu Hause.
4. Beenden. Mit Strg+C in der Konsole. Die CSV-Datei bleibt liegen.

import cv2, time, csv
from datetime import datetime
from hsemotion.facial_emotions import HSEmotionRecognizer

fer = HSEmotionRecognizer(model_name="enet_b0_8_best_afew")
detector = cv2.CascadeClassifier(
    cv2.data.haarcascades + "haarcascade_frontalface_default.xml")
cam = cv2.VideoCapture(0)

INTERVALL = 3          # alle 3 Sekunden eine Messung
labels = ["Anger","Contempt","Disgust","Fear","Happiness","Neutral","Sadness","Surprise"]

with open("stimmung.csv", "w", newline="") as f:
    schreiber = csv.writer(f)
    schreiber.writerow(["zeit"] + labels)      # Kopfzeile
    print("Rekorder laeuft — Strg+C beendet.")
    try:
        while True:
            ok, frame = cam.read()
            if ok:
                grau = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
                gesichter = detector.detectMultiScale(grau, 1.3, 5)
                if len(gesichter):
                    x, y, w, h = gesichter[0]
                    _, scores = fer.predict_emotions(frame[y:y+h, x:x+w], logits=False)
                    zeile = [datetime.now().isoformat(timespec="seconds")] + list(scores)
                    schreiber.writerow(zeile)
                    f.flush()
            time.sleep(INTERVALL)
    except KeyboardInterrupt:
        pass

cam.release()
print("Fertig — Daten in stimmung.csv")

Teil B — Auswerten und Plotten

Der zweite Teil liest die CSV, glättet sie und zeichnet deine Stimmungskurve. Läuft auch im Browser (Pyodide); vollständiger Code auf GitHub.

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("stimmung.csv", parse_dates=["zeit"]).set_index("zeit")

# Eine einzige "Wohlfuehl"-Achse: positiv minus negativ
positiv = df["Happiness"] + df["Surprise"]
negativ = df["Anger"] + df["Sadness"] + df["Fear"] + df["Disgust"]
df["wohl"] = positiv - negativ

# Glaetten: gleitendes Mittel ueber ~30 Sekunden (bei 3s-Takt = 10 Messungen)
df["wohl_glatt"] = df["wohl"].rolling(window=10, center=True, min_periods=3).mean()

plt.figure(figsize=(10, 4))
plt.plot(df.index, df["wohl"], color="#cfc6b4", label="roh")
plt.plot(df.index, df["wohl_glatt"], color="#2F5D3A", lw=2, label="geglaettet")
plt.axhline(0, color="#999", lw=0.8)
plt.ylabel("Wohlfuehl-Achse  (positiv − negativ)")
plt.title("Meine Stimmung ueber die Zeit")
plt.legend(); plt.tight_layout(); plt.show()

Arbeitsblatt

Wenn's klemmt

Zum Nachdenken

• Du hast ein einfaches Werkzeug (ein Momentaufnahme-Modell) durch bloßes Wiederholen und Sammeln in ein Werkzeug für Zeitverläufe verwandelt — ohne ein komplizierteres Modell zu brauchen. Das ist ein Muster, das dir im ganzen Buch wieder begegnet: viele einfache Messungen schlagen oft ein einzelnes kompliziertes Modell.
• Eine Stundenkurve deiner Stimmung ist erstaunlich intim — sie zeigt Dinge, die du selbst kaum bemerkst. Genau deshalb ist die Frage, wer solche Daten sehen darf, keine Nebensache. Aggregiert fürs Team, persönlich nur für dich: das ist die Linie, die aus Überwachung Selbsterkenntnis macht.
• Halte die Grenze: Die Kurve zeigt, welche Ausdrücke dein Gesicht über die Zeit gezeigt hat — nicht, was du wirklich gefühlt oder gedacht hast. Ausdruck ist nicht Gefühl, und ein Verlauf von Ausdrücken bleibt ein Verlauf von Ausdrücken.

Erweiterung

• Ereignisse eintragen. Führe nebenher ein kleines Protokoll („14:03 lustiges Video“) und zeichne diese Marken in den Plot. So prüfst du, ob die Kurve wirklich auf Ereignisse reagiert.
• Alle Emotionen zeigen. Statt einer Wohlfühl-Achse plotte alle acht Kurven übereinander (ein Stacked Area Plot). Man sieht schön, wie „Neutral“ die Grundfläche bildet und die Gefühle darüber aufblitzen.
• Brücke zum Happimeter. Deine Kurve schätzt Stimmung aus dem Gesicht; das Happimeter tut dasselbe aus Puls und Bewegung der Smartwatch (happimeter.socialcompass.ai). Vergleiche: Wo stimmen die beiden Spiegel überein, wo nicht?