На мой взгляд начать стоит с некоей формализации экспрессии. Вот у спикера есть хорошо различимые (хотя фрагмент не самый удачный из-за меняющейся камеры): – движения глаз – головы – плеч – рук – корпуса
Какие из них в какой комбинации оцениваем, чтобы отнести то или иное слово на ту или иную сторону?