情绪识别

摘要： 针对单一生理信号特征信息不足以及个体特异性与全局阈值不匹配导致的情绪识别正确率低的问题,提出了一种改进的Relief F匹配多生理信号特征选择算法。通过小波包分解多生理信号并重构与情绪相关的6个波段,以及经验模态分解提取基于小波系数和重构信号本征模函数分量的8类特征;使用Relief F算法先获得优选特征组,再构建优化特征组权重获得全局最优匹配特征组,以及与其对应的匹配通道;并采用概率神经网络结合全局最优匹配特征组训练情绪分类模型。结果表明:该方法能够较好地对愉悦、愤怒、放松、悲伤4类情绪进行分类,其平均识别正确率分别为90.89%、85.39%、82.81%、87.56%,对比单一生理信号平均提升了1.76%,验证了此方法的有效性。

摘要： 目的对多种情绪进行快速准确的识别,是目前脑机接口和情感计算领域的研究热点。本文针对多情绪分类问题及个体差异的影响因素,设计一种电影片段诱发实验,利用机器学习算法对9位被试不同情绪的脑电信号进行分析,以期能够快速准确识别不同被试的情绪状态。方法首先采用非侵入式脑电设备收集被试在恐惧、愤怒、悲伤和快乐4种情绪下的脑电信号,通过对信号进行降噪处理,使用时域、频域和非线性动力学的特征提取方法,共提取出15种不同的有效特征,并根据均方根特征和三维时域特征的散点图来验证4种情绪之间的区分性;最后以平均准确率作为分类识别的评价指标,应用K近邻算法对9位被试整体的脑电特征进行训练和分类。结果3种时域特征的识别率差异较大,一阶差分绝对值的均值特征平均准确率达到95%,其余时域特征分类效果一般;频域特征中使用Welch法得到Gamma频带特征识别效果最好,平均准确率超过95%;非线性动力学特征识别率较好,平均分类准确率都超过90%。结论利用Welch法得到的Gamma频带特征和一阶差分绝对值的均值作为最优特征,能够快速准确识别不同被试的情绪状态。

摘要： 目的为优化人与机器人动作情感交互方式,研究类人型机器人动作单模态情绪表达的可识别性,探究类人型机器人动作情绪识别的影响因素。方法以类人型机器人NAO为例,采用问卷调查的方式,基于离散情绪模型,获取机器人NAO动作表达情绪的识别性、效价和唤醒度,研究类人型机器人动作的情绪识别性、效价和唤醒度,基于认知匹配理论研究类人型机器人动作与真人模拟动作、真人自然动作情绪表达差异的影响因素。结果人类能够通过类人型机器人动作的单模态情绪表达,在不同情感语义上进行比较细腻的情绪识别,机器人形态及动作的幅度、速度、力量是情绪识别的影响因素。结论建立类人型机器人动作与情感语义、效价及唤醒度的关系模型,以及类人型机器人动作情绪能量图,为机器人情感表达和动作交互设计提供较为系统的参考模型。

摘要： 为了提高脑电情绪识别的准确率与效率,针对EEG信号数据冗余导致分类精确度低和效率低等不足,训练了一个随机森林(Random Forest,RF)模型进行脑电情绪识别,利用采集到的脑电信号特征提取后进行测试,并与长短期记忆网络(Long Short-Term Memory,LSTM)、K近邻(K-Nearest Neighbor,KNN)和logistic回归(Logistic Regression,LR)进行了比较。实验结果表明,RF识别分类的准确率达到97%以上,优于另外三种分类器,且平均每次训练RF用时521±10.3ms,预测用时仅为29.3±1.5ms,情绪识别效率较高,具有一定的理论与实际应用价值。

摘要： 监狱干警可以通过此系统来了解服刑人员的心理状态掌握服刑人员动态,更有效促进监狱教育改造工作的开展。情绪识别技术通过对面部表情的嘴巴张开程度、眉毛上扬角度两项指标进行计算,从而分析服刑人员在生活中是否存在异常情况。若出现异常则与已知身份数据库对比面部特征数据点确定其身份,将异常表情图像保存到异常情绪文件夹对应身份文件夹下。此系统通过python第三方库来完成情绪提取,情绪特征集描述、测试验证来完善。

摘要： 情绪是一种大脑产生的主观认知的概括。脑信号解码技术可以以一种较客观的方式来有效地研究人的情绪及其相关认知行为。本文提出了一种基于图注意力网络的脑电情绪识别方法 (multi-path graph attention networks, MPGAT),该方法通过对脑电信号通道建图,利用卷积层提取脑电信号的时域特征以及各频带的特征,使用图注意力网络进一步捕捉情绪脑电信号的局部特征以及各脑区之间的内在功能关系,进而构建出更好的脑电信号表征。MPGAT在SEED和SEED-Ⅳ数据集的跨被试情绪识别平均准确率分别为86.03%、72.71%,在DREAMER数据集的效价(valence)和唤醒(arousal)维度的跨被试平均准确率分别为76.35%和75.46%,达到并部分超过了目前最先进脑电情绪识别方法的性能。本文所提出的脑电信号处理方法有望为情绪认知科学研究与情绪脑机接口系统提供新的技术手段。

摘要： 随着科学技术的进步,人们对情绪这一概念有了全新的认识,从过去认为情绪来源于“心”逐渐发展到了当下普遍认为情绪来源于“脑”。针对脑电信号所具有的诸多特性,首先通过去除心电、肌电噪声,滤波提取脑电信号中的有用波段;再利用集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对脑电信号进行特征提取,利用提取特征通过空间插值法绘制脑电地形图;接着利用LeNet-5算法开展具体情绪识别,并建立模型。最终通过不断地改进模型,显著提高了情绪识别准确率,准确率最高可达80.1%。

摘要： 《3—6 岁儿童学习与发展指南》(以下简称《指南》)将幼儿的情绪归属于健康领域下属的“身心状况”中,按照情绪的向度划分,有积极情绪和消极情绪两个向度。目前国内外有关情绪研究的书籍和文献不胜枚举,积极情绪属于情绪研究的一部分,大部分的概念界定也有所雷同。但幼儿积极情绪体验这是一个崭新的词汇,本文将从情绪切入,对幼儿积极情绪体验的概念界定、研究主题进行归纳。在此基础上,分析探索“幼儿积极情绪体验”的研究趋势及空间,并提出本课题组的研究展望。

摘要： 多模态数据融合旨在利用不同模态数据之间的信息互补机制提升数据分析的准确性,实现对学习主体和学习情境的精准刻画,进而还原教学过程全貌,挖掘深层次的教育规律,其已逐渐成为智能教育领域重要的技术方法和研究思想。智能教育领域常见的多模态数据类型包括外在行为表征数据、内在神经生理信息数据、人机交互数据以及学习情境感知数据。多模态数据的融合策略主要包括数据级融合、特征级融合和决策级融合,在数据分析的不同阶段选取恰当的融合策略,可以提升数据分析的准确性。在智能教育领域,多模态数据融合主要应用在人机交互分析、学习者情绪识别、学习投入分析、学业表现预测、学习情境感知五个方面。充分发挥多模态数据在学习过程感知和建模中的核心作用,可以实现对学习过程的有效还原和对学习规律的科学解释。多模态数据融合充分体现了基于数据密集型科学的教育科学研究范式变革,未来应着力于面向多元学习主体和学习情境的全时空多维度数据采集、基于多模态数据融合的学习者认知发展规律研究、基于多模态数据感知与融合的智能教育产品研发以及多模态数据采集的技术伦理问题等四个方面,构建智能时代教育科学研究的新样态。

摘要： 随着人机交互在计算机辅助领域的快速发展,脑电信号已成为情绪识别的主要手段。与此同时,图网络因其对拓扑结构数据的优秀表征能力,逐渐受到研究者们的广泛关注。为进一步提升图网络对多通道脑电信号的表征性能,文中结合脑电信号的稀疏性、不频繁性等多种特性,提出了一种基于时空自适应图卷积神经网络的脑电情绪识别方法(Self-Adaptive Brain Graph Convolutional Network with Spatiotemporal Attention,SABGCN-ST)。该方法通过引入时空注意力机制解决了情绪的稀疏性问题,并根据自适应学习的脑网络拓扑邻接矩阵,挖掘不同位置的电极通道之间的功能连接关系。最终模型基于图卷积操作进行图结构的特征学习,以实现对脑电信号的情绪预测。在DEAP和SEED两个脑电信号公开数据集上开展了大量实验,实验结果证明,SABGCN-ST相比基线模型在准确率上具有显著的优势,平均情绪识别准确率达到84.91%。

摘要： 前人已经对表情识别的相关内容进行了丰富的研究,本研究旨在探究运动员对运动情境图片的即时加工过程,以及面部或身段表情线索的掩蔽对其加工过程的影响.研究表明，观察负性图片时，单靠面部线索进行情绪识别比单靠身体线索要更为准确，参与者在面部线索上的投入显著增多且优先注视。观察正性图片时，单靠身体线索进行情绪识别比单靠面部更准确，参与者持续保持关注的是面部线索，对面部的注视范围比身体线索广泛，优先注视的是身体线索。相同性质的表情识别具有相似的眼动路径。

摘要： 本文通过对儿童体温和皮肤电反应活动的记录,对儿童情绪状态进行观察与研究,了解他们的发育水平和个体差异,对基于生理参数的儿童情绪识别进行了初步的研究.

摘要： 情绪识别是一种基本的情绪能力，识别他人的情绪对于理解他人的心理状态，预测他人的行为，更好地处理与他人的关系都有着重要的作用。目前，对情绪识别的脑机制已经有了大量的研究。研究者使用了不同的方法，主要有fMRi, PET和ERP等无损伤的技术，以及对脑损伤或有神经病变的病人临床研究。这些研究主要探讨了对不同情绪类型及不同情绪效价的识别。文章最后提出了对未来的展望：在目前的研究中，对表情的研究最多也最成熟，但是对情绪情景的研究相对较少，今后可加强对情绪情景的识别研究，包括基本情绪以及社会情绪在情绪情景中的识别。同时还可以进一步开展情绪能力的其他方面的脑机制研究，比如情绪归因，情绪调节的理解等。

摘要： 情绪是健康和智力的基础,通过对不同发育阶段的婴幼儿情绪活动进行观察和研究,可以更好的帮助儿童处理情感交流和智力发育中出现的问题.本文通过提取儿童生理参数中的分类特征,利用Fisher线性判别函数设计分类器,识别被测儿童的当前情绪,并对未来发展进行了预测.

摘要： 心电信号的数字滤波方法有多种,本文介绍了利用"加权取平均"对心电波形进行平滑的方法.提取心电信号的最有效的特征来识别儿童情绪.

摘要： 心电信号的数字滤波方法有多种,本文介绍了利用"加权取平均"对心电波形进行平滑的方法.提取心电信号的最有效的特征来识别儿童情绪.

摘要： 心电信号的数字滤波方法有多种,本文介绍了利用"加权取平均"对心电波形进行平滑的方法.提取心电信号的最有效的特征来识别儿童情绪.

摘要： 心电信号的数字滤波方法有多种,本文介绍了利用"加权取平均"对心电波形进行平滑的方法.提取心电信号的最有效的特征来识别儿童情绪.

摘要： 心电信号的数字滤波方法有多种,本文介绍了利用"加权取平均"对心电波形进行平滑的方法.提取心电信号的最有效的特征来识别儿童情绪.

摘要： 利用表情画研究儿童对情绪的识别与理解是儿童情绪认知的重要途径.已有研究发现，儿童在表情画中，显示出明显的偏爱用嘴和其他一些典型的指代物，来表现面部的情绪，而将眉毛排除在外.研究者认为其原因可能有三:首先，儿童识别和理解情绪标签可能有不同的过程(作用)，儿童能够正确地对情绪进行识别和归类是可能的，但是在理解一些标签时失败，因此在他们的画中不能表现出来。其次，儿童更可能首先从嘴部区域然后从眼睛区域搜索和回忆信息来识别面部表情，嘴部在感知觉中的优越可能使得它在儿童情绪画中被优先选择。第三，描写眉毛时，要求儿童画两条镜象斜线，因此儿童画的难点可能在于画倾斜的线妨碍了他们绘画的过程，即受绘画技巧所限。rn 最后结论为：Karmiloff-Smith's 认为幼儿的绘画表征过程是把意识不到的内隐性信息变成能被意识到的外显性知识的过程，是一个表征重述的过程。在这个过程中，存在着典型的应用性缺陷，即要幼儿通过绘画把他们内在的图式表征出来是比较困难的，因为这涉及到很多的影响因素，我们的研究亦证明了该论点。

摘要： 本发明公开了一种情绪识别模型的训练方法、情绪识别方法、设备及介质。该方法基于F‑Transformer结构实现，F‑Transformer结构包括内容编码器、两个特征编码结构及标签解码器，两个特征编码结构分别与内容编码器串联。该训练方法包括以下步骤：获取目标对象的训练集，所述训练集包括若干图像样本；对于每一图像样本，获取第一图像信息及第二图像信息；将所述第一图像信息及所述第二图像信息分别作为所述的F‑Transformer结构的两个特征编码结构的输入，所述图像样本对应的预设情绪信息作为输出进行模型训练以获取情绪识别模型。本发明摆脱了对传统的卷积神经网络结构的依赖，利用自行构建的F‑Transformer结构可以对采集的图像样本中的不同的信息进行深度融合利用，提高了模型训练的效果。

摘要： 本发明实施例提供了一种识别情绪的方法以及基于脑电数据的情绪识别模型，其中，情绪识别模型包括：空间矩阵构造模块，用于根据多个时间片中的每个时间片获得的用户的脑电信号生成第一空间矩阵，得到多个第一空间矩阵；空间特征提取模块，用于对多个第一空间矩阵中每个第一空间矩阵分别利用注意力机制计算每行以及每列的注意力权值，并根据每个第一空间矩阵的每行以及每列的注意力权值获得多个第二空间矩阵；时空特征融合模块，用于提取多个第二空间矩阵间的时序关联特征，根据多个第二空间矩阵以及对应的时序关联特征，得到多个时空表征向量；情绪识别模块，用于根据多个时空表征向量确定用户的情绪。

摘要： 本公开提供一种面部情绪识别模型的训练方法、情绪识别方法及相关设备。能够收集自然语言中与情绪相关一些情绪词汇，然后搜集每个情绪词汇对应的人脸图像，并利用情绪词汇对人脸图像进行标注形成训练样本集，对预先构建的初始网络模型进行训练，得到面部情绪识别模型，再利用面部情绪识别模型对面部情绪识别处理。这样，由于面部情绪识别模型与自然语言表达空间一致，因此利用面部情绪识别模型进行面部情绪识别的结果更加符合人类自然感知的真实情绪，情绪识别更加精确。

摘要： 本申请的实施例提供了一种儿童情绪识别模型训练方法和儿童情绪识别方法，该模型训练方法包括：采集包含有被试儿童面部表情的视频数据，所述视频数据是基于情绪诱导材料进行采集或基于教学视频进行采集；对所述视频数据进行过滤，并对过滤后的视频数据进行打标；提取过滤后的视频数据中被试儿童的面部特征；根据所述面部特征和打标结果训练支持向量机以获得儿童情绪识别模型。本申请能够通过训练得到儿童情绪识别模型，并通过该儿童情绪识别模型来辅助知道教师对自闭症儿童情绪进行识别，从而有利于指导教师及早地对自闭症儿童进行干预治疗。

摘要： 本公开提供了一种语音情绪识别模型训练方法、情绪识别方法、装置和设备。涉及人工智能领域，尤其涉及智能语音识别、智能情绪识别领域。具体实现方案为：获取样本音频的第一特征和第二特征，其中，该第一特征用于表征与该样本音频的波形有关的特征，该第二特征用于表征与该样本音频的说话者有关的特征；利用该第一特征和该第二特征进行情绪特征解耦；利用解耦得到的情绪特征进行情绪识别训练，得到训练后的语音情绪识别模型。本公开采用解耦得到的情绪特征进行情绪识别训练，训练后的语音情绪识别模型能够更加准确的进行情绪识别。

摘要： 本申请公开了一种情绪识别方法、摄像装置、情绪识别装置及存储装置。该方法包括：获取目标的音频信息和文本信息；其中，文本信息是基于音频信息得到的；分别提取音频信息的音频特征和文本信息的文本特征；基于音频特征与文本特征之间的相关性，分别对音频特征与文本特征进行修正，得到音频修正特征和文本修正特征；融合音频修正特征和文本修正特征进行情绪识别，得到目标的情绪分类。上述方案，能够提高情绪识别的准确率。

摘要： 本公开提供了一种语音情绪识别方法、语音情绪识别模型的训练方法及装置，可以应用于语音识别技术领域和金融领域。该语音情绪识别方法包括：对待识别语音数据进行特征提取，得到语音情绪特征向量序列，其中，语音情绪特征向量序列包括至少一个语音情绪特征向量，语音情绪特征向量用于表征语音强度特征和时间增量特征；以及将语音情绪特征向量序列输入至语音情绪识别模型，输出语音情绪识别结果，其中，语音情绪识别模型包括极限学习机神经网络。

摘要： 本发明提供了一种情绪识别模型的构建方法、情绪识别方法及系统，属于情绪识别领域。所述模型构建方法先采集预定时间段内包含不同情绪的62导联脑电信号，去噪后滤除无效波段，再根据产生情绪的时间起止点，进行数据切分，保留起止点之间的有效脑电信号片段作为样本；基于时间近邻法提取第一正样本子集；在每个样本内提取五个波段的功率谱密度、计算微分熵特征，并构建节点特征表示，并基于节点特征表示提取第二正样本子集；再建立脑网络图，在每个样本内分别计算导联间两两之间的锁相值，并得到当前样本对应的脑网络图的邻接矩阵并构建拓扑结构特征表示，再提取第三正样本子集，取并集得到最终的正负样本集，训练后得到成熟的情绪识别模型。

摘要： 本发明公开了一种情绪识别模型的训练方法、情绪识别方法、设备及介质。该方法基于F‑Transformer结构实现，F‑Transformer结构包括内容编码器、两个特征编码结构及标签解码器，两个特征编码结构分别与内容编码器串联。该训练方法包括以下步骤：获取目标对象的训练集，所述训练集包括若干图像样本；对于每一图像样本，获取第一图像信息及第二图像信息；将所述第一图像信息及所述第二图像信息分别作为所述的F‑Transformer结构的两个特征编码结构的输入，所述图像样本对应的预设情绪信息作为输出进行模型训练以获取情绪识别模型。本发明摆脱了对传统的卷积神经网络结构的依赖，利用自行构建的F‑Transformer结构可以对采集的图像样本中的不同的信息进行深度融合利用，提高了模型训练的效果。

摘要： 本公开提供了一种识别情绪的方法，涉及人工智能领域，尤其涉及深度学习领域。具体实现方案为：获取目标数据的第一内容特征和第一音频特征；将第一内容特征输入第一特征提取模型，得到第二内容特征；将第一音频特征输入第一特征提取模型，得到第二音频特征；以及根据第二内容特征和第二音频特征，识别与目标数据对应的目标对象的情绪。本公开还提供了一种训练情绪识别模型的方法、装置、电子设备和存储介质。