元情绪

摘要： 目的探讨元情绪对精神分裂症患者戒烟成功的预测作用。方法对173例男性精神分裂症戒烟者进行12个月的随访,记录患者戒烟复吸时间。采用特质元情绪量表(TMMS)、Cohens感知压力量表(PSS-10)和尼古丁依赖量表(FTND)分别评估戒烟者的元情绪、感知的压力水平和尼古丁依赖程度。结果中介分析显示,尼古丁依赖不仅能够直接预测戒烟复吸时间,还能通过压力感知的中介作用预测复吸时间,直接效应(0.161)、中介效应(0.031)分别占总效应(0.192)的83.85%、16.15%。调节分析显示,压力感知与情绪修复的乘积项对戒烟复吸时间的预测作用显著(β=0.005,t=1.979,P=0.049)。情绪修复水平较低患者的压力感知对戒烟复吸时间具有显著的负向预测作用(β=-0.293,t=-3.087,P=0.002);压力感知对情绪修复水平较高的患者戒烟复吸时间无预测作用(β=0.010,t=0.084,P=0.933)。结论情绪修复能调控个体对压力感知的影响,减轻了尼古丁依赖对戒烟复吸时间的间接影响。加入元情绪训练有助于改善精神分裂症患者戒烟的预后。

摘要： 在影响幼儿情绪的各类因素中,父母的元情绪占有较大的比重,父母的元情绪理念直接影响着他们对幼儿的教育与培养,长远来看也关系着幼儿的性格养成、社会交往乃至品格修养。本文首先介绍了元情绪理念的内涵特征,接着阐述、分析了父母元情绪对幼儿情绪调节的影响,最后提出解决问题的策略,旨在促使幼儿认知自己的情绪,学会适当表达情绪,并进一步形成情绪控制与自我调节的能力,为身心健康成长奠定情绪与心理发展基础。

摘要： 元情绪是新的研究领域,因此受到较多学者的关注,而父母元情绪理念是在元情绪的概念基础上所提出来的,指父母对子女及自己情绪的认知和感受。目前中国大陆对该领域的研究较少,家庭作为孩子心理发展的第一场所,他们的社会化发展受到父母的影响较大且直接。但要探讨父母元情绪理念对孩子社会化的影响存在以下两个问题:1. 中国大陆地区的父母元情绪理念研究中没有专门的本土化量表,2. 在研究中不论国内外都较少聚焦于父亲或者父母双方元情绪理念点角度。因此中国大陆地区可以进一步深化该领域的本土化研究。

摘要： 在新形势下,社会对人才的需求发生转变,不仅关注于人才的专业知识和专业能力,更关注人才的心理素质以及适应能力,这对我国的教育教学提出了更高的标准与要求。元情绪主要指中学生在进行情绪体验的过程中,持续不断地对自身的情绪进行认知、评价、管理以及调控,从而不断提升自身的道德修养,提高自身的心理健康水平的情绪。因此,各学校应开展中学生心理健康教育工作,促进学生的身心健康发展。基于此,本文主要列举在新形势下,元情绪在中学生心理健康教育中的重要作用,从而提高学校中学生的情绪控制能力,提高学校对中学生心理健康教育的关注度。

摘要： 元情绪在高职学生心理健康教育中的运用具有增强学生自我感知能力、引领学生自我评价、提升学生自我调节能力的研究意义。为运用元情绪优化高职心理健康教育效果,本文采用理论研究法、实例分析法并得出研究结论,即元情绪在心理健康教育中的运用需师生面对现实,注重引领学生情绪调节,在从实际出发原则、科学分析原则、不责备原则推行的过程中,有效运用元情绪提高心理健康教育质量,教师需运用以人为本、“生活即教育”等理念,基于元情绪创新心理健康教育方法,完善元情绪在心理健康教育中的应用,继而提升高职人才培育的水平。

摘要： 研究基于5所高校的274份问卷,探讨大学教师元情绪水平在人口统计学变量上的差异,并验证大学教师元情绪与工作绩效的关系.数据表明,大学教师元情绪水平较高,整体上处于中上水平,但元情绪各维度水平发展不平衡;大学教师元情绪的个别维度在性别、学科、年龄、职称和教龄上有显著差异;大学教师元情绪及各维度同工作绩效变量呈显著正相关.

摘要： 元情绪在中学生心理健康教育中有着重要的作用.本文从元情绪的感知、评价、情绪调节出发,具体分析了教师在各阶段如何对中学生进行心理健康教育.

摘要： 本发明公开了基于多尺度连通性特征和元迁移学习的脑电情绪分类方法。包括：采集诱发态下的32导联脑电信号；对脑电信号进行预处理，以滑动窗口的方式进行切分；根据每个窗口的脑电信号计算锁相值矩阵；构建多尺度残差网络；利用元迁移学习的框架训练多尺度残差网络，消除脑电的个体差异性；将锁相值矩阵输入到多尺度残差网络进行情绪分类。本发明通过多尺度残差网络，可以充分挖掘脑电的连通性特征，探讨连通性特征与情绪状态之间的关系，捕捉不同人脑区域的情感交互；本发明通过元迁移学习的框架，可以有效地缓解了跨被试场景下的脑电个体差异大的问题。

摘要： 本发明属于脑机接口以及机器学习领域，具体涉及了一种基于元学习实例快速筛选的脑电情绪识别方法、系统，旨在解决在样本数量不足的情况下，很难实现脑电情绪识别系统的跨被试者、跨时间快速适配的问题。本发明方法包括：获取设定时间内的各电极脑电数据作为待识别脑电数据；分别计算各电极数据的特征向量并拼接，得到待识别特征向量；采用训练好的情绪识别模型，依据待识别特征向量，获取相应的情绪标签并输出。本发明采用机器学习的前沿领域之一的元学习方法，既受益于深度学习所带来的强大表示能力，又得益于元学习强大的关系挖掘能力，有效提高在带标签样本数量不足的情况下的情绪识别模型的泛化能力，提高了情绪识别的速度和精度。

摘要： 本发明提供一种情绪分析方法、情绪提醒方法及情绪提醒控制装置，方法包括：采集语音信息并转化成文本，基于双层长短期记忆人工神经网络进行文本表征与辅助信息引入；利用辅助信息得到文本中的含有情感的词作为分析对象；分析对象中多个词之间建立情感依赖；筛选出最终目标分析对象；捕获最终目标分析对象和文本中上下文之间的关系；获取外部语料库，从外部语料库筛选出与最终目标分析对象相关性高于预设相似度的句；得到最终目标分析对象的情感对；基于情感对进行情绪分析。可以有效了解到文本中涉及到的详细方面的情感倾向性，为后续分析与决策提供一定的辅助信息。

摘要： 一种情绪检测设备、情绪检测系统、情绪检测方法和计算机可读存储介质。情绪检测设备包括：心率处理模块和情绪处理模块。所述心率处理模块被配置为接收心率信号，并对所述心率信号进行差分处理，以得到与所述心率信号对应的特征参数；所述情绪处理模块被配置为处理所述特征参数，以确定与所述特征参数对应的情绪标签。

摘要： 本发明公开了基于多尺度连通性特征和元迁移学习的脑电情绪分类方法。包括：采集诱发态下的32导联脑电信号；对脑电信号进行预处理，以滑动窗口的方式进行切分；根据每个窗口的脑电信号计算锁相值矩阵；构建多尺度残差网络；利用元迁移学习的框架训练多尺度残差网络，消除脑电的个体差异性；将锁相值矩阵输入到多尺度残差网络进行情绪分类。本发明通过多尺度残差网络，可以充分挖掘脑电的连通性特征，探讨连通性特征与情绪状态之间的关系，捕捉不同人脑区域的情感交互；本发明通过元迁移学习的框架，可以有效地缓解了跨被试场景下的脑电个体差异大的问题。

摘要： 本发明属于脑机接口以及机器学习领域，具体涉及了一种基于元学习实例快速筛选的脑电情绪识别方法、系统，旨在解决在样本数量不足的情况下，很难实现脑电情绪识别系统的跨被试者、跨时间快速适配的问题。本发明方法包括：获取设定时间内的各电极脑电数据作为待识别脑电数据；分别计算各电极数据的特征向量并拼接，得到待识别特征向量；采用训练好的情绪识别模型，依据待识别特征向量，获取相应的情绪标签并输出。本发明采用机器学习的前沿领域之一的元学习方法，既受益于深度学习所带来的强大表示能力，又得益于元学习强大的关系挖掘能力，有效提高在带标签样本数量不足的情况下的情绪识别模型的泛化能力，提高了情绪识别的速度和精度。

摘要： 本发明公开了一种情绪监测的情绪建模方法及情绪监测调节系统，该方法是拾取训练的情绪信号，依次进行滤波预处理和微分熵特征提取，得到相应的特征向量；将特征向量通过基于线性核的SVM构建情绪分类的分类器，将训练中的高兴、中性、悲伤情绪状态下对应的情绪特征数据构成一个训练集，并将高兴、中性、悲伤情绪状态下对应的特征向量送入分类器进行训练，得到基于情绪的分类器模型；再次调用上述训练集中三种情绪状态对应的特征向量分别送入分类器模型，在分类器模型的输出中得到每种情绪状态的score值(代表情绪的强弱程度)，并基于score值构建反馈准则，用于帮助用户有效地改变自己的情绪调节策略，达到情绪调节的有用效果。

摘要： 本发明提供一种情绪分析方法、情绪提醒方法及情绪提醒控制装置，方法包括：采集语音信息并转化成文本，基于双层长短期记忆人工神经网络进行文本表征与辅助信息引入；利用辅助信息得到文本中的含有情感的词作为分析对象；分析对象中多个词之间建立情感依赖；筛选出最终目标分析对象；捕获最终目标分析对和文本中上下文之间的关系；获取外部语料库，从外部语料库筛选出与最终目标分析对象相关性高于预设相似度的句；得到最终目标分析对象的情感对；基于情感对进行情绪分析。可以有效了解到文本中涉及到的详细方面的情感倾向性，为后续分析与决策提供一定的辅助信息。

摘要： 一种情绪检测设备、情绪检测系统、情绪检测方法和计算机可读存储介质。情绪检测设备包括：心率处理模块和情绪处理模块。所述心率处理模块被配置为接收心率信号，并对所述心率信号进行差分处理，以得到与所述心率信号对应的特征参数；所述情绪处理模块被配置为处理所述特征参数，以确定与所述特征参数对应的情绪标签。

摘要： 本发明提供一种基于双重对偶推理的六元情绪分析方法，包括以下步骤：步骤1：对从互联网当中所获取到的用户所发表的短文本数据进行预处理；步骤2：对偶学习模型的构建；该步骤主要是实现对原始模型和对偶模型的构建，使用经典的基于长短期记忆网络LSTM模型来实现原始模型的构建；使用了基于LSTM递归语言模型的后期融合方法；步骤3：双重对偶推理模型构建；解释上述步骤2中两种模型即原始模型f和对偶模型g的联合训练；这里f代表着情绪分类的模型，g代表着带情绪标签的句子生成模型。本发明适用于互联网当中的所有短文本信息，具有很强的普适性。并且采用了对偶学习的思想，有效改善了情绪细分类中训练数据不足导致的模型分类性能不佳的问题。