由“路怒症”想到的

近日,我在某份杂志上看到一篇关于路怒症的文章,掩卷而思,觉得文章所阐述的观点竟与现在学生的一些行为表现有着某种契合。一、路怒症之界定与案例文章是这样界定路怒症的,根据新版牛津词语大辞典的解释,路怒(roadrage)一词是形容在交通阻塞的情况下开车压力与挫折所导致的愤怒情绪。     

消除“路怒症”的采集系统

你看到这个标题是否觉得好奇？什么叫做“路怒症”呢？简单来说,就是开车时,情绪易失控,容易发脾气,在心理学上,称为“路怒症”。因为交通堵塞等往往给人带来长时间的压力和挫折感,使驾驶员产生一种应激障碍。     

智慧学习环境中基于面部表情的情感分析

情感与认知加工之间存在着密不可分的联系,学习过程中的情感状态对学习效果有一定的影响。在智慧学习环境中实现学习者情感分析,有利于促进智慧学习的发生。表情作为人类情感表达的主要方式,其中蕴含了大量有关内心情感变化的信息,通过面部表情人们可以推断内心微妙的情感状态。目前,人脸检测技术已经实现了从复杂背景中定位人脸,分类算法也相对成熟,因此表情识别的研究工作主要集中在表情特征提取上,而现有研究基本上都是基于人脸与表情的混合特征进行的识别,这产生了较大的干扰。在表情识别时,理想情况是将个体相关的人脸特征和与个体无关的表情特征相分离。依据心理学家Ekman提出的FACS(面部表情编码系统)构建的智慧学习环境下基于面部表情识别的情感分析框架,通过特征分解将个体特征及表情特征分解到不同的子空间,在表情子空间中进行表情识别,从而排除个体特征对表情识别的干扰。经JAFFE表情库的验证,表情识别结果比较理想,已在三维虚拟学习平台Magic Learning的师生情感交互子系统上实现了基于面部表情的学习者情感识别及情感干预。     

基于多模态数据融合的大学生在线学习情感分析模型

为研究大学生“情感缺失”问题,了解大学生在线学习时的情感状态,帮助教师智能化教学和学生个性化学习,文章融合大学生在线学习平台的课程评论、学习时的面部表情和姿态动作,运用深度学习方法,构建基于上下文增强的Bi-LSTMFN情感分析模型。模型包括4个部分,即上下文特征表示、跨模态信息交互、多模态信息融合和情感识别。该模型可以识别大学生在线学习时的情感状态,帮助教师改进教学策略,提高教师教学效果和学生自主学习能力。     

基于AdaBoost与改进CNN的驾驶员愤怒情绪识别

针对驾驶员愤怒驾驶引发的道路交通安全问题,提出一种基于AdaBoost与改进卷积神经网络(convolutional neural net-works,CNN)的驾驶员愤怒情绪识别模型.利用AdaBoost算法检测驾驶员人脸并采集面部表情数据,建立基于驾驶员情绪的表情数据集.针对CNN中LeNet模型的不足,提出改进方...     

基于图像分析的教育视觉情感识别

情感识别是情感计算的基础,为了促进视觉情感识别技术与教育的深度融合,文章定义了教育视觉情感识别的概念,随后从技术视角分析了面部表情识别和肢体动作识别的三方面内容,即特征提取方法、分类器算法和常用数据库。此外,文章构建了双模态教育视觉情感识别模型,以解决单一模态的情感特征不能充分表达学习者学习情感信息的问题。期望这种更全面的模型,能为未来教育领域学习者情感识别研究提供参考。     

教师的面部表情

人的面部表情是很丰富的。“愁眉苦脸”、“怒目圆瞪”、“咬牙切齿”、“眉笑眼开”等等词语都是形容不同的面部表情的。在教学中,教师的面部表情常常是“弦外之音”,它是创造和谐的课堂气氛和师生交流情感的纽带,常常起着“无声胜有声”的作用。美国心理学家艾帕尔·梅拉列斯总结了人接受信息的效果公式:信息     

谈谈汽车驾驶中的“路怒症”

"路怒症"很多时候不仅是一种驾驶情绪,还是现实生活压力积蓄的不满情绪的爆发形式。在行车过程中,必须克服"路怒症"给驾驶员朋友带来的危害,做到安全、文明驾驶,做到做文明人,行文明车,从而有效地避免威胁交通参与人的人身安全和不必要的财产损失。     

眼部、嘴部信息削弱对自闭症儿童表情识别的影响

本研究采用两因素重复测量实验设计,探究12-16岁自闭症儿童在眼部信息削弱、嘴部信息削弱、无削弱情况下对高兴、悲伤、愤怒、恐惧四种面孔表情图片的识别特点.研究结果表明:(1)无削弱情况下,12-16岁自闭症儿童对高兴、悲伤的表情识别能力较强,识别率达到0.9以上,对愤怒和恐惧的识别较差,愤怒的识别率为0.69,恐惧的识别率为0.59;(2)眼部信息削弱降低了自闭症儿童对高兴、悲伤、愤怒的识别率,对恐惧表情识别率无显著影响,嘴部信息削弱降低了自闭症儿童对四种表情的识别率;(3)在高兴和悲伤表情上眼部信息削弱和嘴部信息削弱对识别率产生的影响是一致的,在愤怒和恐惧表情上嘴部信息削弱对识别率影响大于眼部削弱.     

机器人的“情感”从何而来

<正>日本软银公司开发的全球首款可以与人交流的情感机器人"珮珀"近期在网上开售。与人们之间的情感交流过程类似,情感机器人的运作过程包括情感信息获取、识别分析和情感表达。首先,机器人需通过视觉系统、听觉系统和各类传感器等来获取外界信息。与一般智能机器人不同的是,情感机器人会更有目的地获取与情感相关的有效信息,如人脸的表情和动作,语音的高低、强弱等。情感信息的识别与分析是这     

应用表情识别与视线跟踪的智能教学系统研究

学习者的面部表情是教师获得教学反馈信息的重要来源之一。表情识别利用计算机识别人脸表情,了解人的心理状态;视线跟踪则根据眼睛的特征和位置来判别注视的区域。二者的结合可以较好地弥补远程学习者对学习内容的表情反馈信息缺失方面的不足。但国内尚未查到将表情识别与视线跟踪相结合作为表情反馈信息收集方法的公开文献。为此,文中提出基于表情识别和视线跟踪技术的智能教学系统结构模型;构建学习相关表情库的方案;并设计表情识别与视线跟踪相结合获取反馈信息的技术框架。     

情感教育：教师的能动作用何在？

语言文字是表情达意的工具，文章是一个承载多种情感信息的载体。由各类文章构成的语文教材是一个储满情感的仓库。语文课必须进行情感教育，依据文章情境创设教学情境，展现多层次、多形态的情感场，以“文章情”为基调。用“教师情”来诱发、唤起“学生情”。     

微笑所传递的信息

人会笑所以人有丰富的脸部语言。英语中有读他人的脸之说,汉语中有“鉴貌辨色”一词。这都是说,我们可以识别别人面部表情的含义。如我们可注意到笑可传递以下信息:露出笑容以后,随即收起,或把笑容突然收起,随即沉下脸来,说明此人不好对付,对他不可掉以轻心。     

在线学习系统中情感识别模块的设计与实现

针对目前在线学习中存在的“情感缺失”现象,该文结合建构主义、后现代主义教育理论的思想,提出一种具有情感状态评价和教学流程再造功能的在线学习系统模型.本原型系统利用表情识别和疲劳状态检测等技术设计并实现了情感识别模块,该模块注重教学过程中学习者的情绪情感,较好的实现了情感状态评价功能,增强了在线学习环境中的情感互动,为在线学习系统动态地进行教学流程再造提供了技术支撑.     

支撑向量机在人脸表情识别中的应用

人脸表情是人类交流的一种重要的沟通方式,面部表情的识别有着广泛的应用领域,主要包括了人脸检测、表情特征提取和表情分类这3个关键环节。介绍了支撑向量机的基本原理,认为因其强大的分类能力,已被成功应用到人脸检测、人脸的姿态估计、人脸识别和语音情感识别中,且实验表明在表情识别方面亦能取得较高的识别率。     

论生物识别信息界定中的识别标准及我国的建构

识别标准是生物识别信息概念的核心要素,也是厘清其与一般个人信息、敏感个人信息关系的重要依据。当下,生物隐私立法呈现出界定生物识别信息的两种路径：一种是基于特定信息处理活动产生的生物识别信息,另一种则是根据数据来源产生的生物特征信息。从欧盟立法经验看,前者以“已识别”为标准,存在过于依赖信息处理者主观目的与保护范围较为狭窄的不足;后者以“可识别与已识别”为标准,虽扩宽了保护范围,但易与医疗健康信息和生物技术概念相混淆,且存在沦为“笼筐式”概念的风险。鉴于此,我国应以“直接识别+已识别”构建生物识别信息的识别标准,并在规制法中构建“生物特征数据”概念,以弥补保护法中较高识别标准所带来的局限性。     

基于2DPCA补空间的特定人与非特定人的表情识别

研究表明,对一种识别有利的信息有可能反而对其他识别任务造成干扰,表情识别需要利用表示各种表情之间差异的信息.针对特定人及非特定人的7种基本表情.提出基于二维主元分析(Two-Dimensional Principle Analysis,2DPCA)补空间的表情识别算法.基于CED-WYU(1.0)及JAFFE两个表情数据库的实验结果表明,2DPCA补空间算法针对特定人与非特定人的表情识别率可达100%,高于2DPCA算法.     

让幼儿学会用适宜的方式表达情感

要培养幼儿对人或对事物的积极态度和情感,首先要让幼儿识别人的情绪、情感,知道与人的喜怒哀乐等情绪相关的面部表情,要让幼儿识别引起各种情感的缘由。情绪和情感的识别是建立在幼儿的道德情感的基础之上的。如让幼儿知道：     

情感计算在e-Learning系统中的应用探索

本文针对目前e-Learning系统中情感缺失的现状,分析了其负面影响及已有的相关对策。在此基础上,笔者提出了将情感计算融入e-Learning系统中,利用表情识别、语音情感识别以及姿态识别等技术构建基于情感计算e-Learning系统模型,并对系统实现的关键技术进行了阐述。     

BNU学习情感数据库的设计与实现

表情图像是基于表情识别技术分析学习情感的基础,然而现有表情库样本数量有限、表情图像中仅包含单人表情、拍摄场景为实验室环境,这些局限性无法支持学习情感分析的深入研究。为了解决这些问题,文章搭建了北京师范大学学习情感数据库(Beijing Normal University Learning Affect Database,BNU LAD),同时对情感数据的标注方法进行了深入研究,最终形成了包含144位学习者的22708张表情图像、1792组图像序列及243段视频片段的学习情感数据库。该数据库对学习环境下的学习情感分析具有重要意义。