谈谈如何舒缓学生在英语课堂中的焦虑情绪

根据心理学对焦虑的定义及语言学习研究中发现的语言学习和焦虑的关系,分析了学生在英语课堂中产生焦虑的原因,并从课堂人际关系、教师情绪、课堂任务难度、课堂评价、教材呈现方式、学生学习态度六个方面提出了如何舒缓学生的焦虑情绪的策略。     

从低层次到高层次表示的情感模型研究

情感模型的建立可以使计算机具备基本的情感识别和表达能力,在和谐人机交互方面有着广泛的应用。文中借助于Picard教授关于情感计算的理论,将线性系统理论和数字信号处理方法应用到情感信号与系统建模上,用信号很好地表示了人类的内在情感和情绪,并通过MATLAB仿真实验分析证明了模型的正确性。最后结合情感的高层次认知推理机制,将情感模型应用到情感虚拟人当中,形象地实现了情感对人脸表情变化的控制。     

知识网络情绪互信息熵检测

针对互联网知识资源网络中知识层次结构与网民情绪的相互关系问题,为了准确把握知识资源网络的节点结构与情绪过程的关联性,提出情绪信息熵算法.通过构建认知的活动重要度、情绪适用度和情感距离等重要指标,有效地诠释了知识结构层面与情绪过程的适用性,实现了互联网知识资源网络的情绪疏导与知识结构的二元融合.结果表明:情绪信息熵算法能对认知过程和情绪因素进行有效疏导,并能有效促进认知效用,具有较高的实践推广价值.     

交往不良儿童情绪认知特征的研究

本研究采用故事情境法探究小学交往不良儿童情绪认知特征。运用同伴提名法确定交往不良儿童作为研究对象,并随机抽取同样人数的交往正常儿童进行调查,研究交往不良儿童在情绪预测、情绪识别、情绪体验、情绪反应以及情绪监控五个认知维度上的特征与交往正常儿童存在的差异以及对其人际交往造成的影响。     

基于多元媒体数据的教育舆情情绪可视化

教育舆情研究在危机公关、舆情引导等领域具有重要作用.目前,网络已经成为民众发表文章和评论的主要阵地.然而,如何识别网络教育舆情中的情绪倾向与情绪传播模式,并且在众多媒体平台中对比分析教育舆情情绪的特点,是当前舆情研究面临的挑战.针对该挑战,我们设计实现了教育舆情情绪可视化系统.首先,根据与目标用户的讨论定义了教育舆情情绪分析的需求;其次,利用情绪识别算法识别文本情绪,并根据情绪传播模型提出了情绪传播算法;然后,设计了多个可交互视图,允许用户进行多媒体平台的对比分析.最后,基于2015年网络教育舆情数据进行案例分析,表明本文设计的可视化系统能够满足用户需求,并能支持舆情引导、危机公关中的媒体平台选择.     

人脸表情识别综述

人类面部表情在安全驾驶、智能监护、人机交互领域都有着广泛应用。随着机器学习的兴起和发展,表情识别也逐渐从传统方法向深度学习过渡。简要地概述了表情识别的研究意义、技术、常见的表情数据库、研究方法,提出了表情识别目前存在的不足并对未来研究方向作出了展望。     

仿人表情机器人头部系统设计

随着人工智能技术的不断发展,具有人机交互功能的智能服务机器人已经成为机器人研究领域一个重要的发展方向,具有表情识别与再现能力的仿人表情机器人已成为该方向研究的热点。文章分析了表情机器人的表情特征及其定义,基于机械设计、传感器技术、电机控制、人工智能以及三维造型等技术对具有表情再现功能的机器人头部机械结构、控制系统及软件系统进行了研究与设计。通过对头部系统的控制与设计,该机器人的头部各器官及其相应的表情控制点可以迅速、精确地到达预定的位置,从而实现各种情感的表达。     

基于时域、频域脑电(EEG)特征情感分类研究

目前的情绪识别技术已经成功地将情绪变化与脑电信号联系起来,并在适当的刺激下从脑电信号中进行识别和分类.因为声音以及表情等信号具有一定的伪装性,而脑电信号(EEG)和情绪的变化密切相关,通过对EEG信号的分析可以更精确的反映人的情感变化.对EEG信号的研究集中于通过时域和频域的角度提取出特征信号,采用基于熵(entropy)的可分性判断进行特征选择,分别使用SVM和HMM-SVM模型两种分类方法进行情绪分类,然后对分类结果进行分析、比较.结果表明,利用HMM-SVM模型基于频域特征的分类结果最好,平均准确率为83.93％.     

基于公共空间视频的人脸情绪识别

针对公共空间中人脸情绪识别准确率不高的问题,提出一种结合不同感受野和双流卷积神经网络的人脸情绪识别方法。首先建立基于公共空间视频的人脸表情数据集;然后设计一个双流卷积网络,以尺寸为224×224的单帧人脸图像输入卷积神经网络(convolution neural network,CNN),分析图像纹理静态特征;以尺寸为336×336视频序列输入CNN网络,再将提取的特征送入长短期记忆网络(long short term memory network,LSTM)分析局部、全局运动特征;最后通过Softmax分类器将两通道网络的描述子进行加权融合,得到分类结果。结果表明,本文方法能有效利用不同感受野的信息特征清晰识别公共空间的4种典型人脸情绪,识别准确率达88.89%。     

基于Bi-LSTM的脑电情绪识别

为解决脑电(electroencephalogram, EEG)情绪识别这一项具有挑战性的任务,提出一种基于双向长短时记忆网络(bidirectional long short-term memory, Bi-LSTM)的脑电情绪分类模型并探索大脑情绪机制,唤醒度准确率最高为76.78%,效价度准确率最高为77.28%,与其他模型比较,Bi-LSTM模型在脑电情绪识别上有出色的表现。通过Bi-LSTM模型对比不同频段、脑区和特征疏密度的准确率来探索大脑情绪机制,表明大脑中情绪相关性最高的频段、脑区和特征疏密度分别为α和β、顶叶区与额叶区、50和15。