书籍推荐

我们也赶个潮流,这期的主题是“致青春”。我认识一个刚毕业的小朋友,他告诉我他很讨厌现在来回忆青春,他会对各种形式的“青春主题牌”嗤之以鼻：矫·睛!每到这个时候．我总是觉得很好笑．并非嘲笑他的赌气．而是觉得这种明显还未脱离青春叛逆情绪显得非常可爱．让笔者来回忆下这种“可爱的”小情绪．想想我们大学刚毕业时,那些陪伴我们走过青春的文学回忆。     

混音，电音：被解构的情绪

法国电影导演弗朗索瓦·特吕弗（Francois Truffaut）曾说过,“一个导演终其一生只拍一部电影。”因为一个导演的所有电影就是他一生的编年史,杰出的艺术大师往往会探寻到属于自己的独特表达方式,一生受用无穷。这句话同样可以适用于黄维伟身上,一名DJ一生只放一首曲子。虽然因为职业的关系,每天都需要“收集”各种各样的声音,但在这些声音中黄维伟轻易便会捕捉到自己想要的感觉,     

怒了吗？砸个网站泄愤吧!

常在网上游,你有没有遇到过讨厌的网站呢？如果有就让我们一起去“砸”掉它（别告诉我你讨厌的网站是www.PCDigest.com,）,让讨厌的网站成为我们的出气筒,NetDisaster网站就是我们有力的武器。     

基于改进VGG16模型的人脸情绪识别预测研究

人脸情绪识别是人类沟通交流中的重要一部分,所以正确识别人脸情绪可以保证高质量的沟通效果。文章提出改进的VGG16模型作用于人脸情绪识别的预测研究。改进模型引入正负例样本均衡化来解决数据集分布不均衡的现象,从而优化局部最小值和过拟合现象;为了提高模型训练的泛化能力,引入局部归一化对图像数据集进行处理;利用交叉验证机制提高模型训练的精确度,且修改VGG16模型第一个全连接层为全卷积层以适应任意大小的输入样本。最后采用IM-VGG16、VGG16和ResNet18模型分别对数据集进行6分类识别。实验表明,与ResNet18和VGG16模型相比,IM-VGG16模型具有更高的情绪识别准确度,其最终的识别准确度为89.92%。     

基于情感词和多任务卷积神经网络的文本情感分布学习

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network, LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。     

融合语音、脑电和人脸表情的多模态情绪识别

本文提出了一种多模态情绪识别方法, 该方法融合语音、脑电及人脸的情绪识别结果来从多个角度综合判断人的情绪, 有效地解决了过去研究中准确率低、模型鲁棒性差的问题. 对于语音信号, 本文设计了一个轻量级全卷积神经网络, 该网络能够很好地学习语音情绪特征且在轻量级方面拥有绝对的优势. 对于脑电信号, 本文提出了一个树状LSTM模型, 可以全面学习每个阶段的情绪特征. 对于人脸信号, 本文使用GhostNet进行特征学习, 并改进了GhostNet的结构使其性能大幅提升. 此外, 我们设计了一个最优权重分布算法来搜寻各模态识别结果的可信度来进行决策级融合, 从而得到更全面、更准确的结果. 上述方法在EMO-DB与CK+数据集上分别达到了94.36%与98.27%的准确率, 且提出的融合方法在MAHNOB-HCI数据库的唤醒效价两个维度上分别得到了90.25%与89.33%的准确率. 我们的实验结果表明, 与使用单一模态以及传统的融合方式进行情绪识别相比, 本文提出的多模态情绪识别方法有效地提高了识别准确率.     

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.     

脑电信号情绪识别研究综述

通过面部表情、语音语调以及脑电等生理信号对人的情绪状态进行识别分类,即情绪识别,其在医疗、交通以及教育等领域有广泛应用。脑电信号由于其真实可靠,在情绪识别领域日益得到广泛关注。总结了近年来脑电情绪识别研究所取得的进展,主要介绍基于深度学习和迁移学习进行的脑电情绪识别研究。介绍了脑电情绪识别基础理论、常用公开数据集、信号的采集和预处理,介绍特征提取与选择,重点介绍了深度学习和迁移学习在脑电情绪识别上的应用。指出该领域目前面临的挑战和前景。     

基于深度学习的基金客服情绪安抚算法

构建基金智能客服情绪安抚算法,增加人性化设计以有效提升客户使用体验。由基于OCC模型的情绪粗粒度分类得到有负面情感的文本信息,对该文本信息进行相关处理,而后基于SVM模型进行情绪细粒度分类,得到文本的负面情绪类别并在囊括专业知识和情绪应答的基金领域知识库中匹配答案和情绪应答语句,将查询结果展示给客户。     

基于EEMD和LeNet-5的脑电信号情绪识别

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%。