通过自适应分层时空动态图像（Adaptive Hierarchical Spatio-temporal Dynamic Image，AHDI）技术，我们在医疗保健和医学领域中引入了自动疼痛强度估计方法。该方法使用面部表情作为主要工具，利用 AHDI 将面部视频的时空变化编码为一个单一的 RGB 图像，并应用简化的二维深度模型进行视频表征。该技术框架中，我们采用残差网络来获得面部的广义表征，并针对两个任务进行优化：疼痛强度估计和真实与模拟疼痛表达的区分。方法在两个广泛使用的疼痛数据集上进行测试，在两个任务上均取得了令人鼓舞的结果。除了最小化对大量标记数据的需求外，我们的方法还提高了疼痛评估的精度，提供了更好的疼痛管理。

Dec, 2023

应用动态时间规整相似度的核方法和支持向量分类器，只使用主成分分析压缩后的标记点向量的运动模式（形状参数）就可以准确地识别面部表情，包括全运动模式和数种表情。

Jun, 2013

本文提出使用新颖的时空几何表达来解决面部表情识别问题，并在几何上启发的方法中使用 SVM 进行分类，以达到与现有先进方法相当的效果。

Jul, 2017

本文提出了一种新的非侵入式、易于扩展的方法，用于从人脸视频中检测情感，该方法通过脸部流形检测精确定位视频中的人脸，并采用局部脸部流形嵌入创建用于测量微小肌肉运动的公共域，通过数字图像散斑相关和光流算法计算面部微动的模式，然后将相应的矢量场映射回原始空间，并叠加在视频的原始帧上。最终的结果包括关于肌肉运动方向的附加信息，并使用该方法训练了一个用于从视频中进行情感分类的最新网络 -- 帧关注网络（FAN），该方法成功地提高了情感检测的性能。

Nov, 2022

本研究提出了基于张量分解的模型来嵌入一些关于顺序数据的结构性知识，从而在解决下一个物品推荐任务时比深度神经网络更加轻便高效

Dec, 2022

本文提出了一种新的几何框架，利用对称正定（SPD）矩阵作为表示，从协方差和交叉协方差中结合生理和行为信号的相关关系，用于多模态压力 / 疼痛探测中。采用切空间映射方法将推导出的 SPD 矩阵序列映射到切向空间中的向量序列，然后应用于 LSTM-based 网络进行分类，该框架已在两个公共多模式数据集上获得了最先进的压力和疼痛检测结果。

Jul, 2022

该研究提出了一种描述表情强度随时间变化的特征，该特征对人和表情类型不变，可用于多个面部表情分析任务，包括 3D 面部表情的时间对齐、个体间表情绩效差异的识别和基于行为单元标签的面部视频序列的本地变化识别，并表现出对噪音和异常值具有鲁棒性。

May, 2018

本文提出了一种多模态方法，结合分析面部运动和多个外部生理信号，通过考虑个体化休息动态来解码正负情感体验。通过构建人体特征循环网络，解码个体面部运动和生理数据的动态耦合关系，并在其基础上训练推理模型，将个体的情感体验进行预测和验证。

Nov, 2018

本文提出了一种新颖的深度学习方法，名为面部动态解释器网络，用于解释表情序列中面部局部动态之间的重要关系以估计面部特征，通过比较实验，证明该方法在性别分类和年龄估计方面的有效性，并且优于现有的方法。

Nov, 2017

我们介绍了一种自监督的结构化表示和生成方法，能够提取周期性或准周期性运动中的时空关系，通过在连续参数化的潜在空间中进行运动动力学，增强了运动学习算法的插值和泛化能力，为未来的运动表示和学习算法的发展开辟了新的可能性。

Feb, 2024