该研究主要关注于使用情感识别技术通过远程机器人操作的会话来协助心理学家进行儿童疗法，其中包括代理中介疗法在心理学领域的运用，特别是运用具有身体表现的对话代理人作为中介工具，帮助与面临社交挑战如注意力缺陷多动障碍（ADHD）、自闭症谱系障碍（ASD）以及由武装冲突、自然灾害或其他情况导致无法亲自到场的儿童建立联系。本文介绍了一个与儿童情感识别相关的文献调研结果，揭示了社区普遍使用的算法和数据集的初始概况。然后，基于对文献调研结果的分析，我们使用稠密光流特征技术来提高在非受控环境中识别儿童情感的能力。通过卷积神经网络的混合模型，两个中介特征被融合并由最终分类器进行处理。提出的架构被称为 HybridCNNFusion。最后，我们介绍了使用巴西儿童数据集实现的儿童情感识别的初步结果。

Aug, 2023

本研究探讨了影响婴儿情绪识别准确度的因素，并证明在处理时间和数据缺失方面，采用多模态模型（脸部和身体特征）胜过单模态模型（仅脸部特征）以实现持续情绪识别。

Sep, 2022

采用深度学习生成模型来生成机器人情感表情，通过几个手动设计的机器人身体表达生成一个新的符合上下文感知的表达。评估结果表明，生成的表情与手动设计的表情没有显著差异，且能达到不同目标情绪的效果。

May, 2022

使用个性化的机器学习框架，利用深度学习的先进技术对自闭症儿童的情感状态和参与度进行自动感知，进而在机器人辅助自闭症治疗中提供更高效的监测和总结治疗进展的潜力。

Feb, 2018

本文调研了自动情感识别领域中人体动作的情感表达。提出了完整的框架，包括人体检测、姿态估计、情感识别等组成部分。并讨论了多模态情感表达识别的方法。

Jan, 2018

本研究提出了一种可扩展可靠的众包方法，用于收集自然状态下的人类身体语言数据，建立了一个大型数据集并通过统计分析揭示了许多有趣的想法。通过使用 Laban Movement Analysis 等特征，我们开发并评估了一个名为 ARBEE 的系统，该系统能够基于身体动作识别情感表达。

Aug, 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

使用 RGB 视频数据，我们提出了一种基于多模态学习的方法，可以同时合成数字角色的共语言面部表情和上半身动作。我们的方法从视频数据直接估计稀疏的面部关键点和上半身关节，并根据说话者的面部动作和身体关节动作合成合适的情感角色动作。通过对多个评估指标进行全面定量和定性实验证明，我们的方法具有低重建误差，能够为数字角色产生多样化的面部表情和身体动作。

Jun, 2024

本研究使用 Transformer 机制，结合鲁棒表示编码和表示融合进行表情分类，结果表明该模型在 Aff-Wild2 数据集上表现有效。

Mar, 2022

本文采用机器学习中的深度学习模型，结合 FaceChannel 框架研究了不同图像条件对基于面部表情的情绪识别的影响，这对于确保机器人在不同环境下保持一致的识别水平非常重要。

Oct, 2022