本文探讨了多线索情感识别的问题，提出了一种利用身体表情与面部表情进行情感自动识别的方法，并在儿童机器人交互数据库和成年人 acted 情感数据库上评估了其效果。

Jan, 2019

该研究提出了一种基于神经过程的方法，使用全局潜在变量模型的概率性语境表示与任务特定预测结合，智能地选择时间上下文，并在四个数据库上进行验证，在情感识别等方面取得了比强基线和现有方法更为一致的进步。

Mar, 2021

本文介绍了一种利用 LSTM 结合口语音频和文本信息对多媒体剪辑中的情感进行识别的多模态神经架构，其优于单模态基线，并在唤起任务中达到了 0.400 的相关性系数和在价值任务中达到了 0.353 的相关系数。

May, 2018

使用卷积神经网络统计学习从互信息选择的最小冗余最大相关性的表情特征进行回归，可以高于传统的音频或视频特征，实时预测情感状态的准确度。

Aug, 2017

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

本文介绍了一种基于时间的情感建模方法，称为 TIM-Net，它学习来自各种时间尺度的多尺度情境情感表示，并用于提高语音情感识别的性能，实验结果表明 TIM-Net 在六个基准数据集上表现出优异的性能。

Nov, 2022

提出了一种基于 Transformer 的架构，用于识别情绪的正性和负性，即使输入模态缺失，该模型通过交叉关注和自关注机制强调模态之间的关系，提高了对弱显著输入的学习过程，并在 Ul-TSST 数据集上实验，与后期融合基准方法相比，预测唤醒值的一致性相关系数的评估提高了 37％，预测价值的一致性相关系数的评估提高了 30%。

Nov, 2023

通过探索深度学习体系结构在持续情感识别方面的应用，我们提出了一种新颖的三流端到端深度学习回归流程，其中包含一个注意力机制，该机制是基于多个最先进的动作识别系统的子模块的一种组合设计。定量分析表明，所提出的模型优于情感识别和动作识别模型的多个标准基线。

Mar, 2024

本研究旨在利用生理数据检测情感状态，通过功能近红外光谱法，并使用机器学习进行分类，结果显示针对冥想、娱乐和认知负荷三种情感状态的研究中，个体模型的平均准确率为 83.04%，群体模型的准确率为 84.39%，而个体无关模型的准确率为 60.57%。同时发现，通过纸笔任务可更准确地识别出认知负荷情感状态。

Feb, 2024