本文旨在定义一个语音情感识别（SER）模型，能够在自然会话中识别意大利老年人的积极、中性和消极情绪。通过合并英语数据集和意大利语数据集并采用 XGBoost 模型训练，提出了一种适用于多个语种和多个年龄段的通用模型，并提出两种领域自适应策略来使模型适应老年人和意大利人。结果表明，这种方法提高了分类性能，同时也强调了需要收集新的数据集。

Nov, 2022

通过跨语言情感分类器，我们通过在资源丰富的语言（英语）上进行训练，并将其应用于资源匮乏的和濒危的语言，成功地实现了情感的跨语言传递和分析。

Feb, 2024

研究了通过跨语料库和多领域训练，分类自然和表演情感的影响；结论表明，从人工情感数据集中学习信息并将其应用于多领域的自然情感识别中是可行和有效的。

Jul, 2022

该研究提出了一种方法，通过使用大量平行语料对两种语言中的工程化词汇 - 句法特征之间的对应关系进行学习，来检测阿尔茨海默病，特别是在汉语中，其性能优于单语和基于机器翻译的基线。这是第一项在检测认知衰退时转移特征域的研究。

Mar, 2019

EMPATHIC 项目的研究旨在设计一款情感表达丰富的虚拟教练，能够吸引健康老年人提高幸福感并促进独立老龄化。本文概述了虚拟教练的情感表达识别模块的开发，包括数据收集、标注设计和针对项目需求的第一种方法论。结果表明，研究的多模态方法在对老年人进行情感分类时具有信息量，并且通常优于其他方法（音频标签准确率约为 68％，视频标签准确率为 72-74％）。这些发现有助于有限的关于情感识别在老年人与人工智能交互中的文献。

Nov, 2023

本篇研究提出一种基于面部表情的情感识别的无监督学习方法，通过跨模态蒸馏将面部表情标注传递到语音领域，用于语音情感识别，实现了在未标注音频数据下学习语音情感表示的目标。

Aug, 2018

设计并建立了一个包括发音运动学、声学、声门和面部微表情的多模态情感汉语数据库，描述了从语料库设计、被试选择、录音细节和数据处理等方面的详细信息。通过对维度注释数据的统计分析验证了维度注释的有效性。使用支持向量机、卷积神经网络和深度神经网络计算了这七种情感的识别率，结果显示仅使用声学数据识别七种情感的平均识别率约为 82%。因此，该数据库具有高质量，可用作重要的语音分析研究来源，特别是用于多模态情感语音分析任务。

Jan, 2024

通过合并多个语料库，提出了一种软标签系统来识别口语交流中的情感，并使用时间动力学强调情感的动态变化。通过在跨语言的四个多语种数据集上进行验证，展示了引人注目的零 - shot 泛化性能。

Nov, 2023

本文提出一种基于半监督学习的交叉语言情感识别方法，使用卷积神经网络 (CNN) 和伪标签策略进行训练，在五种不同语言的数据上表现出鲁棒性。

Jul, 2022

本文提出一种语音到语音的情感保留翻译方法，利用多语言情感嵌入技术来捕捉情感信息，并在英语和法语语音信号中验证了该方法的有效性。

Jun, 2023