本论文提出了一个基于有条件的对抗自动编码器的神经模型和增长可变网络的方法，用于识别和区分个性化和在线面部表情的情绪，取得了最先进的表现，还包括削减研究和神经可视化，以解释我们的模型行为。

Apr, 2019

我们研究了使用可穿戴生物信号数据进行三类情绪分类（中性、压力和娱乐）的个性化和普遍化机器学习模型之间的差异，并发现个性化模型在特定情境下表现优于普遍化模型。

Aug, 2023

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

本文探讨了情感计算领域中个性化的必要性，并对 state-of-the-art 的方法进行了综述和分类，包括针对特定目标的模型、群组特定模型、加权方法、微调方法、多任务学习、生成模型和特征增强。此外，文章还对文献进行了统计分析，提供了路线图供其他研究者参考。

Apr, 2023

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

本研究提出一种多模态深度学习模型，结合了转换器编码器和预训练语言模型，利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究，监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数，以及开放式的文本日记，实证结果表明该模型在提前一周预测积极和消极情感方面的准确率分别为 82.50% 和 82.76%。该模型的解释性进一步提高了其有效性。

Mar, 2024

评估自闭症谱系障碍的动作学分析方法，比较手工制作特征和端到端模型在虚拟现实环境的有效性，结果显示端到端模型在动作一致性方面表现更好，但手工制作特征在特定任务方面表现出色。

Nov, 2023

本文提出了一种个性化心理健康监测和情绪预测系统，利用患者生理数据，并采用分散的学习机制结合传输和联邦机器学习，使数据留在用户设备上，在隐私和可追踪的方式下实现心理健康条件的跟踪和管理，从而为精神科治疗提供了一个新颖的解决方案。

Jul, 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

情感识别是一个复杂的任务，本论文通过多角度研究数据集、标签、建模、人口统计学和成员变量编码以及评估等方面的挑战，推进了强健、实用的情感识别模型的发展。

Sep, 2023