使用 Google Expedition 和基于触摸屏的情感来增强虚拟学习环境和学习者情感参与的研究探讨了沉浸式学习的虚拟元素，涉及教学应用、可利用性和认知负荷等方面的衡量。研究结果可能有助于通过利用教育技术中沉浸式学习技术的特点来改进虚拟现实和增强现实体验，并通过利用磁性、光学或混合跟踪器大大提高物体追踪来提高沉浸式学习环境的有效性。

Dec, 2023

本研究使用新的情感叙事法和机器学习方法，基于 Component Process Model 的理论框架，研究了由行为、感觉、思考和场域组成的情感构成，证明了每个情感组成都对情感分类有积极影响，同时考虑所有情感组成的综合表现是最佳的，利用预训练语言模型来预测离散情感是有效的，揭示了情感组成表达方式的不同之处。

May, 2023

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

使用卷积神经网络在遮住眼睛和眉毛的全脸图像中准确识别七种不同的情绪，通过对虚拟现实游戏中玩家情感数据的收集与分析，提高游戏玩法分析，帮助游戏开发者创建更具吸引力和沉浸感的游戏体验。

Dec, 2023

本文提出一种整合技术和促进人文学科教学方法发展的解决方案，通过在沉浸式空间内整合情感监测，开发了实时情感检测的脑电波系统，以创造综合和沉浸式学习环境。

Jan, 2024

通过综合多学科的方法，本文全面概述了情感分析在视觉媒体中的领域，并强调了最有前途的方法，讨论了技术挑战和限制以及情感理解技术的伦理影响和潜在社会影响。

Jul, 2023

本研究提出了一种新型深度学习框架，用于生成细粒度情感的嵌入式表示，可用于计算描述情感心理模型。通过与多头探测模型集成的上下文嵌入编码器，可以动态地学习情感表示并优化情感分类任务，评估结果表明可以达到最先进的 32 种情感分类。最后结合情感图生成情感轮并增强丢失的情感状态模型价值。

Apr, 2021

本文介绍了一种融合了多种多样信息的多模态框架，通过将来自视觉面部特征和视频输入中提取的 rPPG 信号的信息融合从而实现情感理解。基于排列特征重要性分析的解释性技术用于计算 rPPG 和视觉模态对将给定视频分类到特定情感类别的贡献。IEMOCAP 数据集上的实验表明，从多个模态组合的互补信息可以提高情感分类性能。

Jun, 2023

通过在超复数域中进行操作，该论文提出了一个带有新型融合模块的超复数多模态网络，实现了从生理信号中的分类情感识别，超越了多模态最先进的网络。

Oct, 2023

使用瞳孔测量的虚拟现实情绪识别方法，通过分析虚拟现实头戴设备对视觉和听觉刺激的瞳孔直径响应，从时域、频域和时频域提取关键特征并利用特征选择获取最重要的特征，再应用集成学习技术中的梯度提升模型，通过特征工程将准确率从 84.9% 提升至 98.8%，该研究为 Thelxino"e 框架作出了显著贡献，旨在通过整合多个传感器数据实现更真实和情感共鸣的触感交互，研究结果为进一步发展沉浸式交互虚拟现实环境以及虚拟触觉技术打开了新的可能性。

Mar, 2024