通过使用面部微表情（FMEs）来识别与检测潜在真实情绪，我们提出了一种基于面部特征点的感兴趣区域（ROI）方法，用于诊断掩盖性抑郁症，并描述了一种低成本和隐私保护的解决方案，使得在个人环境（如家中）能够使用便携式移动设备进行自诊断。我们展示了验证我们方法的结果和发现，并讨论了在将这些技术应用于真实临床环境中可能遇到的其他技术挑战和未来方向。

Jul, 2023

使用社交媒体和预训练语言模型，探索如何利用用户生成的数据来预测心理障碍症状，并发现社交媒体数据是精神健康筛查的良好来源，预训练模型可以有效地自动化这一重要任务。

Jun, 2023

本文提出通过改进图像预处理和训练步骤，使用人脸对准等技术和更好的数据增强、优化和调度技术，基于 ResNet-50 的两个简单模型在单一流程和两个不同流程的分数级融合中取得了良好的结果，这表明预处理和训练过程中的特定修改会对模型性能产生显著影响。

Dec, 2022

该研究论文系统概述了基于视频的微表情分析，讨论了其神经心理学基础、数据集、特征、算法、应用和评估，之后提出了一个更完整的、适用范围更广的数据集，并进行了方法比较和未来研究方向的展望。

Jan, 2022

介绍了深度学习技术在自动抑郁症检测中的应用方法，包括音频和视频中的抑郁指标，最后讨论了深度学习技术在自动抑郁诊断方面的挑战和前景

May, 2021

通过分析最大的包含微表情的视频数据集，本研究利用面部特征和动作单元，从微笑视频中提取的特征，在带有偏见的数据中实现了 89.7% 的准确率和 89.3% 的接收者操作特征下的面积（AUROC），显示了微笑自拍视频在帕金森病风险评估中的潜力。

Aug, 2023

使用深度学习技术和面部表情来评估学生在在线学习课程中的参与程度，通过结合基本情绪表达出困惑、满意、失望和挫败等四种复杂情绪来动态描绘学生情绪，并通过卷积神经网络模型实现对学生情绪的准确分类，准确率达到 95%。

Nov, 2023

通过实验研究探究神经网络如何处理和储存面部表情数据，并将这些数据与人类产生的各种心理属性相联系，表明深度学习模型在理解人类情绪和认知过程方面具有潜力，非欧几里德空间视角下的认知产品或心理属性的多样化可视化解释不仅提供了对 AI 的可解释性的新见解，还推动了 AI 技术在心理学领域的应用和心理信息处理的新的理论理解。

Apr, 2024

这篇论文提出了一种通过图像进行面部表情的深度分类方法，采用了深度前馈人工神经网络。该方法可用于良好的应用，包括视觉检查和安全措施。

May, 2023

本文提出了一种从大规模地理参考照片中提取人类情感的新方法，通过基于社交媒体站点中用户生成的足迹的空间聚类来构建地点，并利用最先进的计算机视觉技术从面部表情中提取人类情感，定义了两种幸福度指标，以在不同的地方衡量人类情感。通过考虑不同种类的地理环境，研究表明，不同地方的情感变化可以通过很少的因素如开放性来解释，研究结果可用于丰富地理和基于地理信息系统的场所感的理解。

May, 2019