久久精品国产亚洲5555_久久精品国产精品亜洲毛片_亚AV无码乱码在线观看富二代_一本色综合网久久_免费黄色视频在线播放_亚洲视频日本欧美在线观看_欧美午夜伦理视频_第九影院实时更新高清电影_91精品啪在线观看国产_北条麻妃被两个黑人玩

檢信專注心理
用技術創(chuàng)新 做行業(yè)先驅
檢信ALLEMOTION
  • 檢信智能 Allemotion OS 介紹 語音識別技術的發(fā)展現(xiàn)狀
    讓機器聽懂人聲,這是人們長久以來的夢想。語音識別是一門交叉學科,涉及多學科研究領域。不同領域的研究成果為語音識別的發(fā)展做出了貢獻。語音識別技術是一種高科技,它可以讓機器通過識別和理解的過程將語音信號轉換成相應的文本或命令。計算機語音識別過程與人類語音識別過程基本相同。當前主流的語音識別技術是基于統(tǒng)計模式識別的基本理論。一個完整的語音識別系統(tǒng)大致可以分為三個部分:(1)語音特征提取:目的是從語音波形中提取隨時間變化的語音特征序列。(2)聲學模型與模式匹配(識別算法):聲學模型是識別系統(tǒng)的底層模型,也是語音識別系統(tǒng)中關鍵的部分。聲學模型通常是從獲得的語音特征中訓練生成的,目的是為每個發(fā)音建立一個發(fā)音模板。在識別過程中,將未知語音特征與聲學模型(模式)進行匹配和比較,計算未知語音的特征向量序列與每個發(fā)音模板的距離。聲學模型的設計與語言發(fā)音的特點密切相關。聲學模型單元大小對語音訓練數(shù)據(jù)的大小、語音識別系統(tǒng)的識別率和靈活性有很大影響。(3)語義理解:計算機對語音識別結果的語法和語義進行分析。理解語言的含義,以便做出相應的反應。它通常是通過語言模型來實現(xiàn)的。語音識別技術的應用:語音識別過程實際上就是一個識別過程。就像人們在聽語音時,不會將語音與語言的語法結構和語義結構分開,因為當語音的發(fā)音模糊時,人們可以利用這些知識來指導理解語言的過程。對于機器來說,語音識別系統(tǒng)也需要使用這些知識,但鑒于語音信號的可變性、動態(tài)性和瞬態(tài)性,語音識別技術與人腦仍有一定差距。因此,在語音識別技術的選擇、應用模式和系統(tǒng)開發(fā)等方面都需要專業(yè)的設計和調試,以達到良好的應用效果。
    2021-09-27
  • 檢信智能 Allemotion OS 對語音識別的簡單介紹
    檢信智能 Allemotion OS 對語音識別的簡單介紹 語言作為人類交流的基本方式,在幾千年的歷史長河中不斷傳承。近年來,隨著語音識別技術的不斷成熟,它在我們的生活中得到了廣泛的應用,成為通過自然語言進行人機交互的重要方式之一。語音識別技術如何讓機器“理解”人類語言?隨著計算機技術的快速發(fā)展,人們對機器的依賴已經達到了一個非常高的水平。語音識別技術使人和機器通過自然語言進行交互成為可能。通過語音識別控制房間照明、空調溫度和電視相關操作是很常見的。根據(jù)識別對象的不同,語音識別任務大致可以分為三類,即孤立詞識別、關鍵詞識別(或關鍵詞檢測)和連續(xù)語音識別。其中,孤立詞識別的任務是識別先前已知的孤立詞,如“開放”和“封閉”。連續(xù)語音識別的任務是識別任何連續(xù)的語音,如句子或段落。連續(xù)語音流中的關鍵詞檢測針對的是連續(xù)語音,但它并不識別所有的文本,只檢測一些已知關鍵詞出現(xiàn)的位置。根據(jù)目標說話人,語音識別技術可以分為特定人語音識別和非特定人語音識別。前者只能識別一個或幾個人的聲音,而后者可以被任何人使用。顯然,獨立于人的語音識別系統(tǒng)更符合實際需求,但比識別特定的人要困難得多。此外,根據(jù)語音設備和渠道,可分為桌面(PC)語音識別、電話語音識別和嵌入式設備(手機、PDA等)語音識別。不同的采集通道會扭曲人類發(fā)音的聲學特征,因此我們需要構建自己的識別系統(tǒng)。語音識別應用廣泛。常見的應用系統(tǒng)包括:語音輸入系統(tǒng),比鍵盤輸入更符合人們的日常習慣,也更自然;語音控制系統(tǒng),即使用語音識別控制設備比手動控制更快更方便,可應用于工業(yè)控制、語音撥號系統(tǒng)、智能家電、聲控智能玩具等諸多領域。
    2021-09-24
  • Tensorboard可視化:基于LeNet5進行面部表情分類
    Tensorboard可視化:基于LeNet5進行面部表情分類 面部表情分類面部表情是面部肌肉的一個或多個動作或狀態(tài)的結果。這些運動表達了個體對觀察者的情緒狀態(tài)。面部表情是非語言交際的一種形式。它是表達人類之間的社會信息的主要手段,不過也發(fā)生在大多數(shù)其他哺乳動物和其他一些動物物種中。人類的面部表情至少有21種,除了常見的高興、吃驚、悲傷、憤怒、厭惡和恐懼6種,還有驚喜(高興+吃驚)、悲憤(悲傷+憤怒)等15種可被區(qū)分的復合表情。面部表情識別技術主要的應用領域包括人機交互、智能控制、安全、醫(yī)療、通信等領域。網(wǎng)絡架構LeNet-5出自論文Gradient-Based Learning Applied to Document Recognition,是一種用于手寫體字符識別的非常高效的卷積神經網(wǎng)絡。LeNet5的網(wǎng)絡架構如下:但是因為我們要做的是面部表情分類,而且CK+數(shù)據(jù)集樣本大小是48*48,因此需要對LeNet5網(wǎng)絡進行微調。網(wǎng)絡架構如下: 網(wǎng)絡結構如下:計算圖如下:代碼實現(xiàn)預處理數(shù)據(jù)集加載,并進行預處理,同時將測試集的前225張樣本拼接成15張*15張的大圖片,用于Tensorboard可視化。%matplotlib inlineimport matplotlib.pyplot as pltimport osimport cv2import numpy as npfrom tensorflow import name_scope as namespacefrom tensorflow.contrib.tensorboard.plugins import projectorNUM_PIC_SHOW=225base_filedir='D:/CV/datasets/facial_exp/CK+'dict_str2int={'anger':0,'contempt':1,'disgust':2,'fear':3,'happy':4,'sadness':5,'surprise':6}labels=[]data=[]#讀取圖片并將其保存至datafor expdir in os.listdir(base_filedir): base_expdir=os.path.join(base_filedir,expdir) for name in os.listdir(base_expdir): labels.append(dict_str2int[expdir]) path=os.path.join(base_expdir,name) path=path.replace('\\','/') #將\替換為/ img = cv2.imread(path,0) data.append(img)data=np.array(data)labels=np.array(labels)#將data打亂permutation = np.random.permutation(data.shape[0])data = data[permutation,:,:]labels = labels[permutation]#取前225個圖片拼成一張大圖片,用于tensorboard可視化img_set=data[:NUM_PIC_SHOW]#前225的數(shù)據(jù)用于顯示label_set=labels[:NUM_PIC_SHOW]big_pic=Noneindex=0for row in range(15): row_vector=img_set[index] index+=1 for col in range(1,15): img=img_set[index] row_vector=np.hstack([row_vector,img]) index+=1 if(row==0): big_pic=row_vector else: big_pic=np.vstack([big_pic,row_vector])plt.imshow(big_pic, cmap='gray')plt.show()#寫入大圖片cv2.imwrite(D:/Jupyter/TensorflowLearning/facial_expression_cnn_projector/data/faces.png,big_pic)#轉換數(shù)據(jù)格式和形狀data=data.reshape(-1,48*48).astype('float32')/255.0labels=labels.astype('float32')#0.3的比例測試scale=0.3test_data=data[:int(scale*data.shape[0])]test_labels=labels[:int(scale*data.shape[0])]train_data=data[int(scale*data.shape[0]):]train_labels=labels[int(scale*data.shape[0]):]print(train_data.shape)print(train_labels.shape)print(test_data.shape)print(test_labels.shape)#將標簽one-hottrain_labels_onehot=np.zeros((train_labels.shape[0],7))test_labels_onehot=np.zeros((test_labels.shape[0],7))for i,label in enumerate(train_labels): train_labels_onehot[i,int(label)]=1for i,label in enumerate(test_labels): test_labels_onehot[i,int(label)]=1print(train_labels_onehot.shape)print(test_labels_onehot.shape)2.定義前向網(wǎng)絡import tensorflow as tfIMAGE_SIZE=48 #圖片大小NUM_CHANNELS=1 #圖片通道CONV1_SIZE=5CONV1_KERNEL_NUM=32CONV2_SIZE=5CONV2_KERNEL_NUM=64FC_SIZE=512 #隱層大小OUTPUT_NODE=7 #輸出大小#參數(shù)概要,用于tensorboard實時查看訓練過程def variable_summaries(var): with namespace('summaries'): mean=tf.reduce_mean(var) tf.summary.scalar('mean',mean) #平均值 with namespace('stddev'): stddev=tf.sqrt(tf.reduce_mean(tf.square(var-mean))) tf.summary.scalar('stddev',stddev) #標準差 tf.summary.scalar('max',tf.reduce_max(var))#最大值 tf.summary.scalar('min',tf.reduce_min(var))#最小值 tf.summary.histogram('histogram',var)#直方圖#獲取權重def get_weight(shape,regularizer,name=None): w=tf.Variable(tf.truncated_normal(shape,stddev=0.1),name=name) #variable_summaries(w) if(regularizer!=None): tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w)) return w#獲取偏置def get_bias(shape,name=None): b=tf.Variable(tf.zeros(shape),name=name) #variable_summaries(b) return b #定義前向網(wǎng)絡def forward(x,train,regularizer): with tf.name_scope('layer'): #把輸入reshape with namespace('reshape_input'): x_reshaped=tf.reshape(x,[-1,IMAGE_SIZE,IMAGE_SIZE,NUM_CHANNELS]) with tf.name_scope('conv1'): #定義兩個卷積層 conv1_w=get_weight([CONV1_SIZE,CONV1_SIZE,NUM_CHANNELS,CONV1_KERNEL_NUM],regularizer=regularizer,name='conv1_w') conv1_b=get_bias([CONV1_KERNEL_NUM],name='conv1_b') conv1=tf.nn.conv2d(x_reshaped,conv1_w,strides=[1,1,1,1],padding='SAME') relu1=tf.nn.relu(tf.nn.bias_add(conv1,conv1_b)) pool1=tf.nn.max_pool(relu1,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME') with tf.name_scope('conv2'): conv2_w=get_weight([CONV2_SIZE,CONV2_SIZE,CONV1_KERNEL_NUM,CONV2_KERNEL_NUM],regularizer=regularizer,name='conv2_w') conv2_b=get_bias([CONV2_KERNEL_NUM],name='conv2_b') conv2=tf.nn.conv2d(pool1,conv2_w,strides=[1,1,1,1],padding='SAME') relu2=tf.nn.relu(tf.nn.bias_add(conv2,conv2_b)) #對卷機后的輸出添加偏置,并通過relu完成非線性激活 pool2=tf.nn.max_pool(relu2,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME') with tf.name_scope('flatten'): #定義reshape層 pool_shape=pool2.get_shape().as_list() #獲得張量的維度并轉換為列表 nodes=pool_shape[1]*pool_shape[2]*pool_shape[3] #[0]為batch值,[1][2][3]分別為長寬和深度 #print(type(pool2)) reshaped=tf.reshape(pool2,[-1,nodes]) with tf.name_scope('fc1'): #定義兩層全連接層 fc1_w=get_weight([nodes,FC_SIZE],regularizer,name='fc1_w') fc1_b=get_bias([FC_SIZE],name='fc1_b') fc1=tf.nn.relu(tf.matmul(reshaped,fc1_w)+fc1_b) if(train): fc1=tf.nn.dropout(fc1,0.5) with tf.name_scope('fc2'): fc2_w=get_weight([FC_SIZE,OUTPUT_NODE],regularizer,name='fc2_w') fc2_b=get_bias([OUTPUT_NODE],name='fc2_b') y=tf.matmul(fc1,fc2_w)+fc2_b return y3.定義反向傳播 ,可視化設置,并進行訓練,BATCH_SIZE=100 #每次樣本數(shù)LEARNING_RATE_BASE=0.005 #基本學習率LEARNING_RATE_DECAY=0.99 #學習率衰減率REGULARIZER=0.0001 #正則化系數(shù)STEPS=2500 #訓練次數(shù)MOVING_AVERAGE_DECAY=0.99 #滑動平均衰減系數(shù)SAVE_PATH='.\\facial_expression_cnn_projector\\' #參數(shù)保存路徑data_len=train_data.shape[0]#將拼接為big_pic的測試樣本保存至標量,用于訓練過程可視化pic_stack=tf.stack(test_data[:NUM_PIC_SHOW]) #stack拼接圖片張量embedding=tf.Variable(pic_stack,trainable=False,name='embedding')if(tf.gfile.Exists(os.path.join(SAVE_PATH,'projector'))==False): tf.gfile.MkDir(os.path.join(SAVE_PATH,'projector'))#創(chuàng)建metadata文件,存放可視化圖片的labelif(tf.gfile.Exists(os.path.join(SAVE_PATH,'projector','metadata.tsv'))==True): tf.gfile.DeleteRecursively(os.path.join(SAVE_PATH,'projector')) tf.gfile.MkDir(os.path.join(SAVE_PATH,'projector'))#將可視化圖片的標簽寫入with open(os.path.join(SAVE_PATH,'projector','metadata.tsv'),'w') as f: for i in range(NUM_PIC_SHOW): f.write(str(label_set[i])+'\n')with tf.Session() as sess: with tf.name_scope('input'): #x=tf.placeholder(tf.float32,[BATCH_SIZE,IMAGE_SIZE,IMAGE_SIZE,NUM_CHANNELS],name='x_input') x=tf.placeholder(tf.float32,[None,IMAGE_SIZE*IMAGE_SIZE*NUM_CHANNELS],name='x_input') y_=tf.placeholder(tf.float32,[None,OUTPUT_NODE],name='y_input') #reshape可視化圖片 with namespace('input_reshape'): image_shaped_input=tf.reshape(x,[-1,IMAGE_SIZE,IMAGE_SIZE,1]) #把輸入reshape tf.summary.image('input',image_shaped_input,7) #添加到tensorboard中顯示 y=forward(x,True,REGULARIZER) global_step=tf.Variable(0,trainable=False) with namespace('loss'): #softmax并計算交叉熵 ce=tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y,labels=tf.argmax(y_,1)) cem=tf.reduce_mean(ce) #求每個樣本的交叉熵 loss=cem+tf.add_n(tf.get_collection('losses')) tf.summary.scalar('loss',loss) #loss只有一個值,就直接輸出 learning_rate=tf.train.exponential_decay( LEARNING_RATE_BASE, global_step, data_len/BATCH_SIZE, LEARNING_RATE_DECAY, staircase=True ) with namespace('train'): train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step) ema=tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step) ema_op=ema.apply(tf.trainable_variables()) with namespace('accuracy'): correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1)) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) tf.summary.scalar('accuracy',accuracy) with tf.control_dependencies([train_step,ema_op]): train_op=tf.no_op(name='train') init_op=tf.global_variables_initializer() sess.run(init_op) #合并所有的summary merged=tf.summary.merge_all() #寫入圖結構 writer=tf.summary.FileWriter(os.path.join(SAVE_PATH,'projector'),sess.graph) saver=tf.train.Saver() #保存網(wǎng)絡的模型 #配置可視化 config=projector.ProjectorConfig() #tensorboard配置對象 embed=config.embeddings.add() #增加一項 embed.tensor_name=embedding.name #指定可視化的變量 embed.metadata_path='D:/Jupyter/TensorflowLearning/facial_expression_cnn_projector/projector/metadata.tsv' #路徑 embed.sprite.image_path='D:/Jupyter/TensorflowLearning/facial_expression_cnn_projector/data/faces.png' embed.sprite.single_image_dim.extend([IMAGE_SIZE,IMAGE_SIZE])#可視化圖片大小 projector.visualize_embeddings(writer,config) #斷點續(xù)訓 #ckpt=tf.train.get_checkpoint_state(MODEL_SAVE_PATH) #if(ckpt and ckpt.model_checkpoint_path): # saver.restore(sess,ckpt.model_checkpoint_path) for i in range(STEPS): run_option=tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE) run_metadata=tf.RunMetadata() start=(i*BATCH_SIZE)%(data_len-BATCH_SIZE) end=start+BATCH_SIZE summary,_,loss_value,step=sess.run([merged,train_op,loss,global_step], feed_dict={x:train_data[start:end],y_:train_labels_onehot[start:end]}, options=run_option, run_metadata=run_metadata) writer.add_run_metadata(run_metadata,'step%03d'%i) writer.add_summary(summary,i)#寫summary和i到文件 if(i%100==0): acc=sess.run(accuracy,feed_dict={x:test_data,y_:test_labels_onehot}) print('%d %g'%(step,loss_value)) print('acc:%f'%(acc)) saver.save(sess,os.path.join(SAVE_PATH,'projector','model'),global_step=global_step) writer.close()可視化訓練過程執(zhí)行上面的代碼,打開tensorboard,可以看到訓練精度和交叉熵損失如下:由于只有六百多的訓練樣本,故得到曲線抖動很大,訓練精度大概在百分之八九十多浮動,測試精度在百分之七八十浮動,可見精度不高。下面使用Tensorboard將訓練過程可視化(圖片是用Power Point錄頻然后用迅雷應用截取gif得到的): ————————————————版權聲明:本文為CSDN博主「陳建驅」的原創(chuàng)文章,遵循 CC 4.0 BY-SA 版權協(xié)議,轉載請附上原文出處鏈接及本聲明。
    2021-09-20
  • 檢信智能Allemotion OS 讓你讀懂什么是圖像識別
    檢信智能Allemotion OS 讓你讀懂什么是圖像識別圖像識別是指利用計算機對圖像進行處理、分析和理解,以各種模式識別目標和物體。它是深度學習算法的實際應用?,F(xiàn)階段,圖像識別技術一般分為人臉識別和產品識別。人臉識別主要應用于安檢、身份驗證和移動支付;產品圖像識別主要應用于商品流通領域,尤其是無人貨架、智能零售柜等無人零售領域。傳統(tǒng)的圖像識別過程分為四個步驟:圖像采集→圖像預處理→特征提取→圖像識別。另外,在地理學上,圖像識別是指對遙感圖像進行分類的技術。圖像識別可以基于圖像的主要特征。每個圖像都有它的特點,比如字母A有一個尖點,P有一個圓,Y的中心有一個銳角。對圖像識別過程中眼球運動的研究表明,視線總是集中在圖像的主要特征上。而且,眼睛的掃描路徑總是從一個特征到另一個特征??梢姡趫D像識別過程中,感知機制需要排除輸入的冗余信息,提取關鍵信息。同時,大腦中有負責整合信息的機制,可以將分階段獲得的信息組織成完整的感知圖像。在人體圖像識別系統(tǒng)中,復雜圖像的識別往往是通過不同層次的信息處理來實現(xiàn)的。對于一個熟悉的人物,因為你掌握了它的主要特征,你就會把它認作一個單元,不再關注它的細節(jié)。這種由孤立的單元材料組成的整體單元稱為塊,每個塊同時被感知。在書面材料的識別中,人們不僅可以將漢字的筆畫組合成一個塊,還可以將經常一起出現(xiàn)的字符或單詞組合成塊單元進行識別。在計算機圖像識別系統(tǒng)中,圖像內容通常由圖像特征來描述。事實上,基于計算機視覺的圖像檢索也可以分為類似于文本搜索引擎的三個步驟:提取特征、建立索引和查詢。
    2021-09-08
  • 檢信智能Allemotion OS  10分鐘讓你 了解語音識別
    檢信智能Allemotion OS 10分鐘讓你了解語音識別語言作為人類基本的交流方式,在幾千年的歷史中不斷地傳承下來。近年來,語音識別技術的不斷成熟,在我們的生活中得到了廣泛的應用,成為人機通過自然語言進行交互的重要方式之一。語音識別技術如何讓機器“理解”人類語言?隨著計算機技術的飛速發(fā)展,人們對機器的依賴程度已經達到了非常高的水平。語音識別技術使人與機器通過自然語言進行交互成為可能。常見的情況是通過語音識別控制房間照明、空調溫度和電視相關操作。根據(jù)識別對象的不同,語音識別任務大致可以分為三類,即孤立詞識別、關鍵詞識別(或關鍵詞檢測)和連續(xù)語音識別。其中,孤立詞識別的任務是識別預先已知的孤立詞,如“開啟”、“關閉”等;連續(xù)語音識別的任務是識別任何連續(xù)的語音,例如句子或段落;連續(xù)語音流中的關鍵詞檢測是針對連續(xù)語音的,但它并不識別所有的文本,而只是檢測一些已知關鍵詞出現(xiàn)的位置。根據(jù)目標說話人,語音識別技術可分為特定人語音識別和非特定人語音識別。前者只能識別一個人或幾個人的聲音,而后者任何人都可以使用。顯然,獨立于人的語音識別系統(tǒng)更符合實際需求,但比識別特定的人要困難得多。此外,根據(jù)語音設備和通道,可分為桌面(PC)語音識別、電話語音識別和嵌入式設備(手機、PDA等)語音識別。不同的采集通道會扭曲人類發(fā)音的聲學特征,因此需要構建自己的識別系統(tǒng)。語音識別的應用領域非常廣泛。常見的應用系統(tǒng)有:語音輸入系統(tǒng),更符合人們的日常習慣,比鍵盤輸入更自然;語音控制系統(tǒng),即使用語音識別控制設備操作比手動控制更快捷方便,可應用于工業(yè)控制、語音撥號系統(tǒng)、智能家電、聲控智能玩具等多個領域。
    2021-08-25
  • 檢信智能 Allemotion OS 情緒識別
    檢信智能 Allemotion OS 情緒識別 情緒識別原本是指個體對于他人情緒的識別,現(xiàn)多指AI通過獲取個體的生理或非生理信號對個體的情緒狀態(tài)進行自動辨別,是情感計算的一個重要組成部分。情緒識別研究的內容包括面部表情、語音、心率、行為、文本和生理信號識別等方面,通過以上內容來判斷用戶的情緒狀態(tài)。情緒是綜合了人的感覺、思想和行為的一種狀態(tài),在人與人的交流中發(fā)揮著重要作用。情緒是一種綜合了人的感覺、思想和行為的狀態(tài),它包括人對外界或自身刺激的心理反應, 包括伴隨這種心理反應 的 生 理反應。在 人 們 的 日 常工作和生活中,情緒的作用無處不在。在醫(yī)療護理中,如果能夠知道患者、特別是有表達障礙的患者的情緒狀態(tài),就可以根據(jù)患者的情緒做出不同的護理措施,提高護理 量。在產品開發(fā)過程中,如 果能夠識別出用戶使用產品過程中的情緒狀態(tài),了解用戶體驗,就 可 以 改 善 產 品 功 能,設 計 出 更 適 合 用戶需求的產品。在各種人-機交互系統(tǒng)里,如果系統(tǒng)能識別出人的情緒狀態(tài),人與機器的交互就會變得更加友好和自然。因此,對情緒進行分析和識別是神經科學、心理學、認知科學、計算機科學和人工智能等領域的一項重要的交叉學科研究課題。關于情緒識別的普遍性觀點最早可以追溯到查爾斯·羅伯特·達爾文(Charles Robert Darwin)在 1872 年所寫的《人類和動物的表情》一書, 他認為人的情緒和表情是天生的、普遍的, 人們能夠識別來自不同文化、種族的人的情緒和表情。從上世紀 60 年代起許多心理學家通過研究都得出了情緒識別具有普遍性的結論 。Ekman 和 Izard 提出人類共具有 6 種基本表情 (basic emotion):高興、憤怒、恐懼、悲傷、厭惡和驚奇。然而, 其他一些心理學家則認為情緒的表達和識別是后天習得的, 具有文化差異性, 這文種化上的差異在面部表情的強度和對情緒體驗的推斷等方面都有所體現(xiàn)。對應于不同的情緒誘發(fā)方法,情緒識別方法也各不相同,常見的情緒識別方法主要分成 兩大類:基于非生理信號的識別和基于生理信號的識別。基于非生理信號的情緒識別方法主要包括對面 部 表 情 和 語 音 語 調 的 識 別。面 部 表 情 識別方法是根據(jù)表情與情緒間的對應關系來識別不同的情緒,在特定情緒狀態(tài)下人們會產生特定的面部肌肉 運 動 和 表 情 模 式,如 心 情 愉 悅 時 嘴 角 角 上翹,眼部會出現(xiàn)環(huán)形褶皺; 憤怒時會皺眉,睜大眼睛等。目前,面部表情識別多采用圖像識別的方法來實現(xiàn) 。語音語調識別方法是根據(jù) 不 同 情 緒 狀態(tài)下人們的語言表達方式的不同來實現(xiàn)的 ,如心情愉悅時說話的語調會比較歡快,煩躁時語調會比較沉悶?;诜巧硇盘栕R別方法的優(yōu)點是操作簡單,不需要特殊設備。缺點是不能保證情緒識別的可靠性,因為人們可以通過偽裝面部表情和語音語調來掩飾自己的真實情緒,而這種偽裝往往不易被發(fā)現(xiàn)。其次,對于患有某些特殊疾病的殘疾人來說,基于非生理信號識別的方法往往難以實現(xiàn)。基于生理信號的情緒識別方法,主要包括基于自主神經系統(tǒng)( autonomic nervous system) 的情緒 識別和 基 于 中 樞 神 經 系 統(tǒng)( central nervous system) 的情緒識別。基于自主神經系統(tǒng)的識別方法是指通過測量心率、皮 膚 阻 抗、呼吸等生理信號來識別對應的情緒狀態(tài)。美國麻省理工學院的 Picard 等人通過對人體自主神經系統(tǒng)的測量和分析,識別出了平靜、生氣、厭惡、憂傷、愉悅、浪漫、開心和畏懼等 8 種不同的情緒。這些自主神經系統(tǒng)的生理信號雖然無法偽裝,能 夠 得 到 真 實 的 數(shù) 據(jù),但 是 由 于 準 確率低且缺乏合理的評價標準,因此不太適合于實際應用。基于中樞神經系統(tǒng)的識別方法,是指通過分析不同情緒狀態(tài)下大腦發(fā)出的不同信號來識別相應的情緒。這種方法不易被偽裝,并且與其他生理信號識別方法相比識別率較高,因此越來越多的被應用于情緒 識 別 研 究 。
    2021-08-24