尺寸(图 3)(七个 ROI)。与使用掩蔽的方法相比,该方法可以通过最小化不属于皮肤的像素数量来优化信噪比,而使用掩蔽的方法在某些条件下是近似的。我们选择空间 L * u * v 的色度分量 * u 来形成 PPG 信号。*u 分量代表红色和绿色之间的颜色,v* 代表黄色和蓝色之间的颜色。根据血红蛋白吸收率最好的波长范围,通过分析色度 *u 更容易观察到光电容积描记变化(我们选择此颜色空间的原因)。将为捕获的每个帧计算空间平均值,从而在我们的 PPG 信号中形成一个点。对于 N 个捕获的帧,将形成 N 个点的信号。对每个 ROI 进行此空间平均,为每个 ROI 创建一个 PPG 信号:在我们的例子中,我们将有七个 PPG 信号。当整个表面未被均匀照亮时,可获得最佳质量的信号:当其他区域的信号很少或没有可用信号时,其中一个区域可能具有非常好的信号。
背景/AIM青少年的睡眠对于认知表现,情感调节和学术上的成功至关重要。本研究旨在评估睡眠时间对高中生认知能力和情绪的影响。材料和方法五十届至11至12年级的学生(17-18岁)来自以色列北部。每个学生在两个条件下完成认知和情绪评估:睡眠8-10小时(最佳睡眠)和4-6小时的睡眠(睡眠剥夺)。测试包括内存评估(计算机卡游戏),浓度评估(功能扣除游戏)和来自国家考试的化学测试。使用情绪状态(POMS)问卷调查评估情绪状态。配对的t检验和Wilcoxon签名级测试用于分析差异。结果睡眠剥夺将记忆力显着降低20.39%,浓度降低了22.72%。化学评分下降了35%,而情绪障碍包括张力增加(64.92%),抑郁症(63.39%),愤怒(46.8%)和疲劳(64.9%)。活力降低了57.8%。结论睡眠剥夺会对认知表现和情感健康产生不利影响,这强调了促进青少年健康睡眠实践以提高学习成绩和心理健康的重要性。
摘要。语音情绪识别(SER)是一个跨学科领域,利用信号处理和机器学习技术来识别和分类通过语音传达的情绪。近年来,由于其在人类计算机互动,医疗保健,教育和客户服务中的潜在应用,SER引起了极大的关注。可以从各种声学特征中推断出幸福,愤怒,悲伤,恐惧,惊喜和厌恶等情绪,包括音高,强度,语音速度和光谱特征。然而,由于诸如说话者的可变性,文化差异,背景噪声和情绪表达的微妙之处等因素,准确地识别语音的情绪是具有挑战性的。本文探讨了语音情感识别的最新方法,重点是深度学习方法,特征提取技术以及使用大规模情感标记的数据集。我们回顾了传统的方法,例如隐藏的马尔可夫模型和支持向量机,并将其与神经网络(尤其是卷积神经网络(CNN))和复发性神经网络(RNN)(RNN)中的现代进步进行比较。此外,我们讨论了该领域的挑战,包括自发言语中的情感检测,跨语性和跨文化识别的影响以及当前基准的局限性。最后,我们提供了SER系统的现实应用程序的概述,包括它们集成到虚拟助手,心理健康诊断和互动娱乐中。我们通过强调多模式情绪识别的新兴趋势,以及未来研究的潜力,以提高不同环境中SER系统的鲁棒性和准确性。
埃默里大学计算机科学系2020年8月 - 目前的终身任期助理助理教授,乔治亚州亚特兰大•研究兴趣:图数据挖掘,应用机器学习,知识图,联合学习;推荐系统,社交网络,神经科学,医疗保健。•罗林斯公共卫生学院(RSPH)生物统计学和生物信息学系助理教授(任命)。•Nell Hodgson Woodruff护理学院数据科学中心助理教授(任命)。•埃默里全球糖尿病研究中心(EGDRC)核心教师。•佐治亚州糖尿病翻译研究中心(GCDTR)中心。•CS教师搜索委员会,CSI博士学位招生委员会,院长教学奖学金委员会,学术标准委员会(自然科学和数学)。•NSF REU/RET在Emory的数学/CS中的指导; KDD本科财团的导师。
现有研究表明,影响留守儿童问题行为的因素有很多,例如父亲参与(Torres等,2014;Qiao等,2024)、个人特质(Tan等,2023)、教养方式(Haslam等,2020)、师生关系(Bulotsky-Shearer等,2020)、教养压力(Mak等,2020)、数字媒体(Sundqvist等,2020)等。虽然现有研究成果为完善留守儿童关爱体系提供了基础性依据,但问题行为研究既要关注外部环境因素,也要关注内部心理因素。目前对留守儿童的研究主要侧重于通过外部环境因素来减少问题行为,忽视了其内部积极心理品质的作用。因此,本研究的首要目的是全面考察情绪能力对留守儿童问题行为的影响。儿童的情绪能力不仅与各种积极结果相关,如良好的社会关系、学业成功、良好的行为习惯和幸福感(Hachem等,2022),也与问题行为有关,如欺凌行为和退缩行为(Calzada等,2024;You等,2023)。情绪能力的发展有助于儿童理解和表达自己的情绪,理解他人的情绪,增强儿童的适应能力,降低问题行为的概率。因此,本研究提出假设1:情绪能力对问题行为有重要影响。
简介:理解和分析人类情绪是研究的关键领域,其应用涵盖了医疗保健,教育,娱乐和人类计算机的互动。目的:利用诸如面部表情,语音模式,生理信号和文本数据之类的模式,本研究研究了深度学习体系结构的整合,例如卷积神经网络(CNN),复发性神经网络(RNN)和变形金属模型,以有效地捕获错综复杂的情绪简化。方法:此数据集提供了广泛的情感类别和情感分类,它是推进创新的机器学习和深度学习模型的强大资源。结果:这些发现为开发能够适应人类情绪的智能系统的方式铺平了道路,从而促进了人类与机器之间的自然和同情性相互作用。结论:未来的方向包括扩展数据集,解决道德注意事项以及将这些模型集成到现实世界应用程序中。
摘要 - 这项研究提议实施基于卷积神经网络的面部情感识别系统,以实时检测情绪,旨在优化工作场所环境并提高组织生产力。评估了六种深度学习模型:标准CNN,Alexnet,VGG16,InceptionV3,Resnet152和Densenet201,Densenet201实现了最佳性能,精度为87.7%,召回96.3%。该系统显示关键绩效指标(KPI)的显着改善,包括减少数据收集时间的72.59%,诊断时间降低了63.4%,工作满意度增加了66.59%。这些发现突出了深度学习技术对工作场所情感管理的潜力,实现了及时的干预措施,并促进了更健康,更有效的组织环境。
这项研究研究了由于联盟19日,在执行工作中的工作中,工作家庭冲突对斐济公共部门雇员的情绪疲惫的影响。对100名参与者进行了定量调查,然后通过PLS-SEM进行了经验分析。调查结果表明,家庭对工作的干扰(FIW)对公职人员的情绪疲惫产生了积极而显着的影响。同样,对家庭(WIF)的工作干扰也具有相同的影响。但是,与WIF相比,FIW对情绪疲惫的影响更大。这项研究强调了公共决策者和人力资源经理的关键策略,以在强制执行的WFH时代,公共雇员更好地生活与公共雇员的平衡。建议在政策层面,管理层面和家庭远程办公人员下提出建议。这项研究的理论贡献是将作用理论和资源理论的保存整合起来,以全面的解释,以解释由于资源损失而导致工作家庭冲突引起的情绪疲惫。关于斐济劳动力中灵活的工作安排的研究很少见,这项研究是强制执行WFH的第一个研究。讨论了斐济案中的独特挑战,因为有效的WFH障碍。
不平衡的数据集对神经科学、认知科学和医学诊断等领域构成了重大挑战,在这些领域中,准确检测少数类别对于稳健的模型性能至关重要。本研究以 DEAP 数据集中的“喜欢”标签为例,解决了类别不平衡问题。这种不平衡经常被先前的研究忽视,这些研究通常侧重于更平衡的唤醒和效价标签,并主要使用准确度指标来衡量模型性能。为了解决这个问题,我们采用了旨在最大化曲线下面积 (AUC) 的数值优化技术,从而增强了对代表性不足的类别的检测。我们的方法从线性分类器开始,与传统的线性分类器(包括逻辑回归和支持向量机 (SVM))进行了比较。我们的方法明显优于这些模型,召回率从 41.6% 提高到 79.7%,F1 分数从 0.506 提高到 0.632。这些结果强调了通过数值优化实现 AUC 最大化在管理不平衡数据集中的有效性,为提高在样本外数据集中检测少数但关键类别的预测准确性提供了有效的解决方案。
虽然文献表明,当感觉反馈与所考虑的病理相关时,神经反馈的表现会有所改善,但仍然很难表现出一种能代表我们情绪状态的适当反馈。在这项研究中,我们发起了神经科学家和艺术家之间的合作,以开发一种情绪的视觉表现。情绪被表示为根据价数和唤醒水平在白色球体中移动的粒子。探索了粒子控制的几种可能性:粒子的方向、它们在特定位置的浓度或它们的重力。参与者被要求在 0 到 5 的范围内评估这些可能性,评估不同表现的艺术性程度以及是否可以用作临床活动,他们是否认为他们在神经反馈练习期间成功控制了粒子,以及他们是否欣赏这种体验。我们发现控制粒子的方向和浓度被认为是最具艺术性的,平均得分约为 5 分中的 3 分,107 名参与者中有 47% 认为粒子的浓度是艺术性的。此外,我们发现参与者可以在此会话中显著控制粒子的方向。我们的方法是评估情绪神经反馈在多个疗程中的有效性之前的第一步。关键词:神经反馈;情绪;艺术