XiaoMi-AI文件搜索系统
World File Search Systememotion
SIFIAE：一种考虑 EEG 特征标签不一致的自适应情绪识别模型
背景：在基于脑电图的情绪识别研究中，一个常见但容易被忽视的情感重叠问题尚未引起足够的重视。在现实生活中，情感重叠是指人的当前情绪状态有时很容易受到其历史情绪的影响。在刺激诱发的脑电图采集实验中，由于连续试验中的休息间隔较短，神经反应的内部机制使得受试者不能轻松快速地切换情绪状态，这可能导致情感重叠。例如，即使我们正在看一部喜剧，因为之前刚看过一场悲剧，我们可能在某种程度上仍然处于悲伤的状态。在模式识别中，情感重叠通常意味着脑电图数据中存在特征标签不一致。新方法：为了减轻脑电图数据不一致的影响，我们引入一个变量来自适应地探索情绪识别模型开发中的样本不一致性。然后，我们提出了一种联合样本不一致性与特征重要性探索的半监督情感识别模型（SIFIAE）。据此提出了一种对SIFIAE模型的有效优化方法。结果：在SEED-V数据集上进行的大量实验证明了SIFIAE的有效性。具体来说，SIFIAE达到了69.10%，67.01%，71.5%，
育儿应用程序支持社会情感和认知......
摘要 目的 许多中低收入国家的儿童在童年时期无法充分发挥早期发展潜力，因为他们缺乏周围环境（包括父母和看护人）的必要支持。数字技术（例如智能手机应用程序）与迭代协同设计相结合，使最终用户参与技术交付的内容开发阶段，有助于克服儿童早期发展 (ECD) 方面的差距。我们描述了迭代协同设计和质量改进过程，该过程为 Thrive by Five 国际计划 的内容开发提供信息，该计划针对亚洲和非洲的九个国家进行了本地化。 设计 2021 年至 2022 年期间，在阿富汗、印度尼西亚、吉尔吉斯斯坦、乌兹别克斯坦、喀麦隆、刚果民主共和国、埃塞俄比亚、肯尼亚和纳米比亚平均每个国家举办了六次协同设计研讨会。参与者 共有 174 名父母和看护人以及 58 名国内主题专家参与并提供反馈，以改进和告知 Thrive by Five 应用程序及其内容的文化适宜性。使用既定的主题技术对研讨会的详细笔记和书面反馈进行了编码和分析。 结果 协同设计研讨会提出了四个主题：当地现实、积极养育的障碍、儿童发展和从文化背景中吸取的教训。这些主题以及各种子主题为内容的开发和改进提供了信息。例如，要求并开展育儿活动以促进不同背景家庭的包容、鼓励最佳育儿做法、增加父亲参与 ECD 的参与度、解决父母的心理健康问题、教育儿童了解文化价值观并帮助失去孩子的儿童摆脱悲伤和失落。此外，与任何国家的法律或文化不符的内容都被删除了。 结论 迭代协同设计过程为早期儿童的父母和看护人开发一款文化相关的应用程序提供了信息。 进一步评估
stgate：带有变压器编码器的时空图形注意网络，用于基于EEG的情绪识别
脑电图（EEG）是神经科学研究中的至关重要且广泛使用的技术。在本文中，我们介绍了一个具有变压器编码器（Stgate）的新型图神经网络，称为“时空图”注意力网络（Stgate），以学习情感脑电图信号的图表并改善情绪识别性能。在Stgate中，将变压器编码器用于捕获时间频率特征，这些特征被送入空间时间图以进行情感分类。使用动态邻接矩阵，提出的stgate自适应地学习了不同的脑电图通道之间的内在连接。为了评估跨主题的情感识别表现，对三个公共情感识别数据集（即种子，种子-IV和梦想家）进行了一项主题外的实验。拟议的Stgate模型在种子中达到了90.37％的最先进的情绪识别性能精度，在种子-IV中为76.43％，Dreamer数据集中分别为76.35％。实验证明了拟议的Stgate模型对跨主题EEG情绪识别及其在基于图的神经科学研究的潜力的影响。
精神病性格特征压力免疫和社会效能减轻了抑郁症的情感能力与认知功能之间的关系
抑郁症是一种情感障碍，包括情绪低落，兴趣和欢乐减少，认知功能恶化以及伴随的营养症状，例如睡眠或食欲不振（1）。抑郁症状主要在情绪和认知领域中发现。例如，最近的研究表明，抑郁症患者对厌恶刺激的情绪反应性降低（2），情绪调节的困难（例如3，4）或对面部情绪表达的负面反应偏见（5）。同时，在创伤经历后，更好地调节情绪的能力与对抑郁症的韧性相关（6）。关于认知功能，有积累的证据表明抑郁症患者的认知恶化；例如，抑郁症与执行功能，注意力（7），精神运动速度，学习，视觉记忆（8），工作记忆和长期记忆的认知缺陷有关（9）。还研究了抑郁症中认知功能与情绪之间的联系。对抑郁症，认知和情绪调节的几项研究进行了一项综述，表明认知偏见（在注意力，记忆和认知控制中）朝着抑郁症的负面刺激，这会导致更适应性地重新诠释情况的能力受损（例如，重新评估），而增加了适应性认知策略的使用（E. g.g.g. g.g. 3）。尽管如此，没有一个机制可以完全解释抑郁症的所有方面，因此在病因学中需要考虑几个因素。可以将抑郁症状分配到许多不同的方面，导致其发展的因素是环境方面（例如，儿童虐待和压力事件）和遗传力（1）。人格特征已被证明有助于抑郁的发展（例如10）。
禁止人工智能法中的情绪识别
代表自闭症患者的团体，例如欧洲自闭症患者理事会，以及研究自闭症和人工智能相关问题的学者，例如 Os Keyes，对这种技术对任何很大一部分自闭症患者的必要性和可行性都持怀疑态度，并指出少数自闭症患者可能在这方面有特定的障碍，但这不是自闭症谱系的决定性特征。根据“双重同理心问题”的想法，神经学上彼此不同的人在解读彼此的情绪时有同样的困难。这意味着“问题”不仅仅在于神经少数群体，因此任何经过训练以识别所谓“正常”情绪表达的情绪检测系统只会优先考虑神经典型人。这实际上可能会加剧问题。在讨论其他神经少数群体和神经系统障碍者的需求时，也应考虑这些论点。
大脑网络服务于通过成分建模识别的情绪的功能核心过程
尽管科学界对情绪的定义缺乏共识，但人们普遍认为情绪涉及思想、身体和行为的多种变化。尽管心理学理论强调情绪的多成分特征，但人们对大脑中这些成分的性质和神经结构知之甚少。我们使用多变量数据驱动方法将各种情绪分解为功能核心过程并确定其神经组织。20 名参与者观看了 40 个情绪片段，并根据之前验证的成分模型定义的 32 个成分特征对 119 个情绪时刻进行了评分。结果显示了不同的情绪如何从一组大脑网络中的协调活动中产生，这些网络编码了与价值评估、享乐体验、新颖性、目标相关性、趋近/回避倾向和社会关注相关的成分过程。我们的研究超越了以前专注于分类或维度情绪的研究，强调了新方法与理论驱动建模相结合如何为情绪神经科学提供新的基础并揭示人类情感体验的功能结构。
从大脑功能连接模式解读六种基本情绪
尽管有研究表明，六种基本情绪具有独特的神经和生理状态，但基本情绪通常与功能性磁共振成像 (fMRI) 体素激活 (VA) 模式难以区分。在此，我们假设跨大脑区域的功能连接 (FC) 模式可能包含超出 VA 模式的情绪表征信息。我们收集了全脑 fMRI 数据，同时人类参与者观看了表达六种基本情绪之一（即愤怒、厌恶、恐惧、快乐、悲伤和惊讶）或表现出中性表情的面部照片。我们获得了整个大脑区域每种情绪的 FC 模式，并应用多变量模式解码来解码 FC 模式表征空间中的情绪。我们的结果表明，全脑 FC 模式不仅成功地将六种基本情绪与中性表情区分开来，而且还将每种基本情绪与其他情绪区分开来。我们确定了每种基本情绪的情绪表征网络，该网络跨越了用于情绪处理的经典大脑区域。最后，我们证明，在相同的大脑区域内，基于 FC 的解码始终比基于 VA 的解码表现更好。综上所述，我们的研究结果表明 FC 模式包含情感信息，并主张进一步关注 FC 对情感处理的贡献。
通过定量面部运动分析实时情绪检测
准确评估人类思想内部状态的能力仍然是现代神经科学的巨大挑战之一。近年来，大量研究致力于发现识别情绪和情绪的新方法。在情绪障碍研究领域中，有许多工具可以在心理上评估情绪。Some are inven- tories, such as the Patient Health Questionnaire-9 (PHQ-9) [ 1 ], the Remission Evaluation and Mood Inventory Tool (REMIT) [ 2 ], and the Ecological Momentary Assessment (EMA) [ 3 ], while others are symptom scales, including the Hamilton Rating Scale for Depression (HAM-D) [ 4 ], the Montgomery-Asburg Depression Rating Scale (MADRS) [ 5 ], and the Young躁狂评级量表（YMRS）[6]。这些工具有助于评估患有抑郁症或躁狂症状的人的情绪障碍，但是通过自我报告或观察者评估方法，它们的有效性和可靠性在很大程度上损害了[7-10]。此外，对情绪的神经生物学机制的研究需要基于调查的工具的时间精度。同样适用于情绪。现有量表的主观性因此，对情绪和情感状态的客观度量产生了需求。以前的客观情感评估尝试采用生物信号检测作为区分情绪的一种手段。某些措施已针对压力反应和情绪困扰的生理标记，例如面部皮肤温度或颜色的变化[11-13]。一个多世纪以前，威廉·詹姆斯（William James）观察到情感状态通常反映在面部运动中（“。其他研究研究了现有的诊断工具，例如心电图[14]，脑电图[15]和肌电图（EMG）[16，17]。最近，健身追踪器和智能手表等可穿戴生物传感器技术的扩散产生了另一种潜在的卧床情绪评估工具[18，19]。分析此类设备提供的身体传感数据的广泛分析可能有助于理解情绪和情感的机械基础。然而，与基于传统问卷的方法相比，这些措施的有效性和可靠性尚未得到解决。面部也许是实时情感评估的最有希望的途径。。。[]脖子弯曲，头部悬挂着（悲伤的“鞠躬”），脸颊和下巴毛刺的放松使脸看起来长而狭窄，下巴甚至可能睁开，眼睛看起来很大”）[20]。从那时起，开发了将面部运动与潜在情绪状态相关联的方法[21 - 23]。由埃克曼（Ekman）和弗里森（Friesen）普及，面部动作编码系统（FACS）根据创建它们的动作单元（肌肉或肌肉群）编码面部运动。该系统在以下前提下起作用，即通过面部运动的情绪代表在文化和人民之间得到保存[24]。其他研究使用面部EMG检测面部表达的有目的变化[25]，以及对情感触摸的反应[26]。中央因此，对面部运动的定量分析可能为研究情绪和情绪状态提供了有趣的方式。已经开发了几种基于参与者的视频记录，包括中央差异方法[27]，已经开发了几种方法来测量动态面部特征。