XiaoMi-AI文件搜索系统
World File Search Systememotion
针对青年的情绪疗法：临床手册
Mirisse Foroughe与一群令人印象深刻的国际知名贡献者一起加入了，包括临床医生 - 科学家和学者，以及以情感治疗的开发商Leslie Greenberg博士。本临床手册提供了有关如何将EFT应用于初级保健以及更复杂的心理健康困难的创伤视角。手册始于令人难以置信的用户友好的核心EFT原则概述，然后再与个别青年，父母和二元进行临床应用。贡献者然后解决如何与特定的客户群体（例如焦虑，抑郁和边缘性疾病的年轻人）实施EFT，然后研究重要的考虑因素，即临床医生在与父母和青年创伤和复杂的临床表现时应牢记临床医生应牢记的考虑。
语音生成的细粒度定量情绪编辑
摘要 - 它仍然是一个重大的挑战，如何在语音产生中进行定量控制语音情感的表现力。在这项工作中，我们提出了一种方法来定量操纵情感的情感，以编辑语音生成。我们应用层次情感分布提取器，即层次结构，可以量化不同粒度水平的情绪强度。层次结构ED随后集成到FastSpeech2框架中，指导模型以在音素，单词和话语水平上学习情感强度。在合成过程中，用户可以手动编辑生成的声音的情感强度。客观和主观评估都证明了拟议网络在细粒度的定量情绪编辑方面的有效性。
SenticNet 8：融合情感 AI 与常识 AI，实现可解释性
摘要。ChatGPT 以其对提示生成详细、原创和准确响应的能力震惊了世界。然而，虽然它为以前被认为无法解决的问题提供了解决方案，但它也引入了新的问题。其中一个问题就是被称为幻觉的现象，即生成的内容无意义或与提供的源内容不符。在这项工作中，我们提出了 SenticNet 8，这是一个利用常识知识表示和分层注意力网络集合的神经符号 AI 框架，旨在缓解情感计算背景下的一些问题。特别是，我们专注于情绪分析、性格预测和自杀意念检测的任务。结果表明，SenticNet 8 在所有四个基线（即：词袋、word2vec、RoBERTa 和 ChatGPT）上均表现出卓越的准确率。此外，与这些基线不同的是，SenticNet 8 也是完全可解释、值得信赖和可说明的。
使用机器学习方法进行语音情感识别
摘要。如今，情绪识别和分类在人机交互 (HCI) 领域发挥着至关重要的作用。情绪通过面部表情、语调和身体运动等身体行为来识别。本研究将语音情绪识别 (SER) 视为识别情绪的最主要方式之一。SER 数据集包含四个不同的数据集，本项目使用 Ravdess 数据集。使用这种机制是因为其时间分辨率高、无风险且成本低。在过去的几十年里，许多研究人员按顺序使用 SER 信号来配合脑机接口 (BCI) 来检测情绪。它包括从音频信号中去除噪声、从音频信号中提取时间或频谱特征、分别在时域或频域上进行分析，最后设计多类分类策略。本文讨论了基于音频信号识别和分类人类情绪的方法。该方法使用机器学习技术，如随机森林 (RF)、多层感知器 (MLP)、支持向量机 (SVM)、卷积网络 (CNN) 和决策树 (DT) 模型进行分类。获得的实验结果似乎很有希望，在情感分类方面具有良好的准确性。
用于基于脑电图的情绪识别的弹性图变换网络
摘要 脑电图 (EEG) 因其出色的时间分辨率和较差的空间分辨率而被应用于情绪识别。这导致大多数基于 EEG 的情绪识别模型强调利用时间特征而忽略了空间分辨率提供的有效信息。为了提取更具信息量的表示，我们提出了一种用于情绪识别的弹性图 Transformer 网络 (EmoGT)，其灵感来自 Transformer 在时间序列分析方面的优势和图卷积网络在拓扑分析中的卓越性能。此外，通过采用专门设计的结构，它可以灵活扩展以应对多模态输入。在 3 个公共数据集上的实验结果表明，我们的模型在单模态和多模态情况下平均比最新结果高出 3%，表明了同时利用时间和空间信息的有效性。
人类杏仁核与眶额皮质连接和情绪的比较
用于定义大脑皮层区域的图谱是基于表面的 HCP-MMP1 图谱 (Glasser 等人，2016)。对于皮层下区域，将图谱转换为体积空间并进行如下修改，如其他地方详细描述的那样，以生成 HCPex 图谱 (Huang 等人，2022)。首先，使用 Winterburn 等人 (2013) 提供的模板将海马和下托定义为单独的区域。在我们的区域列表中，如表 S1 所示，新的海马区域被分配到 HCP 列表中的海马槽中。下托作为新区域出现在列表的后面。 HCPex 图谱中的其他新区域 (Huang 等人，2022) 包括丘脑、壳核、苍白球外部节、苍白球内部节、杏仁核和伏隔核，均使用 CIT168 强化学习图谱中的模板定义 (Pauli 等人，2018)。
基于深度学习的脑电图自我诱导情绪识别
从脑电图 (EEG) 信号中识别情绪需要准确高效的信号处理和特征提取。深度学习技术已经能够自动提取原始 EEG 信号特征，从而更准确地对情绪进行分类。尽管取得了这些进展，但尚未研究从 EEG 信号（尤其是在回忆特定记忆或想象情绪情境时记录的 EEG 信号）中进行情绪分类。此外，使用深度神经网络进行高密度 EEG 信号分类面临着计算复杂度高、通道冗余和准确度低等挑战。为了解决这些问题，我们评估了使用简单的通道选择方法对基于深度学习的自诱情绪进行分类的效果。实验表明，基于信号统计数据选择关键通道可以在不降低分类准确度的情况下将计算复杂度降低 89%。准确率最高的通道选择方法是基于峰度的方法，其对效价和唤醒量表的准确率分别达到 79.03% 和 79.36%。实验结果表明，尽管所提出的框架使用的通道较少，但其性能优于传统方法。我们提出的方法有利于在实际应用中有效利用 EEG 信号。
噪声标签下的基于多通道脑电图的情绪识别
摘要 大量基于脑电图（EEG）的情绪识别任务的深度学习分类方法取得了优异的表现，并且隐含地假设所有标签都是正确的。然而，人类在判断时具有天然的偏见、主观性和不一致性，这会导致脑电图情绪状态的标签带有噪声。为此，我们提出了一种在有噪声标签的情况下基于多通道EEG的情绪识别框架。所提出的噪声标签分类方法基于胶囊网络使用联合优化策略（JO-CapsNet）直至收敛。具体而言，基于胶囊网络的损失函数更新网络参数，通过基于胶囊网络的输出预测类标签的存在可能性来更新伪标签。这样，交替的更新策略可以互相促进以纠正噪声标签。实验结果证明了我们方法的优势。
基于脑电图信号的人类情绪分类使用...
在人际交往中，情绪非常重要。词语、语音语调、面部表情和动作等属性都可用于描绘一个人的感受。然而，脑机接口 (BCI) 设备尚未达到情绪解读所需的水平。随着机器学习算法、干电极技术以及脑机接口在现实世界中对正常人的不同应用的快速发展，从脑电图数据中进行情绪分类最近引起了广泛关注。脑电图 (EEG) 信号是这些系统的关键资源。使用脑电图信号的主要好处是它们反映了真实的情绪，并且很容易被计算机系统解析。在这项工作中，使用通道选择预处理识别了与好情绪、中性和负面情绪相关的脑电图信号。然而，到目前为止，研究人员对各种情绪状态之间联系的具体了解有限。为了识别脑电图信号，我们使用了离散小波变换和机器学习技术，如循环神经网络 (RNN) 和 k-最近邻 (kNN) 算法。最初，使用分类器方法进行通道选择。结果，通过整合来自这些通道的 EEG 片段的特征来创建最终特征向量。使用 RNN 和 kNN 算法，对具有连接的积极、中性和消极情绪的最终特征向量进行独立分类。计算并比较了两种技术的分类性能。使用 RNN 和 kNN，平均总体准确率分别为 94.844 % 和 93.438 %。
跨域脑电情绪识别的多源多表示自适应
由于脑电图 (EEG) 的非侵入性和高精度，EEG 和人工智能 (AI) 的结合经常被用于情绪识别。然而，EEG 数据的内部差异已成为分类准确性的障碍。为了解决这个问题，考虑到来自性质相似但不同领域的标记数据，领域自适应通常提供一个有吸引力的选择。大多数现有研究将来自不同受试者和会话的 EEG 数据聚合为源域，忽略了源具有一定边际分布的假设。此外，现有方法通常仅对齐从单个结构中提取的表示分布，并且可能仅包含部分信息。因此，我们提出了用于跨域 EEG 情绪识别的多源和多表示自适应 (MSMRA)，它将来自不同受试者和会话的 EEG 数据划分为多个域，并对齐从混合结构中提取的多个表示的分布。使用两个数据集 SEED 和 SEED IV 在跨会话和跨主题传输场景中验证所提出的方法，实验结果证明我们的模型在大多数情况下比最先进的模型具有更优越的性能。