XiaoMi-AI文件搜索系统
World File Search System情感
情感教练 - 一个教育
概述描述情感教练是一种方法，它使孩子能够通过支持他们的不同情绪来管理自己的行为。它源于以下事实：行为受到情感的影响，并且是一种与孩子互动的特定方式，可以为他们提供情感的语言。该方法是由Gottman（1996）开发的，他探索了不同的育儿风格，发现父母对孩子情绪的看法会影响父母的方式。没有机会与主要照顾者建立安全的纽带的孩子有时是由于创伤性的早期经历，通常无法调节压力，并且需要一个能够与他们共同调节的成年人。共同调节是当成年人与孩子互动以提供养育和安全的关系（孩子经常尚未经历）并建模自我调节技能时。情感教练是当下处理行为的实用方法。它涉及：
对决策的情感影响的见解
多年来，制造商一直致力于提高其生产率。生产计划操作对此目标至关重要。但是，在现代制造系统中，必须定期更新原始时间表，因为它发生在动态和不确定的环境中。因此，现代制造环境对负责生产过程的管理人员来说是非常压力的，因为他们必须应对许多干扰和不确定性。为了帮助他们在决策过程中，已经开发了一些决策支持系统（DSS）。最近且巨大的挑战是实施DSS，以有效地管理上述问题。如今，这些DSS被假定可以减少用户的压力和工作量，因为它们会自动（重新）通过应用算法安排生产。 据我们所知，用户精神状态（即认知和情感状态）的相互影响以及这些DSS的使用在文献中受到了有限的关注。 尤其是，用户无关情绪的影响降低了关注。 但是，这些影响特别令人感兴趣，因为它们可以解释DSS的效率，尤其是在调节DSS反馈处理时。 因此，我们假设调查DSS和用户精神状态的相互影响可以提供有用的调查途径。如今，这些DSS被假定可以减少用户的压力和工作量，因为它们会自动（重新）通过应用算法安排生产。据我们所知，用户精神状态（即认知和情感状态）的相互影响以及这些DSS的使用在文献中受到了有限的关注。尤其是，用户无关情绪的影响降低了关注。但是，这些影响特别令人感兴趣，因为它们可以解释DSS的效率，尤其是在调节DSS反馈处理时。因此，我们假设调查DSS和用户精神状态的相互影响可以提供有用的调查途径。然后，本文的目的是通过建议对用户的精神状态进行调查并鼓励在神经经济学方法中进行此类研究，以提供未来的调整和重新安排操作研究的建议。
情感上涉及的神经通路...
情绪是由于一个人的生理学变化而产生的，这是由于对任何环境变化的适当反应而产生的。情绪决定了一个人的行为。在某种情况下的刺激会发展成为愤怒，我们的口头提示变化，变得侮辱或粗鲁。同样，当收到好消息时，会注意到诸如幸福之类的感觉。通常不太可能发展负面情绪。情绪是进化优势的产物，负责产生我们可以用于生存的环保反应。表现出情感的能力的一部分是检测周围人的情绪和反应的社交技巧。但是，随着情况变得更加细微和复杂，情绪的转变经常发生。人类影响内部情绪和其他人的倾向是情感调节过程（ER）过程的产物[1]。
受人类情感感知机制启发的情感导向预训练探索
深度卷积神经网络（DCNN）的预训练在视觉情绪分析（VSA）领域起着至关重要的作用。大多数提出的方法都采用在大型物体分类数据集（即 ImageNet）上预训练的现成的主干网络。虽然与随机初始化模型状态相比，它在很大程度上提高了性能，但我们认为，仅在 ImageNet 上进行预训练的 DCNN 可能过于注重识别物体，而未能提供情绪方面的高级概念。为了解决这个长期被忽视的问题，我们提出了一种基于人类视觉情绪感知（VSP）机制的面向情绪的预训练方法。具体而言，我们将 VSP 的过程分为三个步骤，即刺激接受、整体组织和高级感知。通过模仿每个 VSP 步骤，我们通过设计的情绪感知任务分别对三个模型进行预训练，以挖掘情绪区分的表示。此外，结合我们精心设计的多模型融合策略，从每个感知步骤中学习到的先验知识可以有效地转移到单个目标模型中，从而获得显着的性能提升。最后，我们通过大量实验验证了我们提出的方法的优越性，涵盖了从单标签学习（SLL）、多标签学习（MLL）到标签分布学习（LDL）的主流 VSA 任务。实验结果表明，我们提出的方法在这些下游任务中取得了一致的改进。我们的代码发布在 https://github.com/tinglyfeng/sentiment_pretraining 。
虚拟现实中的实时情感检测：基于情感和脑电信号三维模型的技术
本文探讨了一种实时检测虚拟现实 (VR) 用户情感状态的技术的开发。该技术通过一项实验的数据进行测试，实验中 18 名参与者在 VR 家庭影院内观看了 16 个包含情感内容的视频，同时记录了他们的脑电图 (EEG) 信号。参与者根据三维情感模型评估了他们对视频的情感反应。分析了该技术的两种变体。两种变体之间的区别在于用于特征选择的方法。在第一个变体中，使用线性混合效应 (LME) 模型选择从 EEG 信号中提取的特征。在第二个变体中，使用递归特征消除和交叉验证 (RFECV) 选择特征。两种变体都使用随机森林来构建分类模型。通过交叉验证获得准确度、精确度、召回率和 F1 分数。进行了方差分析以比较每个变体中构建的模型的准确性。结果表明，特征选择方法对分类模型的准确性没有显著影响。因此，两种变体（LME 和 RFECV）在检测 VR 用户的情感状态方面似乎同样可靠。分类模型的平均准确率在 87% 到 93% 之间。
文章 量子情感计算的概念框架及其在多机器人情感融合中的应用
摘要：本研究尝试在量子力学的原理范围内解释、表述和操纵机器人的情感。我们提出的框架将情感信息编码为叠加态，同时使用幺正算子来操纵情感状态的转换，这些转换可通过适当的量子测量操作恢复。所描述的框架提供了在量子情感计算范式中利用量子力学的潜力的重要步骤。此外，在特定通信场景中，使用量子纠缠融合多机器人的情感，从而减少了捕获环境中所有机器人的情感状态所需的量子比特数，并且需要更少的量子门来将机器人的全部或部分情感从一种状态转换为另一种状态。除了所提出的框架所期望的数学严谨性之外，我们还提供了一些基于模拟的演示来说明其可行性和有效性。这一阐述是情感智能表述向量子时代过渡的重要一步。
米索福尼亚：男性和女人之间的情感程度：男女之间的情感程度
简介：这项研究调查了误会，其特征是对特定声音的厌恶及其与男性和女性类型的声音的敏感性的关系。方法论：使用了一种实验方法，其中包括问卷调查“误解问题”和声音暴露。 div>56个人（28名男性和28名妇女）参加。 div>为方便起见，非稳态抽样。 div>结果：发现误会会影响男人和女人。 div>情感和行为反应不会根据性别而有所不同，包括负面情绪和反对触发声音的行为。 div>结论：这项研究强调了将误解作为一种对日常生活产生重大影响的现象的相关性。 div>结果突出了需要更深入地了解这种情况以及对其管理中的个人和背景因素的考虑。 div>
机器学习方法识别人类情感
情绪识别在人际交往中至关重要，因为它可以指导个体对他人的感受做出适当的反应（Dzedzickis 等人，2020 年；Li 等人，2021 年）。不幸的是，被诊断患有神经发育障碍的人往往难以感知和理解情绪，从而限制了他们与他人的互动（Livingston and Happé，2017 年）。帮助这些人的一个解决方案是利用当前人工智能 (AI) 的兴起来开发数据驱动的方法，能够从不同来源预测情绪，例如大脑和外周生物信号、面部表情、语音、文本等（Bota 等人，2019 年）。在这个研究主题中，我们通过展示七篇高质量的手稿来解决这个方向，这些手稿应用人工智能和机器学习 (ML) 从生理信号、图像或文本中识别情绪。我们的期刊与其他当代情绪识别相关文献不同，它包括了试图从不同来源识别情绪的论文，从而接近从不同角度预测情绪的共同目标。下面总结了关于这个主题的已发表研究论文，将其分为五个主要部分。
测量主观幸福感的情感组成部分
We would like to thank Carrie Exton from the OECD Centre on Well-Being, Inclusion, Sustainability and Equal Opportunity (WISE) for her comments and support, as well members of the OECD informal advisory group on subjective well-being measurement who provided comments on this document: Jason Fields, Rosemary Goodyear, Carol Graham, Erhabor Idemudia, Tim Lomas, Shige Oishi, Anna Pärnänen, Mariano Rojas，Claudia Senik，Conal Smith，Laura Taylor，Alessandra Tinto和Anna Visser。也要感谢Mark Fabian和LucíaMacchia的反馈，以及经合组织统计与统计政策委员会（CSSP）的代表，包括韩国，墨西哥，西班牙和Türkiye的国家统计局。我们还要感谢伦敦经济学院的乔治·梅利奥斯（George Melios）在盖洛普世界民意调查中对享受和生活满意度的指示性分析，以及加拿大统计局（Statistics Canada）对他们的经验取样研究的见解。
