深度学习支持下的情感识别探讨

陈艳

摘要：随着人工神经网络技术的发展，深度学习逐渐成为人工智能领域的研究重点。在情感识别领域，深度学习也有着极为强大的理论与技术优势，其能够显著提升情感识别的准确性。同时，深度学习下的情感识别对于智慧化学习环境的营造有着积极意义，所以将之应用到教育教学工作中是切实可行的。本文对深度学习进行了简单介绍，并分析了当前情感识别的研究进展，进而对深度学习支持下的情感识别构建和应用展开探讨。

关键词：情感识别;深度学习;智慧化学习

中图分类号： TP18        文献标识码：A

文章编号：1009-3044（2021）06-0183-03

Abstract： with the development of artificial neural network technology， deep learning has gradually become the research focus in the field of artificial intelligence. In the field of emotion recognition， deep learning also has very strong theoretical and technical advantages， which can significantly improve the accuracy of emotion recognition. At the same time， emotional recognition under deep learning has positive significance for the construction of intelligent learning environment， so it is feasible to apply it to education and teaching. This paper briefly introduces deep learning， analyzes the current research progress of emotion recognition， and then discusses the construction and application of emotion recognition supported by deep learning.

Key words： emotion recognition; deep learning; intelligent learning

引言

在现代教育中，各种新技术的应用使得整个教育教学与学习环境都更为智慧化，如通过大数据技术分析学生的学习状况然后给予针对性的辅导和教学调整。不仅如此，依靠现代技术所创设的智慧化学习环境更倾向于对学习者综合素质能力加以引导和培育，即通过智慧化的学习环境让学习者可以自主组织学习、进行思考并优化学习方法，在此过程中学习者的创新能力、解决问题能力、决策力以及思辨性都将得到显著提升。然而，智慧化学习环境的创建离不开对学习者情感的判断，因为学习者觉得学习在极大程度上是受情感进行支配，情感将影响学习者的注意、知觉、表象、记忆、思维以及语言等一系列认知活动，所以智慧化学习环境创设中对学习者的情感识别就成为其能否提升学习者学习效率的关键。在现代智能技术中，深度学习为情感识别提供了一种更强大的技术支撑，其能够实现对学习者情感更准确地识别，因此加强深度学习支持下情感识别的研究更有助于为学习者创设出更智慧化的学习环境，而这也是未来人类教育教学领域需要研究和探索的重要课题。

1 深度学习概述

深度学习是人工神经网络发展的更高级阶段，其相关算法、理论与应用也是近年来才开始取得较大突破的，并且在短时间内为现代人工智能与大数据技術提供了强大发展动能。深度学习最早被提出是在2006年加拿大学者的研究中出现的，加拿大学者辛顿等在研究中提出了一种“深度置信网络”的神经网络模型，并以之来完成数据降维。在其研究中将这一神经网路模型的特点归结为两方面：一是有着较多隐层的神经网络结构，具有独特特征的学习能力，且能够有效获取图像的本质特征;二是可以通过“逐层初始化”来不断克服深层神经网络的训练难度。这一研究使得深度学习成为人工智能时代的研究主流，并且在后续的实践中进一步证实了深度学习的巨大潜力。实际上，深度学习就是针对拥有深层次结构的模型进行训练的一种方法的统称，其在发展过程中诞生了多种神经网络结构模型与算法，并使得深度学习能够模拟人类神经网络进行各种复杂图像特征提取和处理，从而进行更多复杂内容的识别。如卷积神经网络（CNN）就可以对手写字符、人脸、车牌等进行准确识别。

2 情感识别研究进展

情感是人类智能的最典型标志，也是人类所特有的一种复杂特征。实际上，人类的情感所反映的是人在社会活动中对客观事物所抱有的一种态度，是客观事物所引起人一种心理反应的外在表现形式。其与人的思想认知是有着紧密关联的。同时由于人独有的思维意识的存在，使得人的情感识别难度极大，因为人的主观能动意识可以对自身情感进行一定的演示。所以在对人类情感进行识别的过程中，需要赋予现代科学技术以识别、理解、表达情感的能力，而这也正是现代人工智能中所面临的最大难题。就学习者的情感而言，其主要是由学习者学习过程中所学习的客观对象对其自身心理产生影响的一种外在表现，而这种表现最直接的反映将就是学习者面部的表情。而目前针对情感识别的研究则主要是围绕生理信号、外在行为以及相关心理测量来展开的。而在利用人工智能技术进行情感识别中，最早进行的研究就是从人的外显行为即面部表情、语音表情、姿势表情等着手。

在利用面部表情进行情感识别的研究方面，国内外学者都进行了大量研究。如孙波等就依据艾克曼提出的面部表情编码系统进行了情感分析框架的构建，这一框架涉及感知层、传输层、数据层、分析层与应用层，同时以张量分解算法进行表情的识别。此外，荷兰学者巴雷尼等利用网络摄像头与麦克风构建出学习者的学习框架FILTWAM，这一框架可以从学习者面部表情与语言表达层面进行情感的识别。印度学者则将面部表情与生理信息结合起来进行分析识别，使情感识别的依据维度进一步拓展。

此外，国内外学者还从心理测量、认知评价等方面对情感识别进行了研究，但这些方法中的主观成分较多，因此很难得到最准确的识别结果。对此，利用深度学习进行情感识别则成为一个全新的研究领域，且深度学习在内容识别上的优势也为情感识别提供了更有力的技术支持。

3 基于深度学习的情感识别训练

在利用深度学习理论进行情感识别的过程中，其主要需要解决两方面问题，一是情感数据库的构建，二是参数训练。

3.1情感数据库的构建

在进行人类情感数据库构建时，首先需要对人的情感类型进行分类。在这一方面，国内外已经有了各种研究。如艾克曼就曾在研究中将人的基本情感分成六种，即高兴、惊讶、悲伤、愤怒、恐惧、厌恶。而伊扎德又将人的情感类型进行了拓展，提出了害羞、轻蔑、兴趣与自罪感。这些情感的分类都情感数据库的构建有借鉴意义。但在深度学习下的数据库构建中，除了需要结合情感分类外，还需要进行情感对应表情特征数据库的构建。如在数据库构建过程中将情感总体分成常态、高兴、愤怒、悲伤、惊恐、专注、厌倦七个类型，然后按照男女性别选择一定数量的表情采集对象并对这些采集对象在不同情感下的表情进行图像采集。每种表情下每个人的表情图像采集也需要进行不同强度表情的图像采集，然后再将这些表情图像全部纳入深度学习的测试样本之中以进行后续的参数训练。

3.2 参数训练

参数训练是深度学习完成的重要环节，关系到最终情感识别的有效性和准确性。在具体操作中，首先需要将前期数据库构建时采集到的图像进行预处理，并将之统一成一样像素的RGB图像。其次，从现有素材中对每个图像不同角落进行截取以对图像总数进行进一步拓展，扩大训练样本数量。最后，利用Matlab软件进行样本训练，最终完成整个深度学习下的情感识别系统创建。

4 深度学习支持下的情感识别应用

深度学习支持下的情感识别最终还是要应用到具体的学习环境中，用以营造更为智慧化的学习环境。尤其在当前教育教学领域缺少对学生情感足够关注的情况下，利用情感识别技术对学生学习过程中的情感进行把控，能够为其营造出更为智慧化的学习环境并提升教育教学效率。具体而言，深度学习支持下的情感识别应用应从以下几方面展开：

4.1进行学生模型构建

在智慧化学习环境中，学生作为环境服务的主体，其学习特征模型将直接决定深度学习下情感识别作用的发挥。因此情感识别在具体应用中就应该重视对学生学习特征模型进行构建。具体而言，实践中应该将学生在学习过程中的各种特征信息如性别、年龄、知识水平、认知能力等都纳入特征信息范畴内，同时还要尽可能地拓展与完善学生学习的特征信息。尤其在智慧化学习环境的打造中，学生的学习情境、偏好、情感、学业信息、关系信息、知识状态等也都应该考虑在内。而深度学习下情感识别的应用就是要求智慧化学习环境构建中要不断更新与完善学生在情感方面的特征信息模型，从而使情感识别能够有效通过情感来分辨学生的学习状态，进而为教育教学工作者调整教学方法，优化学习环境提供依据。

4.2 强化学生学习中的情感交互

学生的学习过程是动态化的，虽然素质教育强调发挥学生的主观能动性，但学生学习过程中的情感状态也是不容忽视的。尤其在智慧化学习环境的营造中，更要求根据学生的学习状态去为其提供帮助，调整其学习状态，因此教育教学和学习环境营造中与学生的情感交互也是十分关键的。具体而言，深度学习支持下的情感识别需要准确地对每个学生的学习状况进行监测，根据其学习过程中的情感变化来准确判断其学习情况，进而为教师和智慧化学习环境提供相关数据。然后教育教学人员根据数据来对学生提供更为个性化、智慧化的教育教学服务，并给予其情感问题的解决，使学生学习中形成与教师和学习环境的良好情感交互，从而让学生的情感得到调节，始终保持良好的学习状态。从这一角度讲，深度学習支持下的情感识别应用实际上是为教育教学者优化教学提供了一个重要的手段，有助于现代教育中转变以往重知识而轻情感的状况，进而提升教育教学工作的科学性和人性化水平。

4.3 挖掘学生学习行为背后的潜在信息

学习行为是学生在某种动机引导下而产生的一系列学习活动的总称。是学生内在思想与心理活动的外在表现。因此，学生学习行为往往蕴含着许多潜在信息。在以往的智慧化学习环境中，虽然依靠大数据手段也能够对学生的学习情况进行反馈，但却不能对学生学习行为背后的潜在信息即学生的思想与心理活动等进行反馈，这就使得教育教学所提供的服务往往缺乏有效性。因此将深度学习支持下的情感识别应用到智慧化学习环境中，就可以透过学生的情感信息来挖掘其学习行为背后的潜在信息，进而为教育教学工作提供更为科学有效的学生信息。实践中，情感识别需要将每一种情感背后所对应的学生行为信息进行完善，然后依靠情感识别所得到的情感数据去深入挖掘学生情感行为背后的相关心理活动、思想状态，进而找到学生的现实需求并为其提供针对性的学习资源供应，从而在最大程度上提升教育教学的智慧化水平。

5 结束语

综上所述，深度学习理论和相关技术的诞生有助于人工智能领域实现对人类情感的准确识别。而这种情感识别应用到教育教学过程中则可以对学习者学习过程中的情感状态进行准确识别，从而更有效地反映出学习者的学习状态。这一技术在教育教学实践和智慧化学习环境营造中的应用将进一步改善当前教育教学工作的现状，并提升教育教学工作水平，推动教学改革。因此，相关领域应在未来进一步加大对该技术的研究力度，从而使其能够更广泛地应用到不同的学习场景中。

参考文献：

[1] 邬晶晶.基于深度学习的情绪识别技术[D].中国科学院大学（中国科学院深圳先进技术研究院），2020.

[2] 刘元震.基于深度学习的人脸面部情感识别的研究[D]. 哈尔滨：哈尔滨工业大学，2017.

[3] 林平荣，侯志，文贵华.基于深度学习的情感识别开放平台[J].计算机工程与设计，2016，37（6）：1510-1514.

[4] 陈晓东.基于卷积神经网络的语音情感识别[D].广州：华南理工大学，2015.

【通联编辑：唐一东】