楊利 丁嬌 胡天寒 劉影 王婷婷

摘要：人工智能技術(shù)被廣泛應(yīng)用于心理學(xué)的各個(gè)領(lǐng)域，研究方法和工具能夠促進(jìn)心理學(xué)的發(fā)展，對(duì)于心理學(xué)而言具有重要意義。文章梳理社交網(wǎng)絡(luò)、語(yǔ)音、面部表情、其他心理數(shù)據(jù)及多元心理數(shù)據(jù)融合的應(yīng)用現(xiàn)狀，比較分析決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和深度學(xué)習(xí)等心理數(shù)據(jù)分析算法，深度學(xué)習(xí)能抽取更高級(jí)別的特征數(shù)據(jù)，更具優(yōu)勢(shì)。對(duì)人工智能應(yīng)用于心理學(xué)領(lǐng)域的研究進(jìn)行了總結(jié)和展望。

關(guān)鍵詞：人工智能;心理學(xué);深度學(xué)習(xí)

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）11-0001-03

心理學(xué)主要研究人的心理、精神和行為及其之間的相互關(guān)系，研究對(duì)象為個(gè)體或群體的情緒、認(rèn)知、思維、人格、人際關(guān)系、行為等，常見(jiàn)的研究方法有：實(shí)驗(yàn)法、訪談法、調(diào)查法、比較法等[1-2]。心理學(xué)的研究方法和工具對(duì)心理學(xué)的研究具有重要意義，例如，1879年馮特首創(chuàng)了心理研究實(shí)驗(yàn)室，將特定的心理現(xiàn)象置于某種受控條件下進(jìn)行研究，直接促使了心理學(xué)從哲學(xué)的分離，成為一門(mén)獨(dú)立的科學(xué)[1]。近年來(lái)，統(tǒng)計(jì)學(xué)中的t檢驗(yàn)、方差分析、回歸分析等工具廣泛應(yīng)用于心理學(xué)的研究，并取得了一定的成果[3]。但這些傳統(tǒng)的統(tǒng)計(jì)學(xué)方法存在兩個(gè)方面的問(wèn)題：一是傳統(tǒng)的統(tǒng)計(jì)學(xué)方法需設(shè)置前提條件才能對(duì)數(shù)據(jù)進(jìn)行分析;二是影響人類心理現(xiàn)象的因素眾多，且這些因素之間存在錯(cuò)綜復(fù)雜的關(guān)系，數(shù)據(jù)量巨大，傳統(tǒng)的統(tǒng)計(jì)學(xué)方法難以進(jìn)行分析。

人工智能是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)[4]。人工智能的工作原理是使用機(jī)器學(xué)習(xí)算法對(duì)大量數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，從而構(gòu)造模式識(shí)別模型，并使用該模型對(duì)未知數(shù)據(jù)做出類似于人的決策。人工智能技術(shù)相對(duì)于傳統(tǒng)的統(tǒng)計(jì)學(xué)方法在大數(shù)據(jù)處理和數(shù)據(jù)分析方面有著顯著的優(yōu)勢(shì)。

1 人工智能在心理測(cè)量領(lǐng)域的應(yīng)用

目前，使用各種心理測(cè)量量表獲取人們的心理特征是心理學(xué)測(cè)量領(lǐng)域的普遍方法，這種方法可以快速獲得受試者不同視角下的心理特征，但是受試者在評(píng)測(cè)過(guò)程中，存在記憶偏差、主觀隨意性強(qiáng)、審答題不仔細(xì)等因素，造成所獲取的心理特征數(shù)據(jù)不能客觀地反映受試者的心理狀態(tài)。

人工智能在獲取數(shù)據(jù)方面有著天然優(yōu)勢(shì)，除使用心理量表采集數(shù)據(jù)外，還可從受試對(duì)象的社交網(wǎng)絡(luò)、語(yǔ)音、面部表情、生理信號(hào)等方面獲取相關(guān)數(shù)據(jù)，社交網(wǎng)絡(luò)內(nèi)容往往是內(nèi)心情感的真實(shí)寫(xiě)照，語(yǔ)音和面部表情也是傳達(dá)情感狀態(tài)的自然、普遍方式，相對(duì)于從心理量表所得數(shù)據(jù)而言更具客觀性，各種生理指標(biāo)數(shù)據(jù)也被應(yīng)用于心理分析。心理數(shù)據(jù)應(yīng)用的一般過(guò)程為：采集某種或幾種心理數(shù)據(jù)，生成有結(jié)構(gòu)的心理特征數(shù)據(jù)，使用機(jī)器學(xué)習(xí)算法提取出重要特征，再使用分類算法進(jìn)行分類或預(yù)測(cè)，如圖1所示。

1.1 社交網(wǎng)絡(luò)心理數(shù)據(jù)

隨著社交網(wǎng)絡(luò)的興起，人們將部分社會(huì)行為轉(zhuǎn)移至網(wǎng)絡(luò)上，常見(jiàn)的表現(xiàn)形式有：撰寫(xiě)博文、發(fā)表評(píng)論、互動(dòng)留言、關(guān)注他人社交網(wǎng)絡(luò)主頁(yè)、閱讀博文等，這些網(wǎng)絡(luò)行為可以是匿名的，因此往往是人們真實(shí)心理活動(dòng)的對(duì)照，具有較強(qiáng)的自發(fā)性和真實(shí)性，同時(shí)這些行為數(shù)據(jù)可被記錄下來(lái)，將其有效地組織起來(lái)可構(gòu)成不同情境下的用戶行為數(shù)據(jù)。

社交網(wǎng)絡(luò)心理數(shù)據(jù)應(yīng)用于心理領(lǐng)域的任務(wù)十分廣泛，如抑郁、自殺傾向、壓力、輿情等。Nadeem M構(gòu)建了250萬(wàn)條的語(yǔ)料庫(kù)，每條語(yǔ)料庫(kù)對(duì)應(yīng)一篇Twitter博文，然后用幾個(gè)統(tǒng)計(jì)分類器估計(jì)抑郁癥的風(fēng)險(xiǎn)，其準(zhǔn)確率達(dá)到86%[5]。Yates A等人提出了一個(gè)識(shí)別社區(qū)用戶抑郁的神經(jīng)框架，從Twitter和Facebook上獲取社區(qū)用戶發(fā)帖，使用框架分析處理后能有效識(shí)別用戶的抑郁程度，結(jié)果與自我報(bào)告的抑郁癥診斷結(jié)果基本相符[6]。朱廷劭等人提出一種基于網(wǎng)絡(luò)行為時(shí)頻的抑郁檢測(cè)方法，通過(guò)抑郁自評(píng)量表和網(wǎng)絡(luò)行為采集獲取了728名受試者心理特征數(shù)據(jù)，使用時(shí)頻分析構(gòu)建了時(shí)頻特征，該方法能有效地捕捉抑郁狀況變化[7]。劉德喜等人對(duì)QQ空間、微信朋友圈等準(zhǔn)私密社交網(wǎng)絡(luò)上的數(shù)據(jù)進(jìn)行采集和分析，論證了基于準(zhǔn)私密社交網(wǎng)絡(luò)檢測(cè)用戶抑郁的可行性[8]。林靖怡等利用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)獲取微博內(nèi)容，并從中提取心理健康數(shù)據(jù)，構(gòu)建基于社交網(wǎng)絡(luò)數(shù)據(jù)挖掘的心理健康預(yù)警模型，分類準(zhǔn)確率高到91%[9]。王海起等也從社交網(wǎng)絡(luò)中爬取情感信息，并以此分析地理情感特征[10]。

1.2 語(yǔ)音心理數(shù)據(jù)

語(yǔ)言是人們之間最普遍的交流方式，語(yǔ)音則是語(yǔ)言表達(dá)的重要形式，富含表達(dá)者豐富的情感、態(tài)度等心理特征。近年來(lái)，研究者主要聚焦于語(yǔ)音的情感識(shí)別的研究，研究重點(diǎn)為語(yǔ)音特征和語(yǔ)音數(shù)據(jù)庫(kù)的構(gòu)建。在語(yǔ)音特征方面，李田港等設(shè)計(jì)了一種基于集成學(xué)習(xí)的語(yǔ)音情感算法，在生氣、悲傷、高興、驚慌及中性情感上都有著較好的識(shí)別效果[11];IBM （International Business Machines Corporation，國(guó)際商業(yè)機(jī)器公司）研發(fā)了一種臨床高危人群精神障礙發(fā)作預(yù)測(cè)系統(tǒng)，該系統(tǒng)能自動(dòng)采集患者的說(shuō)話聲音并進(jìn)行分析處理，預(yù)測(cè)準(zhǔn)確率達(dá)到了79%[12]。Ben Alex S等提出一種基于深度學(xué)習(xí)的語(yǔ)的Emo-DB情感識(shí)別系統(tǒng)，對(duì)語(yǔ)音中的韻律特征進(jìn)行提取和分割，具有較好的情感識(shí)別效果[13]。陳穎等構(gòu)建一個(gè)包含7種情感共計(jì)5376條語(yǔ)音樣本的漢語(yǔ)情感語(yǔ)音數(shù)據(jù)庫(kù)，分別并從差異性、一致性、集中性和及情感識(shí)別率分析樣本數(shù)據(jù)庫(kù)的質(zhì)量，結(jié)果表明樣本數(shù)據(jù)庫(kù)的情感一致性較高且具有明顯的可區(qū)分性[14]。

1.3 面部表情心理數(shù)據(jù)

面部表情是人們內(nèi)心活動(dòng)的真實(shí)寫(xiě)照，面部表情同語(yǔ)音相同，也蘊(yùn)含著大量的心理特征信息。目前，基于面部表情的情感識(shí)別主要分為兩大類：靜態(tài)圖像和視頻圖像。在靜態(tài)圖像方面：楊金朋等對(duì)在線學(xué)習(xí)平臺(tái)學(xué)習(xí)者的人臉表情進(jìn)行采集和分析，計(jì)算其情感值，為個(gè)性化學(xué)習(xí)方式提供支持[15];張海峰針對(duì)人臉識(shí)別的身份認(rèn)證、特征提取和特征提取方式等應(yīng)用場(chǎng)景分別設(shè)計(jì)了相應(yīng)算法，對(duì)人臉識(shí)別的全過(guò)程進(jìn)行了優(yōu)化，提高了識(shí)別精度[16]。在視頻圖像方面，LI Q等在提取面部表情的基礎(chǔ)上，提取了微表情的光流特征，再對(duì)這些光流特征進(jìn)行細(xì)化，最后利用SVM（Support Vector Machine，支持向量機(jī)） 進(jìn)行了分類[17]。

1.4 其他心理數(shù)據(jù)

生理信號(hào)、醫(yī)學(xué)影像圖片等也包含著許多心理特征數(shù)據(jù)。Kim等開(kāi)發(fā)了一種基于生理信號(hào)數(shù)據(jù)的短期情緒監(jiān)控系統(tǒng)，識(shí)別準(zhǔn)確率為75%[18];Sarraf S等使用機(jī)器學(xué)習(xí)算法分析MRI（Magnetic Resonance Imaging，磁共振成像） 結(jié)構(gòu)成像數(shù)據(jù)，對(duì)阿爾茨海默病患者和健康老年人進(jìn)行分類，分類準(zhǔn)確度高達(dá)95%左右[19]。Bahado-Singh RO等提出了一種基于外周血表觀遺傳基因的識(shí)別系統(tǒng)，該系統(tǒng)能有效預(yù)測(cè)新生兒時(shí)期的孤獨(dú)癥譜系障礙（Autism Spectrum Disorders，ASD） [20]。

1.5 多元心理數(shù)據(jù)融合

單一心理數(shù)據(jù)來(lái)源不夠全面，將語(yǔ)音、面部表情、生理信息等特征融合起來(lái)進(jìn)行分析已成為行業(yè)共識(shí)。具體實(shí)現(xiàn)路徑有兩種，一是先提取單種心理特征數(shù)據(jù)再融合，二是先融合再進(jìn)行心理特征數(shù)據(jù)提取。范習(xí)健等利用多種機(jī)器學(xué)習(xí)模型對(duì)語(yǔ)音和面部表情兩種特征數(shù)據(jù)進(jìn)行融合分析，對(duì)比實(shí)驗(yàn)表明，融合后的數(shù)據(jù)模型識(shí)別效果優(yōu)于單一數(shù)據(jù)模型[21]。陳敏提出了一種融合文本和短視頻的情感分析方法，在中性、積極和消極三種情感類別識(shí)別上表現(xiàn)較好[22]。袁鵬提出了基于注意力機(jī)制Dempster-Shafer（D-S） 證據(jù)理論的融合策略，先通過(guò)深度學(xué)習(xí)算法直接提取心理特征數(shù)據(jù)，再用融合策略進(jìn)行特征篩選，其有效識(shí)別率達(dá)到了85.73%[23]。

2 人工智能應(yīng)用于心理分析的常見(jiàn)算法

人工智能的核心技術(shù)是通過(guò)構(gòu)建機(jī)器學(xué)習(xí)算法模型對(duì)數(shù)據(jù)進(jìn)行分析。機(jī)器學(xué)習(xí)是研究計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，重組已有的知識(shí)結(jié)構(gòu)并使之不斷改善[24]。余凱等將機(jī)器學(xué)習(xí)算法分為兩大類：淺層學(xué)習(xí)和深度學(xué)習(xí)。淺層學(xué)習(xí)算法如決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等，目前已廣泛應(yīng)用于心理學(xué)領(lǐng)域，但其模型的評(píng)估效果與經(jīng)驗(yàn)相關(guān)，難以取得較好的評(píng)估結(jié)果。深度學(xué)習(xí)是目前性能表現(xiàn)最優(yōu)的機(jī)器學(xué)習(xí)算法，主要包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)等[25]。主要的機(jī)器學(xué)習(xí)算法的發(fā)展歷程如圖2所示。

2.1 決策樹(shù)

決策樹(shù)算法通過(guò)把數(shù)據(jù)樣本分配到某個(gè)葉子節(jié)點(diǎn)確定數(shù)據(jù)集中樣本所屬的分類，利用樹(shù)形模型不斷遞歸樣本空間，樹(shù)形模型由決策節(jié)點(diǎn)、分支和葉子節(jié)點(diǎn)組成[26]。樹(shù)中的每個(gè)決策節(jié)點(diǎn)表示一個(gè)樣本空間，每個(gè)決策節(jié)點(diǎn)到葉子節(jié)點(diǎn)的連接都是一條路徑規(guī)則，每個(gè)葉子節(jié)點(diǎn)代表一個(gè)判斷類別，主要用于解決分類問(wèn)題。

李夢(mèng)然使用決策樹(shù)模型找出影響大學(xué)生亞健康的重要因素有：學(xué)習(xí)時(shí)長(zhǎng)、經(jīng)濟(jì)困難、熬夜、身體鍛煉等，對(duì)樣本的分類準(zhǔn)確率達(dá)到83.9%[27]。侯繼文收集了青島大學(xué)附院住院部及體檢中心的330例MCI（Mild Cognitive Impairment，輕度認(rèn)知障礙） 患者數(shù)據(jù)，使用決策樹(shù)模型篩選出影響MCI指標(biāo)的重要因素有教育程度、社會(huì)交往、業(yè)余愛(ài)好、高脂飲食、高脂血癥等，模型的AUC（Area Under Curve） 值達(dá)到0.81[28]。

2.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模仿生物學(xué)中神經(jīng)元的計(jì)算模型[29]，其網(wǎng)絡(luò)結(jié)構(gòu)由大量的類似于神經(jīng)元的節(jié)點(diǎn)構(gòu)成，每個(gè)節(jié)點(diǎn)都有輸入值、輸出值，輸入值進(jìn)行線性組合后，再經(jīng)過(guò)某種激勵(lì)函數(shù)即為輸出值，神經(jīng)元節(jié)點(diǎn)按其功能可分為輸入層、隱藏層和輸出層。人工神經(jīng)網(wǎng)絡(luò)不同于傳統(tǒng)的邏輯推理，僅通過(guò)計(jì)算輸入值的權(quán)值，便能獲得類似于人的簡(jiǎn)單決策能力。奚曉嵐等構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的大學(xué)生心理健康評(píng)估模型，對(duì)150名大學(xué)生的SCL-90量表數(shù)據(jù)進(jìn)行分析，實(shí)驗(yàn)結(jié)果顯示模型的收斂性和準(zhǔn)確性較好[30]。王麗使用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)對(duì)研究生群體的SCL-90心理數(shù)據(jù)進(jìn)行分析，結(jié)果顯示預(yù)測(cè)值接近實(shí)際值[31]。

2.3 支持向量機(jī)

支持向量機(jī)將樣本數(shù)據(jù)表示為空間的點(diǎn)，利用核函數(shù)轉(zhuǎn)換將低維樣本空間轉(zhuǎn)換為高維樣本空間，在高維空間中，取間隔空間最大的線性分類表面作為決策邊界，各類樣本點(diǎn)距離決策邊界越大，其分類誤差越小，主要用于解決分類問(wèn)題[32]。

王琳虹等提出了一種基于粒子群與支持向量機(jī)的駕駛疲勞等級(jí)判別模型，對(duì)駕駛員的生理特征：心電RR間期標(biāo)準(zhǔn)差、腦電的α波和β波和心率均值等進(jìn)行分析，其判別準(zhǔn)確率超過(guò)85%[33]。莊媛通設(shè)計(jì)了一種基于支持向量機(jī)和隨機(jī)森林的情緒分類模型，對(duì)60名學(xué)生的情緒數(shù)據(jù)進(jìn)行分析。情緒的最高識(shí)別率達(dá)到75.13%[34]。

2.4 深度學(xué)習(xí)

深度學(xué)習(xí)源自人工神經(jīng)網(wǎng)絡(luò)，通過(guò)建立基于反向傳播的深層次神經(jīng)網(wǎng)絡(luò)，模仿人腦的機(jī)制分析處理各類數(shù)據(jù)。以深度神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)包含了更多的隱含層，能夠抽取更高級(jí)別的抽象特征，是人工神經(jīng)網(wǎng)絡(luò)的進(jìn)化和提升，因此深度學(xué)習(xí)比淺層學(xué)習(xí)更具優(yōu)勢(shì)[25]。Zhou J等通過(guò)構(gòu)建基于深度學(xué)習(xí)模型，揭示了非編碼突變對(duì)ASD（Autism Spectrum Disorder，自閉癥譜系障礙） 的影響[35]。徐其華等提出了一種基于深度自編碼網(wǎng)絡(luò)和自注意力的表情識(shí)別模型，可自動(dòng)提取人臉表情特征，該模型表情識(shí)別的準(zhǔn)確率達(dá)到90%以上[36]。劉小灃分別用自適應(yīng)深度度量學(xué)習(xí)和對(duì)抗訓(xùn)練兩種方法解構(gòu)面部表情信息，并在IJB-A/B/C系列數(shù)據(jù)集、Celebrity-1000視頻數(shù)據(jù)集上驗(yàn)證了該算法的有效性[37]。

3 結(jié)束語(yǔ)

綜上所述，人智能技術(shù)已經(jīng)成功應(yīng)用于心理學(xué)諸多領(lǐng)域，文本、語(yǔ)音、面部表情等多元心理數(shù)據(jù)融合更具有全面性，深度學(xué)習(xí)算法比傳統(tǒng)的支向量機(jī)、決策樹(shù)等淺層學(xué)習(xí)算法具有更好的評(píng)估性能。針對(duì)不同的任務(wù)，導(dǎo)致各種技術(shù)的預(yù)測(cè)結(jié)果準(zhǔn)確率相差很大，有的能達(dá)到90%，有的卻只有70%，原因在于應(yīng)用場(chǎng)景各異，數(shù)據(jù)集大小、參數(shù)設(shè)置、標(biāo)注質(zhì)量都不相同。心理數(shù)據(jù)的主體為人，相較于自然科學(xué)下的數(shù)據(jù)而言，主觀性更強(qiáng)，因此如何構(gòu)建高質(zhì)量、可復(fù)用的心理數(shù)據(jù)庫(kù)是這一領(lǐng)域的重大挑戰(zhàn)。

參考文獻(xiàn)：

[1] 高學(xué)德.心理學(xué)研究方法的回顧和思考[J].甘肅聯(lián)合大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2005，21（2）：90-92.

[2] 李宇，王沛.心理學(xué)研究方法的前沿創(chuàng)新之作——評(píng)《心理學(xué)研究方法》[J].教育研究，2013，34（6）：158-159.

[3] 焦璨，黃澤娟，張敏強(qiáng)，等.心理研究中統(tǒng)計(jì)方法應(yīng)用的元分析——以《心理學(xué)報(bào)》《心理科學(xué)》（1998—2008）統(tǒng)計(jì)方法應(yīng)用為例[J].心理科學(xué)，2010，33（1）：48-54.

[4] 鐘義信.人工智能的突破與科學(xué)方法的創(chuàng)新[J].模式識(shí)別與人工智能，2012，25（3）：456-461.

[5] Nadeem M.Identifying depression on twitter[J]. arXivpreprintarXiv：1607.07384，2016.

[6] Yates A，Cohan A，Goharian N.Depression and self-harm risk assessment in online forums[C]//Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing.Copenhagen，Denmark.Stroudsburg，PA，USA：Association for Computational Linguistics，2017.

[7] Zhu C Y，Li B B，Li A，et al.Predicting depression from Internet behaviors by time-frequency features[C]//2016 IEEE/WIC/ACM International Conference on Web Intelligence （WI）.October 13-16，2016，Omaha，NE，USA.IEEE，2016：383-390.

[8] 劉德喜，邱家洪，萬(wàn)常選，等.利用準(zhǔn)私密社交網(wǎng)絡(luò)文本數(shù)據(jù)檢測(cè)抑郁用戶的可行性分析[J].中文信息學(xué)報(bào)，2018，32（9）：93-102.

[9] 林靖怡，黎大坤，吳平鑫，等.基于社交數(shù)據(jù)挖掘的心理健康預(yù)警建模與分析[J].電子技術(shù)與軟件工程，2020（8）：172-173.

[10] 王海起，陳冉，魏世清，等.利用中文微博數(shù)據(jù)的地理情感特征挖掘[J].武漢大學(xué)學(xué)報(bào)·信息科學(xué)版，2020，45（5）：699-708.

[11] 李田港，葉碩，葉光明，等.基于集成學(xué)習(xí)的語(yǔ)音情感識(shí)別算法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2020，30（6）：82-86.

[12] Corcoran C M，Carrillo F，F(xiàn)ernández-Slezak D，et al.Prediction of psychosis across protocols and risk cohorts using automated language analysis[J].World Psychiatry，2018，17（1）：67-75.

[13] Alex S B，Babu B P，Mary L.Utterance and syllable level prosodic features for automatic emotion recognition[C]//2018 IEEE Recent Advances in Intelligent Computational Systems.December 6-8，2018，Thiruvananthapuram，India.IEEE，2018：31-35.

[14] 陳穎，肖仲喆.離散標(biāo)簽與維度空間結(jié)合的語(yǔ)音數(shù)據(jù)庫(kù)設(shè)計(jì)[J].聲學(xué)技術(shù)，2018，37（4）：380-387.

[15] 楊金朋，薛耀鋒，李佳璇，等.基于人臉表情識(shí)別的在線學(xué)習(xí)情感計(jì)算研究[J].中國(guó)教育技術(shù)裝備，2017（18）：35-36，43.

[16] 張海峰.基于多特征融合的人臉表情識(shí)別研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2020.

[17] Li Q Y，Zhan S，Xu L F，et al.Facial micro-expression recognition based on the fusion of deep learning and enhanced optical flow[J].Multimedia Tools and Applications，2019，78（20）：29307-29322.

[18] Kim K H，Bang S W，Kim S R.Emotion recognition system using short-term monitoring of physiological signals[J].Medical and Biological Engineering and Computing，2004，42（3）：419-427.

[19] Sarraf S，Tofighi G.Deep learning-based pipeline to recognize Alzheimer's disease using fMRI data[C]//2016 Future Technologies Conference （FTC）.December 6-7，2016，San Francisco，CA，USA.IEEE，2016：816-820.

[20] Bahado-Singh R O，Vishweswaraiah S，Aydas B，et al.Artificial intelligence analysis of newborn leucocyte epigenomic markers for the prediction of autism[J].Brain Research，2019，1724：146457.

[21] 范習(xí)健，楊緒兵，張禮，等.一種融合視覺(jué)和聽(tīng)覺(jué)信息的雙模態(tài)情感識(shí)別算法[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)），2021，57（2）：309-317.

[22] 陳敏.融合文本和短視頻的雙模態(tài)情感分析[D].南京：南京郵電大學(xué)，2020.

[23] 袁鵬.基于深度學(xué)習(xí)的情感識(shí)別算法研究[D].南京：東南大學(xué)，2019.

[24] 陳凱，朱鈺.機(jī)器學(xué)習(xí)及其相關(guān)算法綜述[J].統(tǒng)計(jì)與信息論壇，2007，22（5）：105-112.

[25] 余凱，賈磊，陳雨強(qiáng)，等.深度學(xué)習(xí)的昨天、今天和明天[J].計(jì)算機(jī)研究與發(fā)展，2013，50（9）：1799-1804.

[26] 楊靜，張楠男，李建，等.決策樹(shù)算法的研究與應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010，20（2）：114-116，120.

[27] 李夢(mèng)然.基于Logistic和決策樹(shù)模型的大學(xué)生亞健康狀況及影響因素分析[D].北京：北京交通大學(xué)，2015.

[28] 侯繼文.輕度認(rèn)知障礙影響因素分析及決策樹(shù)模型研究[D].青島：青島大學(xué)，2020.

[29] 毛健，趙紅東，姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程，2011，19（24）：62-65.

[30] 奚曉嵐，程灶火.基于神經(jīng)網(wǎng)絡(luò)的大學(xué)生心理健康評(píng)估模型[J].中國(guó)臨床心理學(xué)雜志，2011，19（6）：746-747，733.

[31] 王麗.基于神經(jīng)網(wǎng)絡(luò)的研究生心理健康狀況預(yù)測(cè)分析[D].西安：西安科技大學(xué)，2016.

[32] 丁世飛，齊丙娟，譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào)，2011，40（1）：2-10.

[33] 王琳虹，李世武，高振海，等.基于粒子群優(yōu)化與支持向量機(jī)的駕駛員疲勞等級(jí)判別[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2014，46（12）：102-107.

[34] 莊媛.基于符號(hào)動(dòng)力學(xué)的心率變異性情緒識(shí)別研究[D].濟(jì)南：山東大學(xué)，2019.

[35] Zhou J，Park C Y，Theesfeld C L，et al.Whole-genome deep-learning analysis identifies contribution of noncoding mutations to autism risk[J].Nature Genetics，2019，51（6）：973-980.

[36] 徐其華，孫波.基于深度學(xué)習(xí)和證據(jù)理論的表情識(shí)別模型[J].計(jì)算機(jī)工程與科學(xué)，2021，43（4）：704-711.

[37] 劉小灃.基于深度學(xué)習(xí)的人臉圖像識(shí)別技術(shù)的研究[D].北京：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所），2019.

收稿日期：2021-09-01

基金項(xiàng)目：安徽高校人文社會(huì)科學(xué)研究重點(diǎn)項(xiàng)目（SK2020A0380，SK2021A0468，SK2021A0466）;大學(xué)生心理健康教育研究中心安徽省人文社會(huì)科學(xué)重點(diǎn)研究基地校級(jí)課題（SJD202001）;安徽高校自然科學(xué)研究重點(diǎn)項(xiàng)目（KJ2020A0822）;高校優(yōu)秀青年人才支持項(xiàng)目（gxyq2020106）;皖南醫(yī)學(xué)院中青年科研基金自然科學(xué)項(xiàng)目（WK202115）

作者簡(jiǎn)介：楊利（1984—），男，安徽池州人，講師，碩士，主要從事信息技術(shù)教學(xué)研究和機(jī)器學(xué)習(xí)研究。