劉英梅

〔摘 要〕本文在分析閱讀過(guò)程與信息融合的基礎(chǔ)上，提出了基于信息融合的讀者閱讀過(guò)程識(shí)別的新思路。重點(diǎn)構(gòu)建了閱讀過(guò)程信息融合功能模型，介紹了融合算法、閱讀過(guò)程融合分類、閱讀信息獲取的一些方法。

〔關(guān)鍵詞〕信息融合；閱讀過(guò)程；識(shí)別

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１２．０１．０１２

〔中圖分類號(hào)〕Ｇ２０３ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１（２０１２）０１－００５２－０４

Reading Process Recognition Based on Information FusionLiu Yingmei

（Library，Zhaoqing University，Zhaoqing 526061，China）

〔Ａｂｓｔｒａｃｔ〕On the basis of analyzing reading process and informantion fusion,the new viewpoint of reading process recognition based on informantion fusion was proposed in the paper.Reading process information fusion function model was constructed,and some methods of fusion algorithm,reading process fusion and classification,reading information acquisition were introduced.

〔Ｋｅｙ ｗｏｒｄｓ〕informantion fusion;reading process;recognition

信息融合一詞首先來(lái)源于美國(guó)，它的研究起源于軍事系統(tǒng)建設(shè)的需求。20世紀(jì)90年代，隨著智能機(jī)器人、圖像處理和計(jì)算機(jī)多媒體技術(shù)的發(fā)展，迎來(lái)了信息融合研究的世界性熱潮［１］。信息融合的概念在不同的學(xué)科有不同的表述，在信息智能系統(tǒng)研究領(lǐng)域中，信息融合是由多種信息源（如傳感器、數(shù)據(jù)庫(kù)、知識(shí)庫(kù)和人類本身等）獲取信息，并進(jìn)行濾波、相關(guān)和集成，從而形成一個(gè)適合信息選擇達(dá)到統(tǒng)一目的（如目標(biāo)識(shí)別跟蹤、傳感器管理和系統(tǒng)控制等）的表示構(gòu)架［２］。

閱讀活動(dòng)是讀者從記錄知識(shí)的載體中獲得信息與知識(shí)的社會(huì)實(shí)踐過(guò)程、生理過(guò)程與心理過(guò)程［３］。讀者閱讀過(guò)程中的特征參數(shù)，表現(xiàn)為非線性、時(shí)變性、復(fù)雜性、多樣性和隨意性。對(duì)閱讀過(guò)程中的知識(shí)載體信息、人體表面肌電信息以及運(yùn)動(dòng)圖像解析等有關(guān)參數(shù)需要借助多種數(shù)學(xué)工具，進(jìn)行了全方位的深入研究，以期提高對(duì)閱讀過(guò)程的精準(zhǔn)解析，讀者閱讀過(guò)程識(shí)別為研究讀者心理、指導(dǎo)閱讀和合理構(gòu)建知識(shí)載體采購(gòu)系統(tǒng)打下基礎(chǔ)。

１ 信息融合的處理過(guò)程

按照融合過(guò)程中信息抽象的層次，可以將信息融合過(guò)程分為：數(shù)據(jù)融合、特征融合、融合決策3個(gè)層次［３］。數(shù)據(jù)層融合直接對(duì)原始數(shù)據(jù)進(jìn)行配準(zhǔn)和關(guān)聯(lián)，特征層融合對(duì)特征向量進(jìn)行配準(zhǔn)和關(guān)聯(lián)，然后再進(jìn)行識(shí)別，而決策層融合則是先進(jìn)行識(shí)別，再對(duì)各個(gè)決策結(jié)果進(jìn)行關(guān)聯(lián)，得到融合的判決結(jié)果。

輸入數(shù)據(jù)融合特征融合融合決策輸出圖１ 信息融合的處理過(guò)程

信息融合處理總是面向具體應(yīng)用的，針對(duì)一個(gè)確定的具體決策任務(wù)設(shè)計(jì)融合處理流程。圖２是針對(duì)閱讀過(guò)程的信息融合功能模型。

從圖２可以看出，整個(gè)閱讀融合處理過(guò)程是以閱讀信息的獲取與處理為基礎(chǔ)的，無(wú)論是閱讀模型的建立還是閱讀狀態(tài)的評(píng)判，最終都是基于對(duì)閱讀過(guò)程中所獲得的多源信息綜合分析的基礎(chǔ)之上的，因此，閱讀信息獲取是基礎(chǔ)。圖２ 針對(duì)閱讀過(guò)程的信息融合功能模型

２ 閱讀過(guò)程分析

閱讀是指從文字、聲音、圖像及其三位一體的表達(dá)方式中提取信息的過(guò)程。也就是說(shuō)，通過(guò)視覺(jué)、聽(tīng)覺(jué)器官接受文字、聲音、圖像的信息，再經(jīng)過(guò)大腦的編碼加工，從而理解閱讀信息的意義。對(duì)閱讀的研究是一個(gè)廣泛而復(fù)雜的領(lǐng)域［４］。

閱讀過(guò)程可以分為3個(gè)層次：

（1）物理學(xué)層次：閱讀過(guò)程中的行為姿態(tài)和面部表情，包括身體的移動(dòng)、翻書的動(dòng)作、鼠標(biāo)的移動(dòng)以及眼部、面部和口部肌肉的變化等。

（2）生理學(xué)層次：讀者閱讀過(guò)程中的神經(jīng)沖動(dòng)，如人的皮質(zhì)醇水平、心率、血壓、呼吸、皮膚電活動(dòng)、掌汗、瞳孔直徑等。

（3）心理學(xué)層次：閱讀過(guò)程中讀者對(duì)信息的接受、編碼，貯存、提取和使用，這一過(guò)程可以歸納為4種模式：即感知、記憶、控制和反應(yīng)。讀者已有的知識(shí)和知識(shí)結(jié)構(gòu)對(duì)其行為和當(dāng)前的閱讀活動(dòng)起決定作用。

２０１２年１月第３２卷第１期基于信息融合的閱讀過(guò)程識(shí)別Ｊａｎ.，２０１２Ｖｏｌ.３２ Ｎｏ.１２.１ 閱讀過(guò)程模式識(shí)別方法

閱讀過(guò)程模式識(shí)別就是根據(jù)閱讀者和閱讀對(duì)象的某些特征把它們歸到一定的類別［５］，是對(duì)感知數(shù)據(jù)的解釋過(guò)程。

閱讀過(guò)程行為識(shí)別大體可以劃分為3層：從閱讀背景中發(fā)現(xiàn)目標(biāo)，通常稱為目標(biāo)檢測(cè)；區(qū)分閱讀目標(biāo)的類型，通常稱為目標(biāo)分類；個(gè)體目標(biāo)的確認(rèn)，通常稱為目標(biāo)確認(rèn)。這3個(gè)層次因其分類任務(wù)和內(nèi)涵的不同，對(duì)目標(biāo)表述的精細(xì)程度的需求不一樣。3個(gè)層次是互相聯(lián)系的，目標(biāo)檢測(cè)是基礎(chǔ)的層次，目標(biāo)分類一般建立在目標(biāo)檢測(cè)的基礎(chǔ)上，對(duì)目標(biāo)表述的精細(xì)程度需求要求高些，目標(biāo)確認(rèn)一般建立在目標(biāo)分類層次上，對(duì)目標(biāo)表述的精細(xì)程度需求更高。

２.２ 閱讀過(guò)程行為特性分析

閱讀過(guò)程行為特性分析是目標(biāo)識(shí)別的基礎(chǔ)，包括不同類別目標(biāo)及其背景的特征屬性和影響因素。測(cè)量和分析目標(biāo)特性需要考慮目標(biāo)可能存在的變化模式，相關(guān)背景的變化模式和傳感器感知過(guò)程會(huì)出現(xiàn)的多種模式等。

２.３ 閱讀過(guò)程行為識(shí)別模型的建立

閱讀過(guò)程行為模型的建立是目標(biāo)識(shí)別的關(guān)鍵部分。目標(biāo)識(shí)別模型有3種方法：第一種是目標(biāo)模板表述模型，直接使用目標(biāo)識(shí)別相關(guān)的典型目標(biāo)數(shù)據(jù)建立模型，采用相似性度量的模板匹配進(jìn)行識(shí)別；第二種是基于數(shù)據(jù)層的特征矢量表述模型，使用單層結(jié)構(gòu)的多特征屬性組合建立模型，在特征矢量表述模型基礎(chǔ)上可以建立形形色色的識(shí)別分類方法；第三種是基于元特征的層次結(jié)構(gòu)表述。通過(guò)對(duì)目標(biāo)數(shù)據(jù)的分析，可以提取以基礎(chǔ)單元的特征，還可以將相連的具有同樣屬性的特征集合成特征集，即形成所謂的元特征。建立目標(biāo)識(shí)別模型從本質(zhì)上說(shuō)，是用智能計(jì)算過(guò)程來(lái)實(shí)現(xiàn)人們識(shí)別處理過(guò)程。

３ 融合算法

早在20世紀(jì)80年代，Hall和Llinas考察了30個(gè)信息融合系統(tǒng)，并歸納了使用的75種融合算法。目前信息融合算法有上百種，按概念分類，目標(biāo)識(shí)別的融合算法主要有：物理模型算法、 參數(shù)分類算法、基于認(rèn)識(shí)模型的算法［６］。

３.１ 物理模型算法

這種算法根據(jù)物理模型直接計(jì)算實(shí)體特征。預(yù)測(cè)一個(gè)實(shí)體特征的物理模型必須以被識(shí)別物體的物理特征為基礎(chǔ)，而實(shí)際物理模型往往相當(dāng)復(fù)雜，建立起來(lái)非常困難。盡管實(shí)際中很少使用這種方法，但在基礎(chǔ)研究工作中卻使用它。常用的技術(shù)包括仿真(Simulation)、估計(jì)以及依照句法(Syntactic)的方法。其中估計(jì)方法有卡爾曼濾波、最大似然和最小均方估計(jì)等。

３.２ 參數(shù)分類算法

這種算法尋求一個(gè)標(biāo)識(shí)說(shuō)明使之依賴于參數(shù)數(shù)據(jù)而不是物理模型，在參數(shù)數(shù)據(jù)和一個(gè)標(biāo)識(shí)說(shuō)明間建立一個(gè)直接的映像。這種方法可進(jìn)一步分為基于統(tǒng)計(jì)的算法和基于信息的算法［７］。

基于統(tǒng)計(jì)的算法：統(tǒng)計(jì)算法包括：經(jīng)典推理、Bayes推理和D-S證據(jù)理論。

基于信息的算法：依賴于觀測(cè)參數(shù)與目標(biāo)身份之間的映射關(guān)系來(lái)對(duì)目標(biāo)進(jìn)行標(biāo)識(shí)。信息論方法包括參數(shù)化模板、人工神經(jīng)網(wǎng)絡(luò)、聚類算法、優(yōu)化圖解(FiguresofMerit)和相關(guān)性度量。

３.３ 基于認(rèn)識(shí)模型的算法

基于認(rèn)識(shí)模型的信息融合算法是通過(guò)模仿人類辨別實(shí)體的識(shí)別過(guò)程模型，解決證據(jù)不確定性或決策中的不準(zhǔn)確性等問(wèn)題。也就是說(shuō)，信息融合過(guò)程中存在的不確定性可以直接用模糊邏輯表示，然后使用多值邏輯推理，根據(jù)各種模糊演算對(duì)各種命題(即各傳感器提供的數(shù)據(jù))進(jìn)行合并，從而實(shí)現(xiàn)信息融合［７］。基于認(rèn)識(shí)模型的算法主要包括邏輯模板、知識(shí)(專家)系統(tǒng)和模糊集合論。

４ 讀者閱讀過(guò)程的融合分類

數(shù)據(jù)分類是將原始感知的數(shù)據(jù)劃分為具有相同特征屬性的不同子集，也就是賦予其具有一定語(yǔ)義特性的標(biāo)記。讀者閱讀過(guò)程的融合分類分為數(shù)據(jù)層融合分類、特征層融合分類和決策層融合分類。由于成像傳感器的應(yīng)用，以圖像為中心的融合分類研究應(yīng)用比較廣泛。

４.１ 數(shù)據(jù)層融合分類

基本處理方法就是多源圖像數(shù)據(jù)的直接加權(quán)融合和多源圖像的變換融合。前者通過(guò)對(duì)多源圖像數(shù)據(jù)相對(duì)應(yīng)位置的圖像灰度值加權(quán)形成一幅新的融合圖像，以后在這基礎(chǔ)上進(jìn)行分類。后者是將多源圖像數(shù)據(jù)變換成一個(gè)新的圖像集，常見(jiàn)方法有：變換為彩色圖像進(jìn)行分類，經(jīng)過(guò)PCA變換進(jìn)行分類，經(jīng)過(guò)ICA變換進(jìn)行分類。

４.２ 特征層融合分類

（1）多源信息的特征提取，如線段、區(qū)域、輪廓以及指紋、人臉、聲音等。特征的提取和具體應(yīng)用與使用的傳感器有關(guān)。

（2）分類器設(shè)計(jì)與選擇，如距離、神經(jīng)網(wǎng)絡(luò)方法、SVM等分類器形式和決策樹(shù)的層次處理結(jié)構(gòu)等。

（3）應(yīng)用特征分類的其他形式，如采用心理學(xué)中視覺(jué)競(jìng)爭(zhēng)機(jī)理的圖像顯著性局部區(qū)域的快速提取。

４.３ 決策層融合分類

決策層融合分類在很大程度上是指多分類器融合分類。根據(jù)實(shí)際應(yīng)用常常使用不同類型的傳感器，如語(yǔ)音和圖像融合識(shí)別說(shuō)話人的系統(tǒng)，其數(shù)據(jù)具有固有的不同步、不完全對(duì)應(yīng)等特點(diǎn)，采用特征層融合會(huì)遇到一些困難，采用決策層融合可以緩解。

５ 閱讀信息獲取

在閱讀信息獲取過(guò)程中，常常面對(duì)不同感知對(duì)象、不同類型的平臺(tái)和不同類型傳感器等情況相應(yīng)的融合處理需求也不盡相同。表1是閱讀過(guò)程中的信息融合的不同需求。表１ 閱讀過(guò)程中的信息融合的不同需求

對(duì) 象融合處理目

的單（多）目標(biāo)平臺(tái)閱讀什么，在哪兒閱讀多目標(biāo)處理中心什么時(shí)候需要信息，需要什么信息

在閱讀信息的獲取中，一方面要充分考慮可能獲得的所有信息資源，選擇在閱讀范圍和閱讀特征上彼此互補(bǔ)的信息資源，以滿足預(yù)定決策任務(wù)的需求；另一方面盡可能減少甚至消除獲取的信息資源的不確定性和不可靠性。

閱讀過(guò)程中目標(biāo)的屬性常常是多種多樣的。有些屬性可以直接表現(xiàn)出來(lái)并被傳感器直接感知，有些則是非直接表現(xiàn)出來(lái)的，可以通過(guò)感知的數(shù)據(jù)經(jīng)過(guò)變換和處理獲得。當(dāng)采用多傳感器和傳感器網(wǎng)絡(luò)感知時(shí)，采集或搜集有關(guān)數(shù)據(jù)時(shí)，必須考慮到傳感器實(shí)際受到的3個(gè)基本方面的約束，即感知時(shí)空域的限制，感知特性的限制和工作環(huán)境與條件的限制。下面是已知的閱讀過(guò)程中讀者數(shù)據(jù)獲取數(shù)據(jù)方式：

（1）將傳感器(如攝像頭)安裝在讀者閱讀活動(dòng)場(chǎng)景中，由傳感器采集讀者的閱讀活動(dòng)圖像序列，通過(guò)對(duì)圖像或視頻處理實(shí)現(xiàn)閱讀活動(dòng)分析。這種方式是獲取閱讀活動(dòng)信息的主流方法。當(dāng)然，從復(fù)雜背景中提取人體閱讀活動(dòng)信息難度大，而且存在圖像分析的算法復(fù)雜，難以實(shí)時(shí)處理的問(wèn)題［８］。

（2）通過(guò)三維跟蹤技術(shù)獲得讀者的運(yùn)動(dòng)位置，然后進(jìn)行運(yùn)動(dòng)分析。常用的三維跟蹤技術(shù)有光學(xué)跟蹤、電磁跟蹤和聲學(xué)跟蹤等。中國(guó)科學(xué)院計(jì)算技術(shù)研究所［９］在基于動(dòng)態(tài)背景構(gòu)造的視頻運(yùn)動(dòng)人體提取、基于視頻的人體運(yùn)動(dòng)跟蹤、三維人體運(yùn)動(dòng)模擬與仿真以及基于運(yùn)動(dòng)庫(kù)檢索和視頻分析的三維人體運(yùn)動(dòng)參數(shù)獲取等方面攻克了多項(xiàng)關(guān)鍵技術(shù)。主要有：運(yùn)動(dòng)人體提取技術(shù)、運(yùn)動(dòng)人體跟蹤技術(shù)、三維人體運(yùn)動(dòng)模擬與仿真技術(shù)、三維人體運(yùn)動(dòng)參數(shù)獲取技術(shù)。

（3）無(wú)損傷腦成像技術(shù)，記錄大腦對(duì)屏幕、文字和圖像的反應(yīng)，能夠進(jìn)行讀者閱讀行為的科學(xué)研究。腦內(nèi)存在許多功能分離而又相互協(xié)同工作的腦區(qū)，大腦對(duì)閱讀信息的認(rèn)知和情緒反應(yīng)很多時(shí)候是在無(wú)意識(shí)情況下發(fā)生的，人在進(jìn)行不同的心理活動(dòng)時(shí)，腦內(nèi)有不同的腦區(qū)被激活［１０］。Gallagher等［１１］利用功能磁共振成像(functional Magnetic Res-onance Imaging，fMRI)技術(shù)揭開(kāi)心理認(rèn)知的神經(jīng)生物學(xué)基礎(chǔ)，因此這種迅速發(fā)展的探測(cè)人腦如何加工獲取信息并作出決策的能力，為科學(xué)地研究閱讀過(guò)程提供了依據(jù)。

（4）事件相關(guān)電位(Event-related Potential，ERP)是腦波的一種，將記錄到腦電圖的腦部原始生理信號(hào)進(jìn)行再分析處理而得，為了解人腦的高級(jí)認(rèn)知活動(dòng)打開(kāi)了一扇窗口。湖南師范大學(xué)的陳竹使用事件相關(guān)電位方法對(duì)不同個(gè)性大學(xué)生閱讀攻擊性圖片的研究顯示出大腦皮層的不同反應(yīng)，可以提供研究人的認(rèn)知活動(dòng)和判斷人的認(rèn)知能力的有用指標(biāo)［１２］。

（5）Raichle［１３］介紹了認(rèn)知神經(jīng)科學(xué)家用來(lái)研究認(rèn)知過(guò)程的正電子發(fā)射層析攝影掃描技術(shù)(PositronEmission Tomography，PET)，這是一種基于減法邏輯的方法，可觀察由純實(shí)驗(yàn)條件所引起的腦興奮區(qū)域和興奮水平。PET曾多次被用來(lái)研究情景記憶(Epi-sodic Memory)，當(dāng)被試者提取情景記憶時(shí)，右前額葉顯示較其它記憶提取時(shí)更高的興奮水平［１４］。

（6）株式會(huì)社島津制作所的河野理等發(fā)明的一種應(yīng)用核磁共振現(xiàn)象的磁共振成像裝置，其特征在于，它包含，閱讀傾斜場(chǎng)脈沖的產(chǎn)生手段裝置，通過(guò)所述第三傾斜磁場(chǎng)線圈產(chǎn)生所述閱讀傾斜磁場(chǎng)脈沖，它與所述回波信號(hào)成一時(shí)間關(guān)系，這種裝置當(dāng)采用混合掃描方法攝取圖像時(shí)，能夠修正回波信號(hào)之間的相位差，從而在不加重控制系統(tǒng)負(fù)荷的情況下抑制圖像模糊［１５］。

華南師范大學(xué)的金花等應(yīng)用功能性磁共振成像技術(shù)實(shí)驗(yàn)發(fā)現(xiàn)：預(yù)期段落的閱讀任務(wù)激活——特異性皮層網(wǎng)絡(luò)［１６］。

（7）美國(guó)MIT媒體實(shí)驗(yàn)室已經(jīng)開(kāi)發(fā)出數(shù)種用于測(cè)量心理信號(hào)的傳感器［１７－１９］，如用于測(cè)量皮膚電信號(hào)的皮膚電反應(yīng)傳感器、血流脈沖傳感器、肌動(dòng)電流圖傳感器、呼吸傳感器等。壓力感應(yīng)鼠標(biāo)［２０］和自動(dòng)面部表情分析［２１］也作為非語(yǔ)音手段，對(duì)人類的情感狀態(tài)進(jìn)行識(shí)別。

（8）哈爾濱工業(yè)大學(xué)的金輝和中國(guó)科學(xué)院的高文［２２］提出一種人臉面部混合表情識(shí)別系統(tǒng)。首先把人臉檢測(cè)定位，通過(guò)圖像預(yù)處理分別提取其運(yùn)動(dòng)特征，并按時(shí)序組成特征序列，然后分析不同特征區(qū)域所包含的不同表情信息的含義和表情的含量；最后通過(guò)信息融合來(lái)理解、識(shí)別任意時(shí)序長(zhǎng)度的、復(fù)雜的混合表情圖像序列。其各種表情的總體識(shí)別率達(dá)到96.9%。

人臉檢測(cè)定位圖像預(yù)處理規(guī)范化特征提取分類器分類識(shí)別圖３ 人臉識(shí)別算法流程

（9）北京理工大學(xué)的續(xù)爽等［２３］在圖嵌入的框架下提出一種根據(jù)表情相似度構(gòu)建鄰接權(quán)重圖的方法來(lái)學(xué)習(xí)人臉表情子空間。將人臉?lè)譃?種表情，建立一種人臉表情流形模型，對(duì)各種可能的人臉表情圖像進(jìn)行全局表示，從數(shù)據(jù)集中各種可能的人臉表情數(shù)據(jù)中提取本質(zhì)的表情特征，所提出的子空間方法很好地解決了個(gè)體、光照、姿態(tài)等差異對(duì)人臉表情識(shí)別帶來(lái)的困難。

基于信息融合的閱讀過(guò)程識(shí)別就是從不同傳感器的角度觀察待識(shí)別目標(biāo)，對(duì)待識(shí)別目標(biāo)做出預(yù)處理、特征提取、識(shí)別或判決，通過(guò)在不同層次將多傳感器所觀察的信息進(jìn)行融合最終獲得聯(lián)合推斷結(jié)果，以達(dá)到提高識(shí)別效果的目的。這對(duì)于研究讀者閱讀的認(rèn)知，具有重要意義。

參考文獻(xiàn)

［１］邊肇棋，張學(xué)工，等．模式識(shí)別(第二版)［Ｍ］．北京：清華大學(xué)出版社，2000．

［２］權(quán)太范．信息融合神經(jīng)網(wǎng)絡(luò)——模糊推理理論與應(yīng)用［Ｍ］．北京：國(guó)防工業(yè)出版社，2002．

［３］王潤(rùn)生．信息融合［Ｍ］．北京：科學(xué)出版社，2007．

［４］祖林，石繼業(yè)．閱讀過(guò)程心理機(jī)制的研究概述［Ｊ］．中國(guó)電力教育，2008，（2）：179-181．

［５］中國(guó)大百科全書編輯委員會(huì)．中國(guó)大百科全書?教育卷［Ｚ］．北京：中國(guó)大百科全書出版社，1985．

［６］胡勇．信息融合在模式識(shí)別中的應(yīng)用研究［Ｄ］．合肥：合肥工業(yè)大學(xué)，2004，（3）．

［７］涂小強(qiáng)．信息融合的原理與方法概述［Ｊ］．電訊技術(shù)，1999，（3）：1-6．

［８］雷建和．基于多源信息融合的人體運(yùn)動(dòng)分析與建模研究［Ｄ］．合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2006，（5）．

［９］中國(guó)科學(xué)院計(jì)算技術(shù)研究所．基于三維人體運(yùn)動(dòng)仿真與視頻分析的計(jì)算機(jī)輔助運(yùn)動(dòng)系統(tǒng)及示范應(yīng)用［Ｚ］．北京：中國(guó)科學(xué)院計(jì)算技術(shù)研究所，2008．

［１０］王志良，鄭思儀，王先梅，等．心理認(rèn)知計(jì)算的研究現(xiàn)狀及發(fā)展趨勢(shì)［Ｊ］．模式識(shí)別與人工智能，2011，（2）：215-225．

［１１］Gallagher H，Happe F，F(xiàn)letcher P．Reading the Mind in Cartoons and Stories：An fMRI Study of‘Theory of Mindin Verbal and Nonverbal Tasks［Ｊ］．Neuropsychologia，2000，38(1)：11－21．

［１２］陳竹．不同個(gè)性大學(xué)生閱讀攻擊性圖片的REp研究［Ｄ］．湖南：湖南師范大學(xué)，2006．

［１３］Raichle M E．Visualizing the Mind［Ｊ］．Scientific American，1994，270(4)：36－43．

［１４］Wheeler M，Stuss D，Tulving E．Toward a Theory of Episodic Memory：The Frontal Lobes and Autonoetic Consciousness［Ｊ］．Psycho-logical Bulletin，1997，121(3)：331－354．

［１５］河野理，等．磁共振成像裝置［Ｐ］．日本京都市：CN1104883，1995-07-12．

［１６］金花．文本閱讀中預(yù)期推理生成的腦激活模式［Ａ］．上海：第十屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集［Ｃ］．2005．

［１７］Wilson G M，Sasse M A．From Doing to Being：Getting Closer to the User Experience［Ｊ］．Interacting with Computers，2004，16(4)：697－705．

［１８］Picard R W，Scheirer J．The Galvactivator：A Glove that Senses and Communicates Skin Conductivity［Ｚ］．Proc of the International Conference on Human-Computer Interaction．New Orleans，USA，2001：91－101．

［１９］Scheirer J，F(xiàn)ernandez R，Klein J，et al．Frustrating the User on Purpose：A Step toward Building an Affective Computer［Ｊ］．Interacting with Computers，2002，14(2)：93－118．

［２０］Qi Yuan，Picard R W．Context-Sensitive Bayesian Classifiers and Application to Mouse Pressure Pattern Classification［Ｚ］．Proc of the 16th International Conference on Pattern Recognition．Quebec，Canada，2002，Ⅷ：448－451．

［２１］Sebe N，Lew M S，Sun Y，et al．Authentic Facial Expression A-nalysis［Ｊ］．Image and Vision Computing，2007，25(12)：1856－1863．

［２２］金輝，高文．人臉面部混合表情識(shí)別系統(tǒng)［Ｊ］．計(jì)算機(jī)學(xué)報(bào)，2000，23(6)：602－608．

［２３］續(xù)爽，賈云得．基于表情相似性的人臉表情流形［Ｊ］．軟件學(xué)報(bào)，2009，20(8)：2191－2198．