徐振國(guó) 張冠文 孟祥增 黨同桐

[摘? ?要] 情感能夠影響和調(diào)節(jié)學(xué)習(xí)者的注意、記憶、思維等認(rèn)知活動(dòng)，學(xué)習(xí)者情感的準(zhǔn)確識(shí)別是構(gòu)建智慧學(xué)習(xí)環(huán)境中和諧情感交互的基礎(chǔ)，更是判斷學(xué)習(xí)者學(xué)習(xí)狀態(tài)的重要手段。傳統(tǒng)學(xué)習(xí)者情感識(shí)別方法存在識(shí)別率低、算法復(fù)雜、魯棒性差等問題，并且容易丟失面部表情特征的關(guān)鍵信息。文章提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)者情感識(shí)別方法，該網(wǎng)絡(luò)包括3個(gè)卷積層、3個(gè)池化層和1個(gè)全連接層。然后在自主搭建的大規(guī)模學(xué)習(xí)者情感數(shù)據(jù)庫(kù)中進(jìn)行了訓(xùn)練和實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該方法能夠快速、準(zhǔn)確的識(shí)別學(xué)習(xí)者情感。未來(lái)，該方法可應(yīng)用到智慧學(xué)習(xí)環(huán)境建設(shè)中，為完善學(xué)習(xí)者模型、實(shí)現(xiàn)情感交互、挖掘?qū)W習(xí)行為等提供技術(shù)支撐。

[關(guān)鍵詞] 深度學(xué)習(xí); 學(xué)習(xí)者情感; 情感識(shí)別; 智慧學(xué)習(xí)環(huán)境; 情感交互; 卷積神經(jīng)網(wǎng)絡(luò)

[中圖分類號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

一、引? ?言

智慧學(xué)習(xí)環(huán)境注重培養(yǎng)學(xué)習(xí)者的創(chuàng)新能力、問題求解能力、決策力和批判性思維能力等高階能力，認(rèn)知活動(dòng)在培養(yǎng)過程中起著至關(guān)重要的協(xié)調(diào)與控制作用[1]。情感是由外界刺激引起的心理反應(yīng)，能夠影響和調(diào)節(jié)注意、知覺、表象、記憶、思維和語(yǔ)言等認(rèn)知活動(dòng)。研究表明，學(xué)習(xí)過程中的積極情感有助于激發(fā)學(xué)習(xí)動(dòng)機(jī)、培養(yǎng)學(xué)習(xí)興趣，促進(jìn)認(rèn)知過程;而消極情感則會(huì)影響耐心度、注意力，阻礙認(rèn)知過程[2]。另外，智慧學(xué)習(xí)環(huán)境以學(xué)習(xí)者為中心，打破了傳統(tǒng)的教學(xué)模式，強(qiáng)調(diào)以MOOCs、微課、博物館等為學(xué)習(xí)資源的泛在學(xué)習(xí)和無(wú)縫學(xué)習(xí)。學(xué)習(xí)者多借助電子書包等移動(dòng)設(shè)備進(jìn)行自主學(xué)習(xí)和協(xié)作學(xué)習(xí)，師生在時(shí)空上多處于準(zhǔn)分離狀態(tài)，難以感受對(duì)方的情感，普遍存在“情感缺失”問題。學(xué)習(xí)者情感能夠影響學(xué)習(xí)興趣和效率，其準(zhǔn)確識(shí)別是構(gòu)建智慧學(xué)習(xí)環(huán)境中和諧情感交互的基礎(chǔ)，更是判斷學(xué)習(xí)者學(xué)習(xí)狀態(tài)的重要手段，對(duì)促進(jìn)學(xué)習(xí)者的智慧學(xué)習(xí)具有重要意義。

2016年《地平線報(bào)告（高等教育版）》指出，情感計(jì)算（Affective Computing）將在未來(lái)四到五年內(nèi)得到普遍應(yīng)用[3]。學(xué)習(xí)者情感識(shí)別作為情感計(jì)算的重要內(nèi)容，研究者主要圍繞生理信號(hào)、心理測(cè)量、外顯行為對(duì)其開展研究[4]。美國(guó)學(xué)者梅拉比安（Albert Mehrabian）指出，感情表達(dá)=7%的言辭+38%的聲音+55%的面部表情[5]。心理學(xué)家艾克曼（Paul Ekman）的研究表明，從面部表情到單一具體情感狀態(tài)映射的準(zhǔn)確率為88%[6]?？梢姡瑢W(xué)習(xí)者情感表達(dá)方式中，面部表情起到了非常關(guān)鍵的作用。并且實(shí)踐應(yīng)用中，通過學(xué)習(xí)設(shè)備自帶攝像頭捕捉學(xué)習(xí)者的面部表情，進(jìn)而識(shí)別學(xué)習(xí)者情感狀態(tài)，要比其他方法更加自然可行。

傳統(tǒng)學(xué)習(xí)者面部表情識(shí)別算法主要包括圖像預(yù)處理、特征提取、特征選擇、分類器構(gòu)建等過程，面部表情的視覺情感特征需要顯式的表達(dá)和提取，并依賴經(jīng)驗(yàn)或運(yùn)氣對(duì)其進(jìn)行挑選。這無(wú)疑增加了識(shí)別難度，并且可能會(huì)丟失原圖像的關(guān)鍵特征信息。隨著技術(shù)的快速發(fā)展，深度學(xué)習(xí)（Deep Learning，DL）成為人工智能領(lǐng)域重要的機(jī)器學(xué)習(xí)算法。深度學(xué)習(xí)將圖像特征提取與神經(jīng)網(wǎng)絡(luò)的模糊分類相結(jié)合，省略前期復(fù)雜的圖像預(yù)處理和特征提取過程，使之不再依賴人工精心設(shè)計(jì)的顯式特征提取方法，在提高性能、泛化能力的同時(shí)，也提高了識(shí)別算法的魯棒性[7]。深度學(xué)習(xí)已在醫(yī)學(xué)圖像處理、自然語(yǔ)言處理等領(lǐng)域獲得應(yīng)用，但在教育領(lǐng)域的應(yīng)用尚需進(jìn)一步研究。本研究自建大規(guī)模學(xué)習(xí)者情感數(shù)據(jù)庫(kù)，并提出基于深度學(xué)習(xí)的學(xué)習(xí)者情感識(shí)別方法，以期提高學(xué)習(xí)者情感的識(shí)別效率和準(zhǔn)確率，為智慧學(xué)習(xí)環(huán)境中和諧情感交互提供技術(shù)支撐，促進(jìn)學(xué)習(xí)者輕松、投入和有效的學(xué)習(xí)。

二、相關(guān)研究

自2006年以來(lái)，深度學(xué)習(xí)在算法、理論和應(yīng)用等方面取得了巨大成功，已然成為人工智能和大數(shù)據(jù)領(lǐng)域的發(fā)展引擎。情感能力是人類智能的重要標(biāo)志，賦予計(jì)算機(jī)識(shí)別、理解和表達(dá)情感的能力，是人工智能未來(lái)前進(jìn)的方向。通過梳理深度學(xué)習(xí)、學(xué)習(xí)者情感識(shí)別的發(fā)展歷程及相關(guān)研究，既可為本研究的開展提供有價(jià)值的借鑒，也可為彌補(bǔ)現(xiàn)有研究的不足提供切入點(diǎn)。

（一）深度學(xué)習(xí)

迄今人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）大致經(jīng)歷了三個(gè)階段，第一個(gè)階段始于20世紀(jì)40年代至60年代的控制論。但其無(wú)法處理“異或”問題，并且此時(shí)的計(jì)算機(jī)缺乏足夠的計(jì)算能力，無(wú)法滿足神經(jīng)網(wǎng)絡(luò)長(zhǎng)時(shí)間的運(yùn)行需求。第二個(gè)階段始于20世紀(jì)80年代末期，魯姆哈特（David Rumelhart）等學(xué)者提出反向傳播（Back Propagation，BP）算法[8]，雖然克服了“異或”問題，并使兩層神經(jīng)網(wǎng)絡(luò)所需的復(fù)雜計(jì)算量降低，但受限于數(shù)據(jù)獲取的瓶頸，普遍存在過擬合等問題。隨著計(jì)算機(jī)性能的顯著提升以及大數(shù)據(jù)時(shí)代的到來(lái)，2006年，加拿大的辛頓（Geoffery Hinton）等研究者在Science上發(fā)表了一篇文章，提出一種被稱為“深度置信網(wǎng)絡(luò)”（Deep Belief Network，DBN）的神經(jīng)網(wǎng)絡(luò)模型以實(shí)現(xiàn)數(shù)據(jù)降維[9]。文章的核心觀點(diǎn)為：（1）有著較多隱層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有獨(dú)特的特征學(xué)習(xí)能力，能夠較好地獲取圖像更本質(zhì)的特征;（2）可通過“逐層初始化”來(lái)克服深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。自此，開啟了人工智能領(lǐng)域的深度學(xué)習(xí)時(shí)代。2016年3月，阿爾法圍棋（Alphago）以4：1的比分戰(zhàn)勝韓國(guó)圍棋名將李世石，引起全世界關(guān)注的同時(shí)，深度學(xué)習(xí)、神經(jīng)科學(xué)等概念也進(jìn)入普通公眾的視野。

深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)（Machine Learning，ML），本質(zhì)上是對(duì)擁有深層結(jié)構(gòu)的模型進(jìn)行訓(xùn)練的一類方法的統(tǒng)稱。目前主流的深度學(xué)習(xí)模型有深度置信網(wǎng)絡(luò)（Deep Belief Networks，DBN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）等。1998年，美國(guó)學(xué)者勒存（Yann Lecun）等提出基于梯度學(xué)習(xí)的CNN算法，并將其運(yùn)用于手寫數(shù)字字符識(shí)別[10]。2012年，在ImageNet大規(guī)模視覺挑戰(zhàn)賽中，辛頓等學(xué)者憑借CNN獲得圖像分類和目標(biāo)定位任務(wù)的冠軍。自此，CNN得到學(xué)界的關(guān)注和持續(xù)研究。CNN最初受腦神經(jīng)科學(xué)研究的啟發(fā)，模仿視覺神經(jīng)中簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞的視覺信息處理過程，用卷積操作模擬簡(jiǎn)單細(xì)胞對(duì)不同方向邊緣信息的處理過程，用池化操作模擬復(fù)雜細(xì)胞累積相近的簡(jiǎn)單細(xì)胞的處理結(jié)果[11]。CNN支持將圖像的像素值直接作為輸入值，隱式地獲得圖像抽象的特征信息，而不必事先對(duì)圖像進(jìn)行預(yù)處理以及顯式地提取圖像特征，避免了復(fù)雜的特征提取和人工選擇過程，并且CNN對(duì)圖像的平移、縮放、旋轉(zhuǎn)等變換以及光照、遮擋物等敏感問題具有較高魯棒性。因此，CNN在手寫字符識(shí)別、人臉識(shí)別、車牌字符識(shí)別等領(lǐng)域得到了廣泛應(yīng)用，目前已成為人工智能領(lǐng)域的重要方法。深度學(xué)習(xí)和CNN的關(guān)系如圖1所示。

（二）學(xué)習(xí)者情感識(shí)別

情感是人們?cè)谏鐣?huì)活動(dòng)中對(duì)客觀事物所持的態(tài)度體驗(yàn)，是人們對(duì)客觀事物的一種特殊的心理反映形式，它在人的思想認(rèn)識(shí)及行為表現(xiàn)中發(fā)揮著重要作用[12]。學(xué)習(xí)者情感多指學(xué)習(xí)者在學(xué)習(xí)過程中由學(xué)習(xí)內(nèi)容、學(xué)習(xí)畫面等刺激產(chǎn)生的內(nèi)心體驗(yàn)及相應(yīng)的外部表現(xiàn)。近年來(lái)，隨著情感計(jì)算的發(fā)展，研究者基于不同的情感理論已提出許多種學(xué)習(xí)者情感識(shí)別方法。目前，學(xué)習(xí)者情感識(shí)別主要圍繞生理信號(hào)分析、心理測(cè)量分析、外顯行為分析等三類方法展開研究。其中，基于外顯行為的方法又分為基于面部表情的方法、基于語(yǔ)音表情的方法和基于姿勢(shì)表情的方法等。

1. 基于面部表情的學(xué)習(xí)者情感識(shí)別研究

孫波等研究者依據(jù)艾克曼提出的面部表情編碼系統(tǒng)（Facial Action Coding System，F(xiàn)ACS）構(gòu)建基于面部表情識(shí)別的情感分析框架SLE-FER，包括感知層、傳輸層、數(shù)據(jù)層、分析層和應(yīng)用層，并利用張量分解算法進(jìn)行表情識(shí)別[1]。詹澤慧結(jié)合眼動(dòng)追蹤與面部表情識(shí)別，提出基于智能Agent的遠(yuǎn)程學(xué)習(xí)者情感與認(rèn)知識(shí)別模型，將眼動(dòng)追蹤與表情監(jiān)控迭代識(shí)別、情感與認(rèn)知過程相耦合，以提高識(shí)別準(zhǔn)確率[13]。荷蘭開放大學(xué)的巴雷尼（KiavashBahreini）等學(xué)者提出通過網(wǎng)絡(luò)攝像頭和麥克風(fēng)改善學(xué)習(xí)者學(xué)習(xí)的框架FILTWAM，F(xiàn)ILTWAM根據(jù)學(xué)習(xí)者的面部表情及語(yǔ)言表達(dá)識(shí)別學(xué)習(xí)者情感并及時(shí)提供反饋[14]。印度的雷（Arindam Ray）等學(xué)者采用面部表情及生理信息相結(jié)合的方法識(shí)別學(xué)習(xí)者情感，其中生理信息包括心率、皮膚電傳導(dǎo)、血容量壓力，基于此，他們探討了學(xué)習(xí)過程中情感的變化，以及如何使用情感反饋來(lái)改善學(xué)習(xí)體驗(yàn)[15]。

2. 基于其他方法的學(xué)習(xí)者情感識(shí)別研究

喬向杰等研究者根據(jù)OCC模型理論，提出基于認(rèn)知評(píng)價(jià)的學(xué)生情感識(shí)別模型，采用模糊推理方法實(shí)現(xiàn)對(duì)學(xué)習(xí)事件的期望度推理，并通過構(gòu)建動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)對(duì)所構(gòu)建的模型進(jìn)行了計(jì)算機(jī)仿真測(cè)試和評(píng)估[16]。黃煥認(rèn)為，學(xué)習(xí)者發(fā)布的微博內(nèi)容帶有情感特征，對(duì)其分析能夠獲得學(xué)習(xí)者當(dāng)時(shí)的情感狀態(tài)，因此，提出一種基于學(xué)習(xí)者微博分析的情感建模方法[17]。臺(tái)灣的陳志銘（Chih-Ming Chen）等學(xué)者采用基于生理信息檢測(cè)的情感估計(jì)系統(tǒng)emWave來(lái)估計(jì)學(xué)習(xí)者的情感狀態(tài)[18]。巴西雅克（Patricia Jaques）等學(xué)者借助信念、愿望、意圖模型在教育環(huán)境中實(shí)施情感判斷過程，他們采用基于情感認(rèn)知理論并可通過計(jì)算實(shí)現(xiàn)的心理學(xué)OCC模型，從而根據(jù)學(xué)習(xí)者的行為推斷出學(xué)習(xí)者的情感[19]。

綜上所述，國(guó)內(nèi)外學(xué)者對(duì)學(xué)習(xí)者情感的識(shí)別進(jìn)行了廣泛研究，其中基于面部表情的學(xué)習(xí)者情感識(shí)別研究最多。學(xué)習(xí)者相對(duì)于普通人群具有其特殊性，生理信號(hào)分析等通過附加設(shè)備判斷學(xué)習(xí)者情感的方法在學(xué)習(xí)環(huán)境中較難實(shí)現(xiàn)，基于心理測(cè)量、認(rèn)知評(píng)價(jià)的方法則較難保證結(jié)果的客觀性，相對(duì)而言，學(xué)習(xí)者面部表情是學(xué)習(xí)者在學(xué)習(xí)過程中的自然表達(dá)，能夠較好地客觀反映學(xué)習(xí)者真實(shí)的情感狀態(tài)。徐曉青等學(xué)者指出，教育領(lǐng)域基于面部表情的識(shí)別方法相比于其他情感識(shí)別方法，可用性較高[20]。但目前研究多采用人臉識(shí)別、特征提取、特征選擇、訓(xùn)練分類的傳統(tǒng)機(jī)器學(xué)習(xí)方法，效率低且難以保證人工選擇的特征是否能夠有效反映面部表情。因此，本研究采用具有自主學(xué)習(xí)能力的CNN實(shí)現(xiàn)對(duì)學(xué)習(xí)者情感的有效識(shí)別。

三、卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

作為深度學(xué)習(xí)的重要方法，CNN具有權(quán)值共享和局部連接的特點(diǎn)，降低了網(wǎng)絡(luò)復(fù)雜度的同時(shí)，也利于并行處理。CNN的前饋運(yùn)算階段通過卷積（Convolution）操作、池化（Pooling）操作和激活函數(shù)映射等一系列操作的層層堆疊，將圖像、音頻等原始數(shù)據(jù)的高層語(yǔ)義信息逐層提取出來(lái)。其中，不同類型的操作一般稱作層，卷積操作即卷積層，池化操作即池化層。CNN通常包括輸入層、卷積層、池化層、全連接層和輸出層。

（一）卷積層

卷積層為特征提取層，是CNN的基礎(chǔ)。每個(gè)卷積層包括多個(gè)神經(jīng)元，每個(gè)神經(jīng)元利用多個(gè)可訓(xùn)練的卷積核分別與前一層所有的特征圖進(jìn)行卷積求和，加上偏值，以此作為激活函數(shù)的參數(shù)求解，輸出值將構(gòu)成新的特征圖像[11]。卷積核大小和卷積步長(zhǎng)是重要的調(diào)整參數(shù)。卷積層的計(jì)算公式為：

公式（1）中，l表示當(dāng)前層;l-1表示前一層;f（）為激活函數(shù);？茚表示卷積;ylj為當(dāng)前層的第j個(gè)輸出圖像（特征圖像）;yil-1為前一層的第i個(gè)輸出圖像，即當(dāng)前層的輸入圖像;wlij表示當(dāng)前層第j個(gè)特征圖像與前一層第i個(gè)特征圖像的卷積核;blj表示當(dāng)前層第j個(gè)神經(jīng)元的輸入偏置;Nl-1表示前一層神經(jīng)元的數(shù)量。CNN中常用的激活函數(shù)有線性修正函數(shù)（ReLU）、雙曲正切S形函數(shù)（Tanh）、對(duì)數(shù)S形函數(shù)（Sigmoid）等，本研究采用的激活函數(shù)為Sigmoid函數(shù)。

（二）池化層

池化層又被稱為下采樣層，特征圖的數(shù)量會(huì)因卷積層數(shù)量的遞增而增加，導(dǎo)致學(xué)習(xí)到的特征維數(shù)將快速增長(zhǎng)，給分類器造成困難。池化層的關(guān)鍵作用就是特征降維，減少計(jì)算量和參數(shù)數(shù)量，并在一定程度上防止過擬合，更方便優(yōu)化。池化層并不改變特征圖的數(shù)量，而是使特征圖的尺寸變小。池化的類型主要有平均值池化和最大值池化兩種，池化操作的類型、核大小、步長(zhǎng)是重要的調(diào)整參數(shù)，本研究采用平均值池化的方式。池化層的計(jì)算公式為：

公式（2）中，down（）表示池化函數(shù);ylj和yil-1表示當(dāng)前層和前一層的第j個(gè)特征圖像;？茁lj和blj表示當(dāng)前層第j個(gè)特征圖像的權(quán)重系數(shù)和偏值。

（三）全連接層

全連接層在整個(gè)CNN中起到“分類器”的作用，全連接層的輸出將作為輸出層的輸入或最終的分類結(jié)果，CNN通常有一個(gè)或多個(gè)全連接層。全連接層的每個(gè)神經(jīng)元都將與前一層的所有神經(jīng)元相連，把卷積層和池化層提取到的特征綜合起來(lái)[21]。實(shí)際使用中，全連接層可由卷積操作實(shí)現(xiàn)，對(duì)前層是全連接的全連接層可以轉(zhuǎn)化為卷積核為1×1的卷積;而前層是卷積層的全連接層可以轉(zhuǎn)化為卷積核為h×w的全局卷積，h和w分別是前層卷積輸出結(jié)果的高和寬。

（四）卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

CNN結(jié)構(gòu)設(shè)計(jì)需要考慮準(zhǔn)確率、訓(xùn)練速度和內(nèi)存消耗等三個(gè)因素。研究表明，小卷積核通過多層疊加可取得與大卷積核同等規(guī)模的感受野，此外采用小卷積核可增加網(wǎng)絡(luò)深度，并減少參數(shù)個(gè)數(shù)。通常卷積核大小設(shè)置為3×3或5×5，本研究設(shè)置卷積核大小為5×5，步長(zhǎng)為1。網(wǎng)絡(luò)層數(shù)過低會(huì)導(dǎo)致信息表達(dá)能力不足，增加網(wǎng)絡(luò)的層數(shù)會(huì)使特征信息表達(dá)能力逐步增強(qiáng)，但層數(shù)過多也會(huì)導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，訓(xùn)練時(shí)間增加，易出現(xiàn)過擬合現(xiàn)象[22]。輸入圖像尺寸、卷積核大小、卷積步長(zhǎng)、池化窗口大小、池化步長(zhǎng)共同決定網(wǎng)絡(luò)層數(shù)，本研究根據(jù)學(xué)習(xí)者面部表情圖像的特點(diǎn)，設(shè)計(jì)了一種7層的CNN，其中包括3個(gè)卷積層、3個(gè)池化層、1個(gè)全連接層，結(jié)構(gòu)如圖2所示。（1）輸入層為60×60像素的學(xué)習(xí)者面部表情圖像。（2）在C1層用6個(gè)5×5的卷積核對(duì)輸入圖像進(jìn)行卷積操作，步長(zhǎng)為1，激活函數(shù)為Sigmoid函數(shù)。此時(shí)C1層包含6個(gè)特征圖，特征圖的尺寸為56×56。（3）在S1層用2×2的池化窗口對(duì)C1層的特征圖進(jìn)行池化操作，池化方式為平均值池化，步長(zhǎng)為1。此時(shí)C1層仍包含6個(gè)特征圖，特征圖的尺寸為28×28。（4）在C2層用12個(gè)5×5的卷積核對(duì)S1層的特征圖進(jìn)行卷積操作，步長(zhǎng)為1。此時(shí)C2層包含12個(gè)特征圖，特征圖的尺寸為24×24。（5）在S2層用2×2的池化窗口對(duì)C2層的特征圖進(jìn)行池化操作，池化方式為平均值池化，步長(zhǎng)為1。此時(shí)S2層仍包含12個(gè)特征圖，特征圖尺寸為12×12。? ? ? （6）在C3層用24個(gè)5×5的卷積核對(duì)S2層的特征圖進(jìn)行卷積操作，步長(zhǎng)為1。此時(shí)C3層包含24個(gè)特征圖，特征圖的尺寸為8×8。（7）在S3層用2×2的池化窗口對(duì)C3層的特征圖進(jìn)行池化操作，池化方式為平均值池化，步長(zhǎng)為1。此時(shí)S2層仍包含24個(gè)特征圖，特征圖尺寸為4×4。（8）全連接層的每個(gè)神經(jīng)元與S3層的特征圖進(jìn)行全連接，輸出層將輸出最終的分類結(jié)果及強(qiáng)度。

四、卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練

CNN的訓(xùn)練就是利用已標(biāo)注情感類型及強(qiáng)度的面部表情樣本集調(diào)整CNN的內(nèi)部參數(shù)。大數(shù)據(jù)訓(xùn)練樣本是進(jìn)行深度學(xué)習(xí)的前提和基礎(chǔ)，樣本的數(shù)量和質(zhì)量將直接決定深度學(xué)習(xí)的性能和泛化能力。本研究首先明確學(xué)習(xí)者情感的類型，然后自主構(gòu)建大規(guī)模學(xué)習(xí)者情感數(shù)據(jù)庫(kù)，并將其作為訓(xùn)練樣本集對(duì)CNN進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)對(duì)學(xué)習(xí)者情感的準(zhǔn)確識(shí)別。

（一）學(xué)習(xí)者情感數(shù)據(jù)庫(kù)

基于面部表情的情感識(shí)別離不開表情數(shù)據(jù)庫(kù)的支撐。目前，情感識(shí)別研究開始面向各專業(yè)領(lǐng)域發(fā)展，特別是學(xué)習(xí)者情感識(shí)別受到研究者的廣泛關(guān)注，但基于面部表情構(gòu)建的學(xué)習(xí)者情感數(shù)據(jù)庫(kù)并不多見[4]。因此，建設(shè)基于面部表情的學(xué)習(xí)者情感數(shù)據(jù)庫(kù)，對(duì)學(xué)習(xí)者情感識(shí)別算法的深入研究具有一定的推動(dòng)作用。

1. 學(xué)習(xí)者情感的類型

情感是人類對(duì)客觀事物的態(tài)度體驗(yàn)與相應(yīng)的行為反應(yīng)，對(duì)于情感的描述，我國(guó)古代有“七情六欲”之說(shuō)，西方思想家笛卡爾（Rene Descartes）則認(rèn)為有六種原始情感。目前，心理學(xué)領(lǐng)域主要圍繞基本情感和維度情感兩種理論對(duì)情感分類展開研究。艾克曼在對(duì)面部表情和行為反應(yīng)研究的基礎(chǔ)上，將基本情感分為高興、驚訝、悲傷、憤怒、恐懼、厭惡[23]。伊扎德（Carroll Izard）提出差別情感理論，認(rèn)為基本情感除艾克曼所說(shuō)的六類外，還包括害羞、輕蔑、興趣和自罪感[24]。普拉奇克（Robert Plutchik）認(rèn)為，情緒具有強(qiáng)度、相似度和兩極性三個(gè)維度，他采用倒立圓錐的形象來(lái)描述三個(gè)維度間的關(guān)系，八個(gè)截面分別表示狂喜、接受、驚奇、恐懼、悲痛、憎恨、狂怒和警惕等八種基本情感，最強(qiáng)烈的情感位于頂部，越往下情感強(qiáng)度越弱;對(duì)角位置的情感具有兩極性，相鄰的情感表現(xiàn)出相似性[25]。

學(xué)習(xí)者情感雖具有人類情感的普遍特性，但又具有其獨(dú)特性。孫波將學(xué)習(xí)者的情感類型概括為高興、驚訝、厭煩、困惑、疲勞、專注及自信[1]。魏刃佳則采用艾克曼的基本情感理論，將學(xué)習(xí)者情感分為六種類型[26]。劉永娜依據(jù)文獻(xiàn)調(diào)研及課堂視頻分析，提出學(xué)習(xí)者情感包括高興、驚奇、自信、厭煩、困惑、挫敗、疲憊、專注、走神等九種[4]。詹澤慧從喚醒維度、興趣維度、愉快維度將學(xué)習(xí)者情感類別分為緊張、睡眠、感興趣、不感興趣、愉快、不愉快[13]。雖然研究者對(duì)學(xué)習(xí)者情感的劃分并不一致，但都是在艾克曼六種基本情感理論的基礎(chǔ)上進(jìn)行研究的。本研究在借鑒既有研究的基礎(chǔ)上，認(rèn)為常見的學(xué)習(xí)者情感主要包括常態(tài)、高興、憤怒、悲傷、驚恐、專注、厭倦等七種類型。

2. 構(gòu)建學(xué)習(xí)者情感數(shù)據(jù)庫(kù)

目前，人臉面部表情數(shù)據(jù)庫(kù)主要有日本女性人臉表情數(shù)據(jù)庫(kù)（JAFFE）、卡內(nèi)基梅隆大學(xué)的CK（Cohn-Kanade）人臉表情數(shù)據(jù)庫(kù)及其擴(kuò)展數(shù)據(jù)庫(kù)CK+人臉表情數(shù)據(jù)庫(kù)、馬里蘭大學(xué)人臉表情數(shù)據(jù)庫(kù)、清華大學(xué)人臉表情數(shù)據(jù)庫(kù)、五邑大學(xué)CED-WYU人臉表情數(shù)據(jù)庫(kù)、BNU學(xué)習(xí)情感數(shù)據(jù)庫(kù)等[27]。首先，由于外國(guó)人的人臉及表情特征與中國(guó)人的人臉及表情特征具有顯著差異，用外國(guó)人的人臉表情數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果很難推廣到中國(guó)。其次，目前已知的人臉表情數(shù)據(jù)庫(kù)樣本數(shù)量較少且多為成人，很難滿足深度學(xué)習(xí)和實(shí)際應(yīng)用的需求。最后，由于隱私保護(hù)等原因，也較難獲得其他機(jī)構(gòu)或單位的人臉表情數(shù)據(jù)庫(kù)。因此，本研究選擇自主建設(shè)基于面部表情的學(xué)習(xí)者情感數(shù)據(jù)庫(kù)。

被試為70名研究生，其中18名男生，52名女生，年齡范圍在20到29歲之間。在正式采集表情前，分組對(duì)他們進(jìn)行培訓(xùn)，使他們能夠盡量在自然狀態(tài)下呈現(xiàn)標(biāo)準(zhǔn)的各類情感及強(qiáng)度。采集平臺(tái)用C++語(yǔ)言編寫，采集設(shè)備為高清攝像頭。正式采集表情時(shí)，每名研究生表現(xiàn)常態(tài)、高興、憤怒、悲傷、驚恐、專注、厭倦等7種情感，每種情感由弱到強(qiáng)表現(xiàn)5種強(qiáng)度，每種強(qiáng)度捕捉30幅圖像，形成擁有73500幅學(xué)習(xí)者面部表情圖像的原始數(shù)據(jù)庫(kù)。捕捉的同時(shí)，由平臺(tái)自動(dòng)標(biāo)注每幅圖像的情感類型及強(qiáng)度，例如：0001_02_03_0004中，0001表示被試編號(hào)、02表示情感類型、03表示情感強(qiáng)度、0004表示圖像編號(hào)。

隨后采用基于Haar矩形特征的Adaboost方法，對(duì)原始數(shù)據(jù)庫(kù)內(nèi)的73500幅圖像進(jìn)行人臉檢測(cè)，共提取出70090幅人臉圖像。人臉檢測(cè)算法相對(duì)成熟、完善，本文不再贅述。因?yàn)榍捌诓杉h(huán)境為宿舍、自習(xí)室等，背景較為復(fù)雜，給人臉檢測(cè)造成困擾。后期采用純色背景進(jìn)行采集，人臉檢測(cè)準(zhǔn)確率較高。最終，本研究選用其中的60000幅面部表情圖像作為深度學(xué)習(xí)的訓(xùn)練樣本，9000幅面部表情圖像作為深度學(xué)習(xí)的測(cè)試樣本。7種情感的面部表情樣例如圖3所示。

（二）實(shí)驗(yàn)結(jié)果分析

在訓(xùn)練開始前，需要將訓(xùn)練樣本集中的圖像進(jìn)行預(yù)處理，將圖像歸一化為60×60像素的RGB圖像。同時(shí)，為了提高訓(xùn)練結(jié)果的魯棒性和準(zhǔn)確率，并且避免出現(xiàn)過擬合問題。本研究在原訓(xùn)練樣本集的基礎(chǔ)上進(jìn)行數(shù)據(jù)擴(kuò)充，擴(kuò)增訓(xùn)練樣本集的數(shù)量為原來(lái)的5倍，即訓(xùn)練樣本集圖像總數(shù)增加到30萬(wàn)。具體做法為取原圖像的左上、右上、左下、右下以及原圖像作為新的訓(xùn)練樣本。本研究采用WIN10下的Matlab 2016軟件作為實(shí)驗(yàn)環(huán)境，計(jì)算機(jī)CPU為Core i7-6700，內(nèi)存為24G。

CNN的訓(xùn)練主要包括信號(hào)正向傳播和誤差反向傳播兩個(gè)過程。其中正向傳播階段，輸入圖像經(jīng)過多次卷積操作、池化操作，將高層語(yǔ)義信息逐層由輸入圖像中提取出來(lái)，逐層抽象。最終，CNN的最后一層將其目標(biāo)任務(wù)形式化為目標(biāo)函數(shù)。通過計(jì)算預(yù)測(cè)值與標(biāo)注值間的誤差，憑借反向傳播算法將誤差由最后一層逐層向前反饋，更新每層參數(shù)，并在更新參數(shù)后再次前饋。正向傳播、反向傳播反復(fù)循環(huán)，直到模型收斂，達(dá)到訓(xùn)練的目的。測(cè)試結(jié)果見表1。

由表1可知，驚恐、常態(tài)、高興、憤怒、悲傷的識(shí)別率較高，均超過85%，專注、厭倦的識(shí)別率較低，但也超過80%。驚恐、憤怒、悲傷等表情面部特征明顯，因此，準(zhǔn)確率較高。而專注與常態(tài)、厭倦與悲傷面部特征相似，給識(shí)別帶來(lái)難度，因此，準(zhǔn)確率相對(duì)較低。但七種面部表情的準(zhǔn)確率均高于80%，說(shuō)明本研究基于深度學(xué)習(xí)提出的學(xué)習(xí)者情感識(shí)別方法能夠較為準(zhǔn)確地識(shí)別學(xué)習(xí)者情感，具有實(shí)際應(yīng)用價(jià)值。與已有研究相比，平均識(shí)別率比傳統(tǒng)機(jī)器識(shí)別算法略高，但CNN省略前期復(fù)雜的特征提取過程，耗時(shí)明顯比傳統(tǒng)機(jī)器識(shí)別算法縮短。經(jīng)實(shí)驗(yàn)測(cè)試，能無(wú)延遲地實(shí)時(shí)識(shí)別學(xué)習(xí)者情感，現(xiàn)已實(shí)際應(yīng)用到智慧學(xué)習(xí)環(huán)境中學(xué)習(xí)畫面情感自適應(yīng)調(diào)整系統(tǒng)。

五、學(xué)習(xí)者情感的識(shí)別應(yīng)用

現(xiàn)有的智慧學(xué)習(xí)環(huán)境研究重“知”輕“情”，注重學(xué)習(xí)者認(rèn)知層面的適應(yīng)性和個(gè)性化，而較少考慮性格、興趣、情感等非智力因素在學(xué)習(xí)活動(dòng)中的作用，對(duì)學(xué)習(xí)者情感狀態(tài)的適應(yīng)性考慮較少，以致智慧學(xué)習(xí)環(huán)境缺乏情感的自適應(yīng)和個(gè)性化，使學(xué)習(xí)者在學(xué)習(xí)過程中缺少情感支持。本研究提出的CNN結(jié)構(gòu)和方法能夠快速、準(zhǔn)確地識(shí)別學(xué)習(xí)者情感，并且支持將攝像頭捕捉的圖像作為原始圖像直接輸入，避免傳統(tǒng)識(shí)別方法中的特征提取過程，可實(shí)時(shí)、快速識(shí)別學(xué)習(xí)者的情感，將來(lái)可在以下領(lǐng)域取得實(shí)際應(yīng)用：

（一）完善智慧學(xué)習(xí)環(huán)境中的學(xué)習(xí)者模型

學(xué)習(xí)者模型是學(xué)習(xí)者特征在虛擬學(xué)習(xí)環(huán)境中的抽象表示，代表著學(xué)習(xí)環(huán)境所能認(rèn)識(shí)和理解的學(xué)習(xí)者，并實(shí)時(shí)更新學(xué)習(xí)者的特征信息，是智慧學(xué)習(xí)環(huán)境實(shí)施智慧化、個(gè)性化的重要依據(jù)。因此，構(gòu)建完善的學(xué)習(xí)者模型是為學(xué)習(xí)者提供智慧學(xué)習(xí)服務(wù)的前提和基礎(chǔ)。目前，學(xué)習(xí)者模型領(lǐng)域已建立IEEE PAPI、IMSLIP等標(biāo)準(zhǔn)，研究者也從不角度對(duì)其進(jìn)行了研究。但已有研究多關(guān)注學(xué)習(xí)者基本信息和認(rèn)知層面的屬性特征，如性別、年齡、知識(shí)水平、認(rèn)知能力等，忽視或輕視學(xué)習(xí)者的情境、偏好、情感等因素。學(xué)習(xí)者模型既要涵蓋學(xué)習(xí)者的基本信息、學(xué)業(yè)信息、關(guān)系信息、知識(shí)狀態(tài)，還要涉及情境特征、情感狀態(tài)等。本研究將有助于構(gòu)建融合情感特征的智慧學(xué)習(xí)環(huán)境學(xué)習(xí)者模型。該模型主要包括基本信息、學(xué)習(xí)者偏好、知識(shí)狀態(tài)、情境特征、情感狀態(tài)等。其中，基本信息主要包括姓名、性別、年齡、年級(jí)、聯(lián)系方式等;學(xué)習(xí)者偏好包括學(xué)習(xí)風(fēng)格、內(nèi)容偏好、交互偏好、媒體偏好等;知識(shí)狀態(tài)包括知識(shí)基礎(chǔ)、領(lǐng)域知識(shí)、掌握程度等;情境特征包括社會(huì)情境、認(rèn)知情境、技術(shù)情境等[28];情感狀態(tài)則包括情感類型及強(qiáng)度等，情感類型及強(qiáng)度將由本研究提出的學(xué)習(xí)者情感識(shí)別方法實(shí)時(shí)識(shí)別后獲得，以便及時(shí)更新完善學(xué)習(xí)者模型。

（二）實(shí)現(xiàn)智慧學(xué)習(xí)環(huán)境中的情感交互

目前，智慧學(xué)習(xí)環(huán)境研究多關(guān)注根據(jù)學(xué)習(xí)者的知識(shí)水平提供適應(yīng)性的學(xué)習(xí)內(nèi)容，即強(qiáng)調(diào)智慧學(xué)習(xí)環(huán)境中認(rèn)知層面的自適應(yīng)交互，較少考慮學(xué)習(xí)者情感的自適應(yīng)交互。智慧學(xué)習(xí)環(huán)境需要提供比信息化、數(shù)字化更加個(gè)性化、智慧化的學(xué)習(xí)服務(wù)，要提供更智慧化的學(xué)習(xí)服務(wù)，學(xué)習(xí)環(huán)境與學(xué)習(xí)者間的情感自適應(yīng)交互必不可少，而學(xué)習(xí)者情感快速、準(zhǔn)確的實(shí)時(shí)識(shí)別是實(shí)現(xiàn)智慧學(xué)習(xí)環(huán)境情感自適應(yīng)交互的基礎(chǔ)。智慧學(xué)習(xí)環(huán)境中，學(xué)習(xí)者主要通過觀看學(xué)習(xí)內(nèi)容的信息呈現(xiàn)畫面即學(xué)習(xí)畫面進(jìn)行學(xué)習(xí)，學(xué)習(xí)畫面是學(xué)習(xí)者學(xué)習(xí)的主要環(huán)境，并且是學(xué)習(xí)者與學(xué)習(xí)內(nèi)容間信息交互的主通道，對(duì)學(xué)習(xí)效果有著至關(guān)重要的影響。學(xué)習(xí)畫面所隱含的情感對(duì)學(xué)習(xí)者的學(xué)習(xí)興趣、認(rèn)知負(fù)荷、情感狀態(tài)都有潛在影響，智慧學(xué)習(xí)環(huán)境中的學(xué)習(xí)畫面情感是其情感特征的重要表現(xiàn)。本研究將有助于實(shí)現(xiàn)智慧學(xué)習(xí)環(huán)境中的和諧情感交互，根據(jù)學(xué)習(xí)者觀看學(xué)習(xí)畫面的面部表情，識(shí)別、判斷學(xué)習(xí)者的情感狀態(tài)，結(jié)合學(xué)習(xí)者對(duì)學(xué)習(xí)畫面的視覺情感偏好，自動(dòng)調(diào)整學(xué)習(xí)畫面的關(guān)鍵視覺情感特征，包括調(diào)整界面背景顏色與紋理、增強(qiáng)顯示學(xué)習(xí)興趣點(diǎn)區(qū)域或重點(diǎn)學(xué)習(xí)內(nèi)容、增添隱現(xiàn)趣味動(dòng)畫等，而且快速、實(shí)時(shí)，不影響學(xué)習(xí)者正常在線學(xué)習(xí)，使學(xué)習(xí)者始終保持積極、良好的情感狀態(tài)。

（三）挖掘智慧學(xué)習(xí)環(huán)境中的學(xué)習(xí)行為

學(xué)習(xí)行為泛指學(xué)習(xí)者在某種動(dòng)機(jī)引導(dǎo)下，為實(shí)現(xiàn)一定學(xué)習(xí)目標(biāo)而與周圍環(huán)境進(jìn)行的雙向交互活動(dòng)的總和[29]。挖掘智慧學(xué)習(xí)環(huán)境中的學(xué)習(xí)行為，能夠發(fā)現(xiàn)和理解數(shù)據(jù)背后隱藏的信息，既能夠準(zhǔn)確把握學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，以做出客觀、有效的評(píng)價(jià)和建議，又能夠自適應(yīng)推送符合學(xué)習(xí)者需求的資源和內(nèi)容，并為教師或管理者的決策提供支持。目前，研究者主要通過學(xué)習(xí)者的論壇交流、鍵鼠交互、文本輸入、測(cè)驗(yàn)提交、觀看記錄等挖掘?qū)W習(xí)者的學(xué)習(xí)行為，而學(xué)習(xí)者情感狀態(tài)的識(shí)別為智慧學(xué)習(xí)環(huán)境中的學(xué)習(xí)行為分析開辟了新的途徑。智慧學(xué)習(xí)環(huán)境可根據(jù)學(xué)習(xí)者的情感狀態(tài)為其推送交互程度、資源類型、難易程度恰當(dāng)?shù)膶W(xué)習(xí)資源。學(xué)習(xí)者學(xué)習(xí)過程中，實(shí)時(shí)識(shí)別學(xué)習(xí)者情感，連續(xù)時(shí)間內(nèi)，若學(xué)習(xí)者多為消極情感時(shí)，可自適應(yīng)推送較低難度的學(xué)習(xí)內(nèi)容或任務(wù)，也可推送交互性或趣味性較強(qiáng)的資源類型;若學(xué)習(xí)者多為積極情感，則可自適應(yīng)推送難度較高的學(xué)習(xí)內(nèi)容或任務(wù)。對(duì)于學(xué)習(xí)過程中的情感狀態(tài)，在課后將以儀表盤或分析報(bào)告的形式呈現(xiàn)給學(xué)習(xí)者或教師，便于學(xué)習(xí)者調(diào)整學(xué)習(xí)狀態(tài)，也有利于教師掌握學(xué)習(xí)者的學(xué)習(xí)狀態(tài)和對(duì)學(xué)習(xí)內(nèi)容的理解程度，以便及時(shí)調(diào)整學(xué)習(xí)內(nèi)容的難易程度以及呈現(xiàn)類型。通過一段時(shí)間內(nèi)學(xué)習(xí)者情感數(shù)據(jù)的收集和分析，可挖掘?qū)W習(xí)者的學(xué)習(xí)風(fēng)格、內(nèi)容偏好、交互偏好、資源類型偏好等關(guān)鍵信息。

六、結(jié)? ?語(yǔ)

學(xué)習(xí)者情感的準(zhǔn)確識(shí)別是實(shí)現(xiàn)智慧學(xué)習(xí)環(huán)境中和諧情感交互的關(guān)鍵，只有高效識(shí)別出學(xué)習(xí)者的情感，智慧學(xué)習(xí)環(huán)境中的學(xué)習(xí)畫面或智能教學(xué)Agent才能進(jìn)行相應(yīng)調(diào)整，實(shí)現(xiàn)自適應(yīng)和個(gè)性化。已有學(xué)習(xí)者情感識(shí)別多采用人工特征提取后機(jī)器學(xué)習(xí)的傳統(tǒng)方法，復(fù)雜且效率較低。深度學(xué)習(xí)作為人工智能領(lǐng)域的重要技術(shù)，以原始圖像作為輸入，通過訓(xùn)練樣本集進(jìn)行自主學(xué)習(xí)，避免了顯式的特征提取過程，具有較高性能和泛化能力。此外，池化層的下采樣操作增強(qiáng)了識(shí)別算法的魯棒性。本研究在借鑒既有研究的基礎(chǔ)上，將常見學(xué)習(xí)者情感分為常態(tài)、高興、憤怒、悲傷、驚恐、專注、厭倦，并以此自建大規(guī)模學(xué)習(xí)者情感數(shù)據(jù)庫(kù)，提出基于深度學(xué)習(xí)的學(xué)習(xí)者情感識(shí)別方法。該方法相比于傳統(tǒng)的學(xué)習(xí)者情感識(shí)別方法，具有較高準(zhǔn)確率和魯棒性，并可應(yīng)用于智慧學(xué)習(xí)環(huán)境，將有助于完善學(xué)習(xí)者模型、實(shí)現(xiàn)情感交互、挖掘?qū)W習(xí)行為。但仍存在較多不足，在后續(xù)研究中將增加學(xué)習(xí)者情感類型、擴(kuò)充學(xué)習(xí)者情感數(shù)據(jù)庫(kù)，優(yōu)化基于深度學(xué)習(xí)的學(xué)習(xí)者情感識(shí)別方法，進(jìn)一步提高識(shí)別準(zhǔn)確率和效率。目前，本研究已將通過Matlab軟件編寫的學(xué)習(xí)者情感識(shí)別程序封裝成函數(shù)，可供C、C++、C#、Java等語(yǔ)言調(diào)用，以期為智慧學(xué)習(xí)環(huán)境理論研究者、平臺(tái)建設(shè)者提供參考和幫助，為智慧學(xué)習(xí)環(huán)境的情感自適應(yīng)交互作出應(yīng)有貢獻(xiàn)。

[參考文獻(xiàn)]

[1] 孫波，劉永娜，陳玖冰，等. 智慧學(xué)習(xí)環(huán)境中基于面部表情的情感分析[J]. 現(xiàn)代遠(yuǎn)程教育研究，2015（2）：96-103.

[2] 孟昭蘭. 情緒心理學(xué)[M]. 北京：北京大學(xué)出版社，2005.

[3] 金慧，劉迪，高玲慧，等. 新媒體聯(lián)盟《地平線報(bào)告》（2016高等教育版）解讀與啟示[J]. 遠(yuǎn)程教育雜志，2016，35（2）：3-10.

[4] 劉永娜. 學(xué)習(xí)環(huán)境中基于面部表情的情感識(shí)別[D]. 北京：北京師范大學(xué)，2015.

[5] MEHRABIAN A. Communication without words[J]. Psychology today，1968，2（4）：53-56.

[6] EKMAN P，F(xiàn)RIESEN W V.? Facial action coding system： a technique for the measurement of? facial? movement[M]. Palo Alto： Consulting Psychologists Press，1978.

[7] KRIZHEVSKY A，SUTSKEVER I，HINTON G E. ImageNet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. Lack Tahoe，Nevada：Currant Associates Inc，2012：1097-1105.

[8] RUMELHART D E，HINTON G E，WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature，1986，323（6088）： 533.

[9] HINTON G E，SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science，2006，313（5786）： 504-507.

[10] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE，1998，86（11）：2278-2324.

[11] 劉瑞梅，孟祥增. 基于深度學(xué)習(xí)的多媒體畫面情感分析[J]. 電化教育研究，2018，39（1）：68-74.

[12] 許遠(yuǎn)理，熊承清. 情緒心理學(xué)的理論與應(yīng)用[M]. 北京：中國(guó)科學(xué)技術(shù)出版社，2011.

[13] 詹澤慧. 基于智能Agent的遠(yuǎn)程學(xué)習(xí)者情感與認(rèn)知識(shí)別模型——眼動(dòng)追蹤與表情識(shí)別技術(shù)支持下的耦合[J].現(xiàn)代遠(yuǎn)程教育研究，2013（5）：100-105.

[14] BAHREINI K，NADOLSKI R，WESTERA W. Towards multimodal emotion recognition in e-learning environments[J]. Interactive learning environments，2016，24（3）：590-605.

[15] RAY A，CHAKRABARTI A. Design and implementation of technology enabled affective learning using fusion of bio-physical and facial expression[J]. Educational technology & society，2016，19（4）：112-125.

[16] 喬向杰，王志良，王萬(wàn)森. 基于OCC模型的E-learning系統(tǒng)情感建模[J]. 計(jì)算機(jī)科學(xué)，2010，37（5）：214-218.

[17] 黃煥. 面向e-Learning的學(xué)習(xí)者情感建模及應(yīng)用研究[D]. 武漢：華中師范大學(xué)，2014.

[18] CHEN C M，WANG H P. Using emotion recognition technology to assess the effects of different multimedia materials on learning emotion and performance[J]. Library & information science research，2011，33（3）：244-255.

[19] JAQUES P A，VICARI R M. A BDI approach to infer student's emotions in an intelligent learning environment[J]. Computers & education，2007，49（2）：360-384.

[20] 徐曉青，趙蔚，劉紅霞. 混合式學(xué)習(xí)環(huán)境下情緒分析應(yīng)用與模型研究——基于元分析的視角[J].電化教育研究，2018，39（8）：70-77.

[21] 盧官明，何嘉利，閆靜杰，等. 一種用于人臉表情識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)[J]. 南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，36（1）：16-22.

[22] 彭清，季桂樹，謝林江，等. 卷積神經(jīng)網(wǎng)絡(luò)在車輛識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)科學(xué)與探索，2018，12（2）：282-291.

[23] EKMAN P，F(xiàn)RIESEN W V. Constants across cultures in the face and emotion.[J]. Journal of personality & social psychology，1971， 17（2）：124-129.

[24] IZARD C E. Human emotions[M]. New York：Plenum Press，1977.

[25] PLUTCHIK R. The nature of emotions[J]. American scientist，2001，89（4）：344-350.

[26] 魏刃佳，丁亦喆，張莉，等. 在線學(xué)習(xí)系統(tǒng)中情感識(shí)別模塊的設(shè)計(jì)與實(shí)現(xiàn)[J]. 現(xiàn)代教育技術(shù)，2014，24（3）：115-122.

[27] 劉永娜，孫波，陳玖冰，等. BNU學(xué)習(xí)情感數(shù)據(jù)庫(kù)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 現(xiàn)代教育技術(shù)，2015，25（10）：99-105.

[28] 丁繼紅，劉華中. 影響教育資源選擇的學(xué)習(xí)者模型構(gòu)建[J]. 遠(yuǎn)程教育雜志，2017，35（4）：97-103.

[29] 楊金來(lái)，洪偉林，張翼翔. 網(wǎng)絡(luò)學(xué)習(xí)行為的實(shí)時(shí)監(jiān)控研究與實(shí)踐[J]. 開放教育研究，2008，14（4）：87-92.