新研究引入了一种使用卷积神经网络（CNN）分析面部来提高动态情绪识别的准确性和速度的方法。中国沉阳东北大学的徐兰波开展的这项工作可应用于心理健康、人机交互、安全和其他领域。

工作是发表在国际生物识别杂志。

面部表情是非语言交流的重要组成部分，提供有关个人的线索情绪状态。到目前为止，情绪识别系统一直使用静态图像，这意味着它们无法捕捉在对话、采访或其他互动期间情绪在人脸上表现出来的变化性质。徐的作品通过关注视频序列来解决这个问题。系统可以跟踪变化面部表情通过一系列视频帧，然后实时详细分析一个人的情绪如何展现。

然而，在分析之前，系统会应用一种算法，即“混沌蛙跳算法”来锐化关键的面部特征。该算法模仿青蛙的觅食行为，以在数字图像中找到最佳参数。在人类表情数据集上训练的 CNN 是该方法最重要的部分，它允许 Xu 处理视觉数据通过识别与训练数据相交的新图像中的模式。通过分析几个帧视频片段，该系统可以捕捉嘴巴、眼睛和眉毛的动作，这些动作通常是微妙但重要的情绪变化指标。

Xu 报告准确率高达 99%，系统可在不到一秒的时间内提供输出。这种精度和速度非常适合在各种领域实时使用，在这些领域中，检测情绪可能很有用，而无需其他人或团队进行主观评估。它的潜在应用在于改善计算机交互的用户体验，其中计算机可以对用户的情绪状态（例如沮丧、愤怒或无聊）做出适当的响应。

该系统可能有助于在无需人工干预的情况下筛查人们的情绪障碍。它还可以用于增强安全系统，允许访问资源，但仅限于那些处于特定情绪状态的人，并可能禁止愤怒或心烦意乱的人进入。同一系统甚至可以用于识别交通系统甚至自己车辆上的驾驶员疲劳程度。娱乐和营销领域也可能会看到理解情绪反应可以改善内容开发、交付和消费者参与度的应用。