Twitter情绪识别 经过训练的递归神经网络（RNN）模型，用于根据英语推文预测情绪。 我们的模型适用于字符，因此我们无需进行任何预处理就将整个推文传递为RNN。 我们正在预测三种情感分类： 埃克曼的六种基本情感， 普鲁奇克的八种基本情感 情绪状态简介（POMS）的六个情绪状态。 文件和文件夹： demo.ipynb ：脚本显示了如何使用我们的模型来预测情绪或将推文嵌入Jupiter Notebook。 demo.py ：脚本显示了如何使用我们的模型来预测情绪或在Python中嵌入推文。 motion_prediction.py ：定义EmotionPredictor类的帮助脚本。

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

语音情感识别 介绍 该存储库负责构建和培训语音情感识别系统。 该工具背后的基本思想是构建和训练/测试合适的机器学习（以及深度学习）算法，该算法可以识别和检测语音中的人类情感。 这对于许多行业领域很有用，例如提出产品推荐，情感计算等。 查看本以获取更多信息。 要求 Python 3.6+ Python包 librosa == 0.6.3 麻木 大熊猫 声音文件== 0.9.0 海浪 斯克莱恩 tqdm == 4.28.1 matplotlib == 2.2.3 pyaudio == 0.2.11 （可选） ：如果要通过转换为16000Hz采样率和convert_wavs.py提供的单声道来添加更多采样音频，则使用 通过以下命令安装这些库： pip3 install -r requirements.txt 数据集 该存储库使用了4个数据集（包括此仓库的自定义数据集），这些数

近年来，由于情感识别已成为情感计算的标志之一，因此人们越来越重视生理信号来进行情感识别。本文提出了一种利用来自多个对象的心电图（ECG）信号进行情感识别的方法。数据，我们采用电影剪辑的唤醒方法，使被摄对象体验到特定的情感而不受外界干扰。通过连续小波变换对P-QRS-T波进行精确定位，充分提取了许多ECG特征。由于特征选择是一种组合在最优化问题上，采用基于邻域搜索的改进二元粒子群算法（IBPSO），通过fisher或K最近邻（K-Nearest Neighbor，KNN）分类器，寻找有效的特征来改进情绪状态的分类结果。表明该方法是成功的，并且从心电信号获得的有效特征可以表达情绪稳定非常好。

情绪识别 涉及使用脑电图（EEG）信号进行情感识别的项目。 EEG .mat文件来自其DEAP数据集，由伦敦玛丽皇后大学提供。 目的是确定脑电信号的生存力，以此作为识别“情感计算”思想的动机，从而识别不同的情绪状态。 数据集 数据集包含来自32位参与者的生理数据。 每个参与者观看了40个一分钟长的音乐视频摘录，并且在每次观看过程中都记录了生理信号。 然后，参与者根据效价，唤醒，喜好和支配性对每次观看视频的体验进行评分。 生理数据由40个特征组成-32个EEG读数通道； 另外还包括8个外围读数，例如皮肤温度，呼吸幅度，眼电图（EOG），心电图（ECG），皮肤电React（GSR），体积描记仪的血容量以及Z肌和斜方肌的肌电图（EMG），但所有这些都是多余的。 根据10-20系统进行EEG记录，并按照标准记录了32个EEG通道。 数据预处理 脑电记录 从数据集中获得的EEG数据已在源中进行

言语情感识别 卷积递归神经网络的TensorFlow在IEMOCAP数据库上的语音情感识别（SER）实现。为了解决帧情感标签不确定性的问题，我们执行了三种合并策略（最大合并，均值合并和基于注意力的合并）加权池）以生成SER的发声级功能。 这些代码仅在带有GTX-1080 GPU的ubuntu 16.04（x64），python2.7，cuda-8.0，cudnn-6.0上进行过测试。要在计算机上运行这些代码，您需要安装以下依赖项： 张量流1.3.0 python_speech_features 波 cPickle 麻木 斯克莱恩 操作系统 演示版 要运行演示，请在分叉存储库之后，运行以

直接点击runman.py就可以实现功能，有GUI界面，需要安装opencv等少数几个库，基于深度学习，采用inceptionv4

FERPlus人脸表情识别程序，使用的是keras

实时面部表情识别 使用Tensorflow-Keras API中的转移学习（计算机视觉）进行面部表情识别或面部表情识别

matlab精度检验代码基于EEG的情绪识别的3D-CNN模型 这是基于DEAP数据集的我的2019年冬季课程“模式识别”的最终项目。 我们通过CWT （连续小波变换）对原始信号数据进行预处理，并采用3D-CNN架构作为分类器，“价”标签的准确性达到84.34％。 数据预处理 CWT分析去除基线，原始信号数据通过CWT转换为小波系数，然后进一步转换为小波能量（比例图）。 在此步骤中，我们将数据形状从32（通道）* 8064（采样点）转换为32 * 64（比例）* 7680（采样点）。 剪裁框接下来，我们将1s设置为帧长，因此在60s的视频中可以获取60帧。 每帧的形状为32（通道）* 64（比例）。 选择体重秤然后，我们计算了32个通道中所有64个音阶的平均EER。 并选择第8〜39个音阶以减少计算。 3D块我们选择几个连续的帧并将它们堆叠在一起作为3D块。 后来的实验证明3是最好的。 分类器：3D-CNN 网络架构如下。 关于代码和文件 我们使用matlab_preprocessed_data，它已从此存储库中排除。 运行“ cwt_process.m”以获取“ File_60fra