情感计算是快速发展的领域之一，它激发了情感检测领域的许多应用研究。 本文简要介绍了使用公开数据进行基于 EEG 的情绪检测的相关工作以及一种检测内部情绪状态的方法。 开发了一种有监督的机器学习算法来识别二维模型中的人类内心情绪状态。 来自 DEAP 和 SEED-IV 数据库的脑电图信号被考虑用于情绪检测。 离散小波变换应用于预处理信号以提取所需的 5 个频段。 提取了功率、能量、微分熵和时域等特征。 开发通道智能 SVM 分类器并完成通道组合器以检测适当的情绪状态。 DEAP数据库的四类分类率为74%、86%、72%和84%，SEED-IV数据库的分类率为79%、76%、77%和74%。

基于dlib的人脸识别和情绪检测

人类通过肢体语言，语音，面部表情等各种方式表达情绪。我们已经使用面部表情来检测非常重要的情绪，并且在机器学习中有着广泛的应用，尤其是在医学，通讯，教育和娱乐领域。 老年健康监测，安全系统，心理学和计算机视觉，驾驶员疲劳监测是情感检测在现实世界中的少数应用。 该系统旨在识别七种情绪，即愤怒，悲伤，幸福，惊奇，中立，惊奇和厌恶。 我们的系统提出通过卷积神经网络（CNN）使用面部表情对人类进行情感检测。 进行了文献综述以选择最佳的深度学习模型。 应用的主要算法是CNN。 使用的数据集是Fer2013和JAFFE。

ELIZA + ELIZA是自然语言对话程序，由Joseph Weizenbaum在1960年代描述。 ELIZA通过使用“ Mad Libs”风格的模式匹配和替换方法来模拟对话。 尽管Weizenbaum的意图是通过ELIZA来展示“在最初的精神病学访谈中无方向性心理治疗师的React表明人与机器之间的交流是肤浅的”，但用户实际上发现ELIZA很有说服力和治疗性。 我首先通过听说了ELIZA。 我发现计算机程序充当治疗师的想法非常吸引人。 治疗师很昂贵。 计算机程序可以无休止地倾听您的烦恼。 有时候，我们需要的只是写下我们的想法，并被提示以鼓励和非判断的方式继续写下我们的想法。 尽管ELIZA的响应最初仅限于文本，但计算的发展现在使我们能够轻松集成图形。 同样，自然语言处理方面的最新进展可以实现对用户响应的情感检测，从而创建更全面的聊天机器人体验。 我将ELIZA +做为ELIZA

情感计算是快速发展的领域之一，它激发了情感检测领域的许多应用研究。 本文简要介绍了使用公开数据进行基于 EEG 的情绪检测的相关工作以及一种检测内部情绪状态的方法。 开发了一种有监督的机器学习算法来识别二维模型中的人类内心情绪状态。 来自 DEAP 和 SEED-IV 数据库的脑电图信号被考虑用于情绪检测。 离散小波变换应用于预处理信号以提取所需的 5 个频段。 提取了功率、能量、微分熵和时域等特征。 开发通道智能 SVM 分类器并完成通道组合器以检测适当的情绪状态。 DEAP数据库的四类分类率为74%、86%、72%和84%，SEED-IV数据库的分类率为79%、76%、77%和74%。

pytorch实现的头部姿态估计（偏航、横滚、俯仰）和情绪检测算法