[摘  要]近年來，因心理健康問題引發(fā)的大學生休學、退學甚至自殺等一系列惡性事件不斷增多，加強對大學生心理危機的預防和干預對心理育人具有重要意義。最近深度學習技術(shù)迅速發(fā)展，為計算機視覺、數(shù)據(jù)挖掘等技術(shù)帶來了突破性進展。目前大學校園中已大規(guī)模部署了人臉識別系統(tǒng)，深度學習技術(shù)已可以根據(jù)人臉圖像實現(xiàn)情緒識別。針對大學生心理健康狀態(tài)監(jiān)控和預防工作的迫切需求，文章提出基于人臉識別情緒分析的心理危機實時預警策略。借助覆蓋全校的人臉識別系統(tǒng)，采用基于深度學習的情緒識別技術(shù)，實現(xiàn)在校大學生負性情緒實時跟蹤，以此對大學生心理危機進行及時預警。此策略旨在依托深度學習、人臉識別等前沿技術(shù)，構(gòu)建大學生心理危機預警體系，實現(xiàn)心理危機干預的及早精準介入，提高心理危機預防干預水平，這對高水平心理育人具有重要意義。

[關(guān)鍵詞]心理危機  大學生  情緒分析  人臉識別

課題：西北工業(yè)大學學生思想政治工作研究課題（課題編號：D5000210452）。

引  言

隨著我國高等教育由精英教育轉(zhuǎn)向大眾化教育進程的推進，因心理健康問題引發(fā)的大學生休學、退學甚至自殺等一系列惡性事件不斷增多。2017年中共教育部黨組發(fā)布了《高校思想政治工作質(zhì)量提升工程實施綱要》，將“心理育人”納入高校“十大”育人體系。對學生心理危機的干預預防是心理健康教育的關(guān)鍵環(huán)節(jié)，2018年中共教育部黨組印發(fā)了《高等學校學生心理健康教育指導綱要》，明確指出要形成教育教學、實踐活動、咨詢服務(wù)、預防干預“四位一體”的心理健康教育工作格局。預防干預工作原則是加強預防干預，完善心理測評方式，優(yōu)化量表選用，禁止使用可能損害學生心理健康的方法和儀器。因此，加強對學生心理危機的預防和干預對心理育人具有重要意義，是高校思想政治工作的重要內(nèi)容。目前深度學習等技術(shù)迅速發(fā)展，如何結(jié)合這些前沿人工智能技術(shù)，實現(xiàn)大學生心理危機的實時預警，尚缺乏有效的實施策略。

現(xiàn)有大學生心理危機預警機制的局限性

高校十分重視大學生心理危機的監(jiān)控和預防工作，并積極構(gòu)建心理測評與篩查系統(tǒng)。目前普遍建立了新生心理測評、班級心理委員制度、朋輩心理輔導體制，初步形成了心理危機防范和干預體系。

1.基于心理健康測評的心理危機預警

人臉情緒識別是計算機理解人類情感的一個重要方向，也是人機交互的一個關(guān)鍵步驟。情緒識別主要指從靜態(tài)的照片或者動態(tài)的視頻中選擇并識別表情狀態(tài)，從而實現(xiàn)對人類的情緒和心理變化的獲取。人臉情緒識別目前廣泛應(yīng)用于人機交互、情緒分析、娛樂、網(wǎng)絡(luò)教育和智能醫(yī)療。因此，如何提高面部情緒識別的準確性是一項重要的研究內(nèi)容之一。人臉情緒識別在醫(yī)療領(lǐng)域主要用于了解新型抗抑郁藥的效果，其可以根據(jù)患者人臉情緒的日常記錄進行更準確的藥物評價。在自閉癥兒童的治療中，人臉情緒識別可以輔助解讀自閉癥兒童情緒，幫助醫(yī)生做出判斷，進一步改變自閉癥兒童的心理狀態(tài)，從而制定更準確有效的治療方案。人臉情緒識別在教學領(lǐng)域的應(yīng)用可以使教學系統(tǒng)捕捉和記錄學生在學習過程中的情緒變化，為教師因材施教提供更好的參考。人臉情緒識別在交通領(lǐng)域可用于判斷飛行員或駕駛員的疲勞狀態(tài)，通過技術(shù)手段避免交通事故的發(fā)生。將人臉情緒識別應(yīng)用于日常生活中，如生活管理機器人可以根據(jù)人臉情緒識別來了解人的心理狀態(tài)和意圖，然后做出適當?shù)姆磻?yīng)，從而提升人機交互的體驗。近年來，人臉情緒識別技術(shù)發(fā)展迅速，許多學者對人臉情緒識別的發(fā)展做出了貢獻。其中，美國的麻省理工學院媒體實驗室和日本的藝術(shù)媒體信息科學實驗室具有很大的代表性。

心理測評是提前發(fā)現(xiàn)和預防學生心理健康問題的重要手段，通常是對大學新生或研究生新生在入學一個月內(nèi)進行人格問卷（UPI）調(diào)查或心理健康測評（SCL-90），將篩查出有心理健康問題的學生分為不同類別，分別實施不同級別的關(guān)注或干預措施。然而該方法存在兩個問題：一是有很大一部分自殺或自傷、患心理疾病的個案在新生心理普查中沒有被篩查出來，而篩查出來的危機個案卻在大學期間沒發(fā)生任何心理危機。二是客觀突發(fā)事件是導致心理危機產(chǎn)生的最大因素之一，然而心理測評和篩查僅在新生開學時開展，無法進行實時監(jiān)測。心理委員和朋輩心理輔導機制則主要依賴于學生主動尋求幫助，然而學生普遍不愿主動尋求幫助，上海師范大學心理咨詢與發(fā)展中心的心理專家坦言，學校有2萬多名學生，每年學校只有200多名學生前來咨詢，僅占學校總學生數(shù)的1%左右。因此，現(xiàn)有的預防干預體系在對因客觀突發(fā)事件引起的學生心理危機進行預警和防范方面存在較大的局限性。

2.基于數(shù)據(jù)挖掘的心理危機預防

人臉識別技術(shù)由Woodrow Wilson Bledsoe在20世紀60年代提出，此后不斷改進和優(yōu)化，逐漸趨于成熟，該技術(shù)在人們的日常生活中應(yīng)用得越來越廣泛。現(xiàn)在越來越多地被用于智能手機的用戶認證和設(shè)備安全，并被軍事和執(zhí)法部門的專業(yè)人士用于取證。近年來，隨著模式識別和人工智能的快速發(fā)展，人機交互技術(shù)領(lǐng)域的研究越來越多。人臉情緒識別作為智能人機交互的重要手段，具有廣泛的應(yīng)用背景，已被應(yīng)用于輔助醫(yī)療、遠程教育、互動游戲和公共安全等領(lǐng)域。人臉情緒識別通過計算機圖像處理技術(shù)從原始輸入的人臉情緒圖像中提取特征信息，并根據(jù)人的情緒表現(xiàn)對人臉情緒特征進行分類。人臉情緒識別在情緒量化研究中起著重要作用。在人工智能發(fā)展趨勢下，人與計算機之間的交流變得越來越容易。因此，大力推進人臉情緒識別技術(shù)的研究，對個人和社會的發(fā)展具有重要價值。

隨著數(shù)據(jù)挖掘、人工智能等技術(shù)的快速發(fā)展，語義識別等技術(shù)已應(yīng)用于人們的日常生活。在大學生心理危機預警方面，通過對心理健康測評數(shù)據(jù)、學生手機端APP數(shù)據(jù)等的挖掘，對情緒狀態(tài)進行識別成為近年來的熱點。2008年，日本德島大學（The University of Tokushima）Li等針對日益增多的大學生自殺現(xiàn)象，提出通過大學生的網(wǎng)絡(luò)博客識別大學生情緒，并開發(fā)了博客情感識別系統(tǒng)，以使心理咨詢師能對重點學生的情感信息進行準確監(jiān)測。印度學者Kedar等提出利用筆跡識別實現(xiàn)自動情緒識別。隨后國內(nèi)學者也逐步開展了基于情緒識別的心理健康監(jiān)測方面的研究。2015年，武漢科技大學提出將數(shù)據(jù)挖掘技術(shù)應(yīng)用于大學生心理普查數(shù)據(jù)庫，并建立了基于決策樹和BP神經(jīng)網(wǎng)絡(luò)的心理危機預防模型，以提高系統(tǒng)在心理危機預防應(yīng)用中的有效性。在基于語義情緒識別的相關(guān)研究方面，2019年，北京郵電大學利用深度學習技術(shù)，開展了基于情緒識別的心理分析應(yīng)用研究，開發(fā)了手機移動端APP“iMood”心理分析應(yīng)用，提出將改進的C-BiL深度學習模型用于文本分類，完成對情緒的五種分類識別，進而實現(xiàn)大學生心理狀態(tài)分析。然而上述應(yīng)用需要學生利用手機端應(yīng)用軟件主動尋求幫助，同時側(cè)重于文本等信息的利用，實際中學生主動尋求幫助的比例很小，這極大地限制了上述研發(fā)的推廣應(yīng)用。

基于人臉識別系統(tǒng)情緒分析的心理危機實時預警策略

深度學習技術(shù)的快速發(fā)展，為計算機視覺、數(shù)據(jù)挖掘等技術(shù)帶來了突破性進展，通過對人臉表情等大數(shù)據(jù)的挖掘，對情緒狀態(tài)進行識別成為近年來的研究熱點。人臉表情是傳遞情緒狀態(tài)的重要途徑，人的面部表情包含了55%的情感信息，情緒是心理健康的根本標志。心理學家認為人類面部表情可以表達人的多種情緒，包括復合情緒或混合情緒。隨著深度學習技術(shù)的迅速發(fā)展，在人臉識別的基礎(chǔ)上，國內(nèi)外學者進行了人臉表情及情緒的高效準確識別研究，并取得了較好的效果。相較于傳統(tǒng)方法，深度神經(jīng)網(wǎng)絡(luò)在許多圖像識別任務(wù)中有很大優(yōu)勢，其中面部情緒識別是下一代人機交互工作中用于臨床實踐和行為描述的一個必要過程。目前學者已經(jīng)提出了基于情緒識別的教學評估系統(tǒng)，并嘗試在教學監(jiān)控系統(tǒng)中進行部署，上述研究為心理健康狀態(tài)監(jiān)測提供了借鑒。

1.基于深度學習技術(shù)的人臉情緒識別

計算機領(lǐng)域的情緒識別研究主要集中于特征提取和特征分類方面，特征提取是指從輸入的圖片或視頻流中提取可用于分類的特征。在圖像識別方面，目前卷積神經(jīng)網(wǎng)絡(luò)（CNN）已經(jīng)逐漸成為深度學習技術(shù)中最主流的方法。Mollahosseini等人利用Inception層進行外貌識別的研究，并取得了很好的成果。在Inception層的創(chuàng)新之后，學者們又進一步提出了一些變種。除此之外，循環(huán)神經(jīng)網(wǎng)絡(luò)最近在處理連續(xù)數(shù)據(jù)方面取得了很大的成功，如語音識別、自然語言處理、音頻識別等。然后還能夠使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）將圖像的各個部分按一定方向掃描成特定序列后進行處理。由于能夠記憶過去的輸入信息，RNN有能力學習圖像的相對依賴關(guān)系，這與CNN相比是很有優(yōu)勢的，原因是CNN因為卷積層和池化層的相對位置而無法學習整體的依賴關(guān)系。因此，RNN通常與CNN相結(jié)合，以便在圖像處理任務(wù)中取得更好的結(jié)果，例如圖像識別和分割。

具體到情緒識別方面，Khorrami等人開發(fā)了一種使用CNN和RNN的方法，以對視頻數(shù)據(jù)進行情緒識別。Chernykh等人提出了CNN+RNN的方法用于視頻和語音識別。Xie和Hu提出了一個新的卷積神經(jīng)網(wǎng)絡(luò)，能夠最大限度地減少網(wǎng)絡(luò)學習到的相同特征之間的冗余，通過篩選同一層過濾器之間的共同信息，可以為下一層提供一個足夠清晰的特征集合，具有更加緊湊的圖像表示。同時還做了一個實驗，使用CNN來捕獲視頻中的人臉情緒，并以此作為實驗的控制器。這項工作驗證了實時運行CNN的同時對輸入中識別到的情緒進行平均的可能性，這能夠降低輸入的誤差和噪音的影響。Levi等人的最新研究提出了使用CNN進行面部情緒識別的重要改進，同時他們還說明了影響人臉情緒識別精度的兩個主要原因：一是用于訓練深度CNN的可用數(shù)據(jù)量少，二是輸入圖像的外觀相似性通常會受到光照差異的影響。

在基于情緒識別的心理健康監(jiān)測方面，2017年，華南理工大學采用深度學習方法實現(xiàn)了人臉圖像采集、情緒識別、身份識別等功能，開發(fā)了電腦端和手機端應(yīng)用軟件，實現(xiàn)了老年人情緒的實時監(jiān)測與預警。2019年，宋永生通過調(diào)用OpenCV及百度AI人臉識別接口，實現(xiàn)了對學生學習過程中情緒變化的捕捉，并及時將統(tǒng)計分析結(jié)果向教師反饋，以此提高教學效果。然而上述研究均未針對學生心理狀態(tài)監(jiān)測開展。為此，袁磊等研發(fā)手機端情緒識別軟件，通過大學生在手機端軟件的自拍照，對其進行情緒分析，以此對學生進行心理健康監(jiān)測。2021年，荷蘭代爾夫特理工大學Datcu等針對智能手機開發(fā)了一個應(yīng)用，該應(yīng)用可以通過對使用者的自拍照進行情緒識別，并進一步辨別其危機狀態(tài)，建立了用于情緒識別的卷積神經(jīng)網(wǎng)絡(luò)，并通過遷移學習提高情緒識別的精度。

從上述分析可以看出，針對大學生心理健康狀態(tài)監(jiān)控和預防工作的迫切需求，利用深度學習技術(shù)，通過對人臉識別，分析大學生情緒狀態(tài)成為了大學生心理危機預警的有效手段，有望解決現(xiàn)有心理測評方法存在的問題。然而上述通過開發(fā)專門的手機端軟件仍然依賴于學生的主動尋求幫助，影響了監(jiān)測效果。同時使用自拍照由于拍照的手機型號不同，拍照場景差異大，會對情緒識別造成很大難度。

2.基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉情緒識別實例

卷積神經(jīng)網(wǎng)絡(luò)（CNN）逐漸成為提取圖像特征的主流技術(shù)，筆者建立了一個基于卷積神經(jīng)網(wǎng)絡(luò)的人臉情緒識別實例。卷積神經(jīng)網(wǎng)絡(luò)中的卷積和池化層可以提取人臉局部區(qū)域的更高和更深層次的特征，具有良好的臉部表情識別分類性能。同時建立了一個卷積神經(jīng)網(wǎng)絡(luò)ConvNet，采用深度卷積網(wǎng)絡(luò)把人臉表情特征的提取和表情分類融合到一個端到端的網(wǎng)絡(luò)中，完成表情的識別和分類。ConvNet由兩個卷積層、兩個池化層和兩個線性層構(gòu)成。

筆者針對情緒識別多分類問題采用的損失函數(shù)是交叉熵損失函數(shù)，用來表示預測與實際數(shù)據(jù)之間的差距程度。所選用的優(yōu)化器是Adam自適應(yīng)算法，是深度學習中最常用的優(yōu)化算法之一，學習率設(shè)置為0.001，迭代100個epoch。

模型訓練采用的數(shù)據(jù)集是CK+數(shù)據(jù)庫，CK+數(shù)據(jù)庫發(fā)布于2010年，是在Cohn-Kanade Dataset的基礎(chǔ)上擴展而來的。這個數(shù)據(jù)集包括123個參與者，593個圖像序列，這個數(shù)據(jù)集是在實驗室條件下獲取的，比較嚴謹可靠，是一個比較標準的人臉情緒識別的數(shù)據(jù)庫。

在圖像輸入之前需要對圖像進行預處理，目的是為了圖像數(shù)據(jù)歸一化和數(shù)據(jù)增強。在本次設(shè)計中，訓練過程筆者采用的是隨機切割44×44的圖像，并進行水平翻轉(zhuǎn)，采用均值和標準差對圖像進行歸一化處理，然后送入訓練模型。經(jīng)過圖像歸一化處理和數(shù)據(jù)增強后，輸入神經(jīng)網(wǎng)絡(luò)的圖像數(shù)據(jù)增加了多樣性，使得訓練出來的網(wǎng)絡(luò)增加了泛化能力，避免過擬合現(xiàn)象。提出的ConvNet在人臉情緒識別中的分類準確率如圖1所示。

從圖1可以看出，所提出的人臉情緒識別方法驗證集分類準確率可以達到90%以上，這說明筆者提出的基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉情緒識別方法能夠?qū)θ四樓榫w進行比較準確的識別。

3.基于人臉情緒識別的大學生心理危機預警策略

2020年，阿卜杜勒阿齊茲國王大學Jarraya等提出針對自閉癥兒童，通過建立基于遞歸神經(jīng)網(wǎng)絡(luò)的深度學習模型，根據(jù)攝像機拍攝的圖片，通過微表情變化，識別自閉癥兒童的情緒狀態(tài)，以此對自閉癥兒童的心理危機進行預警。這對大學生心理危機的預警帶來了一定的啟示。

目前很多高校已部署人臉識別系統(tǒng)，比如西北工業(yè)大學于2019年在全校范圍內(nèi)部署了人臉識別系統(tǒng)，覆蓋學校宿舍樓、圖書館、會議中心、行政辦公樓等30余處，方便了師生通行。為此筆者提出借助覆蓋全校宿舍樓、圖書館等處的人臉識別系統(tǒng)，采用基于深度學習的情緒識別技術(shù)，對學生的情緒進行分析與識別，實現(xiàn)在校學生負性情緒的實時跟蹤；同時建立基于情緒分析數(shù)據(jù)、大學生心理測評數(shù)據(jù)的心理危機預防模型；大學生輔導員根據(jù)預警結(jié)果及重點關(guān)注人群，采取及時而有針對性的談心談話，并根據(jù)談心談話結(jié)果對情緒識別分析模型、心理危機預防模型的結(jié)果進行反饋，使學校能夠及時對模型進行修正及調(diào)整。具體如圖2所示。

在圖2第一個環(huán)節(jié)基于門禁的人臉情緒識別中，采用深度學習技術(shù)可以實現(xiàn)基于人臉識別的負性情緒的辨識，然而辨識系統(tǒng)需要大量的訓練數(shù)據(jù)，而對大量圖像數(shù)據(jù)進行同時處理需要很高的計算耗費，辨識系統(tǒng)研發(fā)難度較大。為此可以采用開放的AI技術(shù)平臺，通過調(diào)用大型開放AI平臺中的先進人臉情緒識別系統(tǒng)，借助互聯(lián)網(wǎng)的人臉圖像數(shù)據(jù)庫，構(gòu)建基于深度學習的情緒辨識系統(tǒng)，實現(xiàn)負性情緒的準確辨識。

在圖2第二個環(huán)節(jié)基于情緒識別的心理危機預警中，在校學生出現(xiàn)負性情緒并不代表出現(xiàn)心理危機，心理健康的學生也會存在負性情緒，因此如何根據(jù)負性情緒的頻率、時間等關(guān)鍵參數(shù)信息評估學生的心理狀態(tài)并進行預警成為本項目的關(guān)鍵問題。為此，可以以人臉識別情緒識別數(shù)據(jù)為基礎(chǔ)，結(jié)合心理測評數(shù)據(jù)，利用決策樹等機器學習方法，建立心理預警模型，以及早發(fā)現(xiàn)學生的心理危機并進行預警，實現(xiàn)對學生心理狀態(tài)的實時監(jiān)測及心理危機的及時預警，同時確定需要重點關(guān)注的學生，對其危機程度進行分級、分類。

在圖2第三個環(huán)節(jié)輔導員談心談話及應(yīng)對中，針對重點關(guān)注學生，結(jié)合心理危機實時預警信息，輔導員采用談心談話等傳統(tǒng)方法化解學生心理危機。同時根據(jù)輔導員談心談話的結(jié)果對第一個環(huán)節(jié)和第二個環(huán)節(jié)中的情緒識別模型和心理危機預警模型的結(jié)果進行驗證，以便于學校更準確地對模型進行調(diào)整。

筆者提出的基于人臉情緒識別的心理危機預警策略，有助于大學生情緒分析與心理危機預警體系的構(gòu)建，在此基礎(chǔ)上可以對大學生潛在的心理危機進行識別，做到心理危機的及時預警，實現(xiàn)心理干預的精準介入，進而提高心理危機的預防干預水平，從而更好地實現(xiàn)心理育人。

結(jié)  論

筆者提出了人臉識別情緒分析的心理危機實時預警策略，借助覆蓋全校的人臉識別系統(tǒng)，利用深度學習技術(shù)，實現(xiàn)對在校大學生的情緒辨識與及時跟蹤；同時建立基于情緒分析數(shù)據(jù)、大學生心理測評數(shù)據(jù)的心理危機預警模型，以此根據(jù)情緒識別的數(shù)據(jù)對大學生心理危機進行預警；在此基礎(chǔ)上，大學生輔導員根據(jù)預警結(jié)果及重點關(guān)注的大學生，采取及時而有針對性的談心談話等措施，預防心理危機事件的發(fā)生。上述策略旨在依托深度學習、人臉識別等前沿技術(shù)，構(gòu)建大學生心理危機預警體系，實現(xiàn)心理危機干預及早而精準地介入，從而提高心理危機預防干預水平，這對高水平心理育人具有重要的意義。

參考文獻：

[1]吳潔瑾.大學生心理咨詢?nèi)藬?shù)逐年增加比例仍偏低，更多愿默默承受[N].澎湃新聞，2016-05-06.

[2]劉曉.探究高校心理健康教育與思政教育的高度融合[J].陜西教育（高教）,2022（01）：22-23.

[3]尹紅霞，王紅菊，趙銀，等.大學生心理危機防范和快速反應(yīng)機制[J].中國健康心理學雜志，2018，26（05）.

[4]黃中海.數(shù)據(jù)挖掘在高校學生心理危機預防中的應(yīng)用[D].武漢：武漢科技大學，2015.

[5]蘇斌原，張衛(wèi)，周夢培，等.大學生自殺潛在風險的識別和預警：基于應(yīng)激—易感模型[J].華南師范大學學報（社會科學版），2015（03）：78-84.

[6]李雪嬌.大學生心理危機應(yīng)對研究[D].哈爾濱：東北林業(yè)大學，2014.

[7]張雪瑩，楊璐一，尹宗毅.基于大數(shù)據(jù)基礎(chǔ)的工科院校大學生心理危機干預機制研究[J].黑龍江教育（理論與實踐），2022(01).

[8]Li J,Ren F.Emotion recognition from blog articles[C].2008 International Conference on Natural Language Processing and Knowledge Engineering.IEEE，2008：1-8.

[9]Kedar S V，Bormane D S，Dhadwal A，et al.Automatic emotion recognition through handwriting analysis：a review[C].2015 International Conference on Computing Communication Control and Automation.IEEE，2015：811-816.

[10]楊燁蔓.基于情緒識別的心理分析應(yīng)用的研究與實現(xiàn)[D].北京：北京郵電大學，2019.

[11]張海鐘.情緒是心理健康的根本標志——評心理衛(wèi)生和心理教育活動中的情緒消滅論[J].遼寧師范大學學報（社會科學版），2019，42（02）.

[12]宋永生.基于OpenCV及AI的網(wǎng)絡(luò)學習者情緒監(jiān)測系統(tǒng)[J].信息技術(shù)與信息化，2019（11）：9-12.

[13]Mollahosseini A，Hassani B，Salvador M J，et al.Facial Expression Recognition from World Wild Web[C].IEEE.IEEE，2016：1509-1516.

[14]P.Khorrami，T.L.Paine，K.Brady，C.Dagli，T.S.Huang，How Deep Neural Networks can Improve Emotion Recognition on Video Data，IEEE Conf.Image Process（ICIP）（2016）.

[15]V.Chernykh，G.Sterling，P.Prihodko，Emotion recognition from speech with recurrent neural networks，arXiv：1701.08071v1[cs.CL]，2017.

[16]Xie S，Hu H，F(xiàn)acial expression recognition with FRR–CNN，Electron.Lett.53（4）（2017）235-237.

[17]G.Levi，T.Hassner，Emotion recognition in the wild via convolutional neural networks and mapped binary patterns，in：Proc.ACM International Conference on Multimodal Interaction（ICMI），November，2015.

[18]劉迪兆.基于深度學習的老年人情緒關(guān)懷系統(tǒng)的研究與設(shè)計[D].廣州：華南理工大學，2017.

[19]袁磊，賈國強，唐亮，等.基于情緒識別的心理監(jiān)護軟件開發(fā)[J].電腦知識與技術(shù)，2020，16（07）：71-2.

[20]Datcu D，Rothkrantz L.FACE EMOTION RECOGNITION USING A CRISIS RELATED SMARTPHONE APP[J].International Journal on Information Technologies & Security，2021，13.

（杜飛、伍世偉：西北工業(yè)大學）