情绪识别被定义为检测人类情绪的过程，如快乐、悲伤、愤怒等. 情绪识别在许多科学分支中都有研究，比如神经科学, 心理学, 认知科学. 它也是计算机科学中一个活跃的研究领域. 在计算机科学领域, 情感识别利用人机交互方面的研究，基于某种特征来准确预测人类的情感. 这大致可以通过两种方式实现. 一个, 我们可以使用面部特征，比如面部表情, 面部表情, 识别情绪的手或身体手势和语音语调模式. 其次, 我们可以使用常见的生理特征，如脑电图(EEG), 心电图仪(ECG), 脉搏和呼吸频率. 

与之前的方法相比, 第二种方法, 基于生理特征, 是否更加稳健和准确. 尽管现代计算机视觉技术可以非常准确地检测面部特征, 训练系统学习任何一种微妙的情绪表达都是非常困难的，而且容易出错. 另一方面, 基于脑电图信号的技术对误差的鲁棒性要强得多, 从而得出更可靠的结果. 支持向量机和KNN已被广泛应用于基于脑电信号的情感识别. 在加州管理与领导学院(CSML), 我们正在研究使用深度学习的基于EEG的情感识别框架的结果. 机器学习模型通常分为浅模型和深模型. 浅模型包括传统的机器学习分类器，如支持向量机(SVM)。, k最近邻(KNN), 单层感知器. 深度模型基于多层神经网络，如卷积神经网络(ConvNets)。, 递归神经网络(rnn), 深度信念网络(dbn). 在这些之外, 修道院尤其受欢迎, 特别是多通道信号，如图像和医疗信号. 最近, 深度模型由于其性能优于传统方法而获得了巨大的吸引力(有时它们的性能比传统方法好5-10倍)。. 因此, 使用深度学习进行情感识别是有意义的，并且已经有一些研究人员完成了这项工作. 但深度学习模型也需要大量的数据，而这些数据在情感识别问题中是不可用的. 因此, 如果我们打算将深度学习应用于情感识别，还需要更多的数据, 最好的方法就是通过数据增强.

开始你的数据分析职业生涯

如果情感识别的想法吸引了你的想象力，你想了解更多关于外围分析的知识, 你会从数据分析理学硕士(MSDA)学位课程中受益匪浅 阿连特国际大学. The MSDA program is focused on growing your skills in data science through technology and quantitative analysis; statistical modeling; critical thinking; and deep analysis, 预测, 以及解决操作问题. 

可在我们的圣地亚哥校园和完全在线，MSDA 数据分析课程 或者是 是学位 通过现实世界的应用程序教你有价值的技能, 并确保你已经做好充分的准备，作为一个专业人士在组织中工作，作为一个可以掌握机器的人.