中国化面孔情绪图片系统数据统计
中国情绪情感图片
Chinese Affective Picture System(CAPS)中国情绪材料情感图片系统一、概述该情感图片系统由852张图片组成。
这些图片全是按照内容清晰，含义明确，没有文字并尽量突出刺激物本身的原则从2000多张具有东方特色的图片中筛选出来的。
156名大学生对每张图片的愉悦度、唤醒度和优势度进行了9 点量表评分。
得到的相应维度的平均分和标准差呈现在CAPS数据库中。
统计显示852张图片在每个维度的内部一致性和重测信度都很高，说明情感图片系统中的情感图片材料具有较好的情绪唤起效果和实用性。
另外在对情感图片测评时所选样本对性别做了平衡处理，男女比例≈1：1，平均年龄=22。
统计发现男女被试对情感图片的测评有显著差异；除唤醒度得分外，其它维度男性评分均高于女性。
使用该系统时，可根据自身实验目的并参考每张图片在各个维度的得分选择恰当的图片做为实验材料。
二、图片汇总 valence std-v arousal std-a dominance std-d1polar bear 6.45 1.64 5.88 1.94 5.48 2.202aviation 6.46 1.60 6.23 1.67 5.55 2.013skate 6.83 1.39 5.97 1.89 6.37 1.784panda17.08 1.51 6.12 2.01 6.43 1.945reversal 5.72 1.69 6.09 1.79 5.34 2.116kiss1 6.73 1.63 6.82 1.60 6.33 1.997cat17.27 1.61 6.18 2.127.06 1.888cheer 6.51 1.63 5.77 2.06 6.04 1.999gift 6.61 1.58 5.48 1.99 6.50 1.6710cat27.15 1.59 6.31 1.847.10 1.6811cat37.25 1.56 6.47 2.057.24 1.6512cat47.46 1.51 6.34 2.137.24 1.7713cat and rabbit7.26 1.76 6.35 2.067.22 1.7014chicken7.27 1.53 6.43 2.137.18 1.6815star7.00 1.61 6.85 1.81 6.56 1.8216dog17.20 1.49 6.47 1.887.09 1.7717nocturne 1 6.37 1.49 4.88 2.13 6.01 1.8918dog27.33 1.81 6.49 2.187.22 1.6619the aged 5.93 1.70 5.24 1.95 5.90 1.8720cheers17.04 1.59 6.22 1.84 6.66 1.6921end point 6.36 1.58 5.86 1.98 6.07 1.9224bugle 6.20 1.61 5.52 1.96 5.82 1.7125cheers2 6.84 1.39 5.93 1.83 6.67 1.6126smile 5.97 1.67 5.03 2.05 5.98 1.6127newly-married 6.78 1.52 5.82 1.90 6.35 1.7228kiss2 6.97 1.51 6.57 1.70 6.40 1.9029island17.12 1.48 5.62 2.44 6.42 1.9630island2 6.58 1.47 5.18 2.29 5.90 1.8631girl 23 5.38 1.85 5.07 1.82 5.58 1.9932flower2 6.52 1.59 5.40 2.28 6.63 1.7733flower3 5.44 1.94 5.33 2.00 5.61 2.0134bird 6.18 1.65 5.65 1.91 6.34 1.7335flower4 6.43 1.47 4.80 2.14 6.50 1.7536farmer 5.87 1.87 5.29 1.87 5.86 1.8037ha 6.69 1.53 6.30 1.80 6.02 2.0738riancy 6.49 1.59 5.51 2.00 6.38 1.7239mountain1 6.81 1.53 5.83 2.25 5.85 2.1340snow1 6.90 1.46 6.37 1.73 6.43 1.7941two girls1 6.48 1.53 5.63 1.76 6.57 1.6342coachfellow 6.79 1.53 5.75 2.05 6.37 1.7243fere 6.94 1.53 6.67 1.78 6.21 1.9244golf 6.68 1.74 6.71 1.93 6.53 1.7645race17.30 1.58 6.67 1.83 6.67 1.8946bubble 6.75 1.54 5.97 1.79 6.39 1.7148plage1 6.23 1.40 5.01 2.11 5.68 1.9449mountain2 6.21 1.64 4.66 2.27 5.38 2.1450cate 6.18 1.74 5.47 2.17 6.74 1.8551laughing 5.94 1.71 5.31 1.97 5.88 1.7852three girls 6.97 1.47 6.07 1.98 6.50 1.7453program 6.99 1.38 6.09 1.89 6.57 1.6454my bear 6.58 1.56 5.32 1.95 6.76 1.5455birthday 6.99 1.44 5.91 1.97 6.19 1.9956married photo 6.69 1.54 5.74 2.01 6.31 1.6957panda2 6.94 1.70 6.41 1.98 6.69 1.7558plage2 6.59 1.40 5.64 1.93 6.47 1.7659childishness 6.19 1.69 5.22 2.01 6.13 1.8360chinese riband 6.52 1.43 5.20 2.13 6.60 1.7261chinese riband1 6.62 1.47 5.24 2.23 6.80 1.6162chinese riband2 6.36 1.32 4.92 2.09 6.58 1.7063chopsticks1 6.07 1.75 5.16 2.03 6.54 1.6264craftwork1 6.04 1.46 4.89 2.20 6.51 1.7065cate 1 6.99 1.44 5.93 2.297.15 1.6066cate 2 6.44 1.54 5.40 2.12 6.53 1.8967cate 3 6.28 1.80 5.36 2.06 6.86 1.5768cate 4 5.56 1.94 5.40 2.03 6.33 2.0269water lily 1 6.89 1.45 5.07 2.26 6.68 1.7870flower5 5.58 1.62 4.76 2.00 5.94 1.8772 cake 6.98 1.49 5.87 2.19 7.02 1.7273vegetable6.71 1.64 5.85 2.17 6.98 1.7474 water lily 26.861.51 5.232.23 6.90 1.6775 read 6.11 1.63 4.57 2.11 6.79 1.7076 coffee 6.64 1.57 5.05 2.31 7.14 1.5777 apple 7.10 1.37 5.96 2.37 7.56 1.5278orange6.90 1.52 5.93 2.287.32 1.6679 Hongkong1 6.00 1.65 5.17 2.01 5.69 1.9880 Hongkong2 5.91 1.45 4.84 2.00 5.64 1.9481 HongKong 3 5.99 1.33 4.44 1.92 5.52 1.6282 my cat 6.39 1.69 5.54 1.95 6.61 1.6883 little girl 1 6.82 1.63 5.63 2.07 6.86 1.7084 little girl 2 6.85 1.58 5.93 2.00 6.82 1.7185 little girl 3 6.94 1.59 5.87 2.05 6.95 1.6286 a girl holding feeder 6.88 1.60 5.88 2.00 7.02 1.6187 eagle1 6.02 1.74 5.50 2.04 5.34 2.0888 little girl 4 7.07 1.49 6.13 2.02 7.00 1.6889 handclasp 4.90 1.97 5.52 2.17 5.03 2.1790flower 65.81 1.68 4.64 2.166.56 1.5891 girl 1 butterfly 5.51 1.65 4.63 1.86 5.98 1.9692 girl 1 6.77 1.53 5.64 2.16 6.76 1.7493 girl 2 7.04 1.55 5.82 2.02 6.86 1.5694girl 37.101.476.021.896.931.5296 girl 5 7.06 1.56 5.87 2.09 7.00 1.7197 girl 6 7.01 1.44 5.87 2.12 7.03 1.5798 girl 7 6.97 1.60 6.14 2.03 6.93 1.8199 girl 8 6.94 1.59 6.06 1.98 7.04 1.67100 girl 9 6.69 1.57 5.82 1.91 6.92 1.60101 girl 10 7.10 1.43 6.23 1.89 6.95 1.70102 girl and her mother 7.29 1.38 6.16 2.06 6.90 1.81103 boy1 6.50 1.51 5.29 2.00 6.53 1.69104 boy2 6.60 1.58 5.30 2.05 6.57 1.66105 flower7 5.65 1.62 4.53 1.90 6.19 1.79106 boy3 6.64 1.54 5.45 1.94 6.72 1.39107 girl 12 6.26 1.58 5.19 1.80 6.34 1.63108 girl 13 6.69 1.55 5.55 1.92 6.82 1.53109 girl 14 6.99 1.28 6.09 1.86 6.81 1.59110 girl 15 6.65 1.47 5.59 1.99 6.80 1.49111 boy 4 6.48 1.44 5.47 1.98 6.77 1.60112boy56.86 1.52 5.72 1.84 6.74 1.67113 two girls2 6.89 1.50 5.87 1.87 6.76 1.64114 two girls3 6.90 1.54 5.77 1.94 6.83 1.53115 congratulation 6.59 1.51 5.76 1.92 6.33 1.79116 a happy woman 6.45 1.49 5.59 2.03 6.15 1.67117 autumn 7.03 1.40 5.67 2.24 6.42 1.68118intimacy7.011.487.221.416.541.93119white crane 6.44 1.58 5.60 2.15 6.03 1.89120flower8 6.68 1.40 5.52 2.227.01 1.61121brandish flag7.44 1.29 6.82 1.78 6.94 1.71122nocturne3 5.82 1.56 4.48 1.97 5.80 1.79123Great Wall 6.31 1.56 5.49 2.07 5.84 2.05124ShangHai 5.61 1.35 4.58 2.05 5.22 1.78125cate5 6.91 1.56 5.63 2.177.22 1.45126Guilin1 6.99 1.56 5.86 2.24 6.25 1.94127Guilin2 6.69 1.63 5.15 2.24 5.84 2.04128ShangHai1 5.88 1.47 4.29 2.10 5.71 1.73129cat 57.25 1.47 6.13 2.057.10 1.84130park 6.00 1.50 4.69 1.99 5.80 1.88131lawn/ lea 5.76 1.47 4.14 2.12 6.18 1.62132beauty 6.32 2.21 6.99 2.05 6.17 2.28133bird1 6.02 1.61 4.76 2.07 6.26 1.87134night piece1 6.29 1.48 5.11 1.96 5.82 1.83135cate6 6.57 1.54 5.25 1.92 6.86 1.79136cate7 6.32 1.47 5.08 2.14 6.47 1.76137building 1 6.56 1.58 5.40 2.26 5.60 2.03138building 2 6.75 1.57 5.44 2.16 5.57 2.12139coney 6.96 1.65 5.66 2.207.15 1.68140night piece2 5.86 1.50 4.31 1.98 5.80 1.76141scene 5.30 1.49 4.53 1.86 5.55 1.85142snake1 2.54 1.54 5.17 2.67 2.80 1.88143 broken wall 4.18 1.64 4.27 1.95 4.42 1.84144 spider1 2.85 1.63 4.89 2.56 3.32 1.99145 spider2 2.85 1.66 5.02 2.48 3.25 1.93146 snake2 2.23 1.42 5.47 2.82 2.80 2.04147 snake3 2.55 1.61 5.14 2.71 2.87 1.95148 snake 4 2.57 1.62 5.13 2.60 2.91 1.79149 snake5 2.64 1.74 5.53 2.69 2.75 1.81150 snake62.62 1.68 5.50 2.65 2.81 1.93151 snake 72.451.46 4.992.673.01 1.92152 snake8 2.32 1.45 5.39 2.64 2.87 1.99153 bug1 3.42 1.56 4.71 2.19 4.59 2.10154 hands 3.34 1.68 5.15 2.30 3.72 1.95155 jump 3.97 1.60 4.91 2.03 4.61 1.98156 flee2.66 1.47 4.99 2.503.08 1.90157 refugee1 3.051.56 4.552.233.85 1.96158 refugee2 2.76 1.37 5.08 2.40 3.15 1.711591salvage2.63 1.35 4.84 2.363.11 1.73160 churchyard 2.72 1.44 5.07 2.44 3.38 1.94161 tank 3.68 1.60 5.09 2.21 3.52 1.91162 sturt 2.82 1.40 4.96 2.39 3.10 1.77163 roup 1 2.83 1.38 4.74 2.43 3.69 2.13164 lament 3.93 1.49 4.26 1.94 4.26 1.82165a abandoned building2.97 1.42 4.39 2.123.43 1.84166 a dead leopard3.001.634.672.403.341.86167protest 1 2.75 1.53 5.14 2.38 3.10 1.67168roup2 2.81 1.40 4.93 2.46 3.15 1.78169demurral 3.51 1.58 4.85 1.91 4.09 2.00170wasteland1 2.76 1.61 4.64 2.48 3.04 1.85171weep 3.20 1.49 4.86 2.13 3.62 1.81172gain 3.06 1.49 4.43 2.16 3.27 1.65173fire1 2.36 1.39 5.22 2.62 2.92 1.73174shadow 4.17 1.64 4.49 2.01 4.68 2.001751wasteland2 2.74 1.55 4.71 2.35 3.00 1.63176seizing 2.73 1.42 5.13 2.52 3.16 1.92177plant oneself 2.88 1.48 4.68 2.46 3.34 1.80178 a broken car 2.45 1.39 4.91 2.53 2.93 1.78179a sinking ship1 2.69 1.58 5.24 2.51 2.92 1.81180fire2 2.49 1.42 5.11 2.52 3.00 1.79181sinking ship2 2.73 1.65 5.21 2.75 2.77 1.83182transfusion1 2.76 1.30 4.83 2.17 3.48 1.88183protest2 2.77 1.37 5.11 2.40 3.15 1.78184jail1 3.12 1.46 4.72 2.07 3.49 1.83185jail2 2.68 1.44 5.10 2.37 3.25 1.88186mourn 3.04 1.37 4.62 2.20 3.59 1.92187setting on fire 2.54 1.69 5.13 2.51 3.22 1.89188salvage 2.73 1.27 4.84 2.29 3.17 1.68189transfusion2 2.71 1.37 4.70 2.31 3.57 1.97190broken car 2.76 1.31 4.37 2.28 3.24 1.77191grief 2.54 1.28 5.01 2.41 3.31 1.70192leopard 4.66 1.87 5.51 2.00 4.04 2.06193bloodsucker1 1.95 1.35 5.60 3.14 2.50 1.93194broken house1 2.66 1.46 4.59 2.43 3.08 1.77195cadge 2.95 1.37 4.67 2.39 4.27 2.18196mendicant boy 2.05 1.32 5.50 2.80 3.47 2.38197mendicant 2.98 1.56 4.73 2.33 3.80 2.16198bug2 3.53 1.89 5.06 2.35 4.16 2.08199garbage 4 2.68 1.35 3.93 2.19 3.21 1.66200cranny 3.42 1.58 4.59 2.18 3.46 1.82201broken house 2 2.80 1.47 4.56 2.12 3.48 1.81202mantis 4.20 1.75 4.44 1.74 4.90 2.06203collapse 2.96 1.41 4.25 2.29 3.39 2.02204broken house3 3.45 1.47 4.61 2.22 3.73 1.85205catch fire 2.07 1.48 5.46 3.01 2.58 1.92206old shoes 2.63 1.43 3.93 2.28 3.75 2.11207boat tracker 2.88 1.52 5.22 2.48 3.39 2.06208old furniture1 2.84 1.48 3.72 2.07 4.18 2.13209old furniture2 2.71 1.37 3.97 2.12 4.15 2.11210old furniture 3 2.77 1.40 3.82 2.27 3.77 2.03211wolf 4.75 1.89 5.62 1.93 4.15 2.09212flood 3.01 1.43 5.19 2.25 3.38 1.89213bug 3 3.62 1.82 4.62 2.28 4.32 2.16214broken house 4 4.39 1.63 4.07 1.78 4.67 1.79215 country woman 3.55 1.45 4.18 1.85 4.46 1.99216 rubbish2.91 1.38 4.03 2.143.54 1.82217rubbish12.81 1.57 4.42 2.443.30 1.75218 bloodsucker22.111.65 5.60 3.102.75 2.08219 fly1 3.60 1.80 4.36 2.07 4.62 2.19220 boxing 4.49 1.95 5.97 2.10 4.38 2.19221rubbish23.05 1.52 3.96 1.98 3.87 1.91222 broken head 1.40 1.17 5.53 3.45 2.01 1.86223 bug4 4.04 1.82 4.70 1.94 4.70 1.99224 bug5 3.52 1.70 4.37 2.00 4.27 2.05225 bug6 3.16 1.85 5.27 2.40 3.62 2.12226 bug7 4.39 1.74 4.31 1.87 5.03 2.14227 cocoon1 3.94 1.96 4.62 1.97 4.63 2.02228 cocoon 2 3.55 1.87 4.82 2.38 4.18 2.09229oppressive winter2.65 1.38 5.26 2.463.77 2.11230 collect rubbish 2.87 1.42 4.13 2.10 3.41 1.77231 goose and dog-end 3.18 1.81 4.28 2.33 4.46 2.00232 burns on breast 1.56 1.38 5.56 3.34 2.07 1.89233 litter 2.73 1.37 3.91 2.29 3.53 1.89234bug 85.06 1.88 4.51 1.90 5.54 2.08235 scalewing 5.44 1.84 4.68 1.90 5.34 2.13236 open country 5.69 1.57 4.42 2.17 5.63 1.74237 no 4.26 1.61 4.63 1.98 4.78 1.95238injection2.811.495.282.443.482.10240remains1 1.66 1.29 5.21 3.31 2.14 1.77241 a face in beans 3.13 1.86 4.91 2.62 3.46 1.95242gunnery 4.21 1.67 4.77 2.22 4.29 1.90243poor boy 2.34 1.32 5.13 2.71 3.31 2.18244the dead 2.30 1.33 5.01 2.67 2.83 1.85245bizarrerie fish 2.81 1.73 5.45 2.67 3.21 2.04246burning train 2.15 1.33 5.49 2.95 2.59 1.67247bizarrerie dog 3.97 2.11 4.99 2.20 4.38 2.02248damaged skin 2.03 1.33 5.43 2.93 2.77 2.01249 a face in hands 3.48 1.61 5.33 2.41 4.26 2.24250ghosts 2.92 1.74 5.60 2.70 3.20 1.98251crocodile 2.73 1.58 5.50 2.80 2.91 1.98252tusk /bucktooth 3.73 1.86 5.71 2.27 4.13 2.09253fire3 2.50 1.50 5.41 2.67 2.64 1.69254burning face 1.72 1.53 5.25 3.47 2.21 1.99255cadaver 1.68 1.38 5.71 3.38 2.26 1.91256remains2 1.62 1.13 5.51 3.31 2.26 1.97257roaring 4.80 1.84 6.04 1.92 4.82 2.19258spider3 5.02 1.96 4.85 1.93 5.25 2.24259ants1 3.22 1.77 4.92 2.29 3.86 1.99260spider4 3.49 1.81 4.95 2.12 4.06 2.15261bug9 4.01 1.71 5.16 2.06 4.18 2.10262ants2 4.05 1.93 5.14 2.31 4.38 2.20264 fly2 3.20 1.80 5.16 2.42 3.90 2.23265 bareness1 3.49 1.93 5.66 2.49 3.92 2.15266bareness23.78 1.99 5.36 2.444.06 2.02267 strange frog4.132.36 5.68 2.48 4.01 2.14268 bullfight1 2.56 1.68 5.75 2.71 2.76 1.69269 bullfight2 2.63 1.68 5.51 2.65 2.79 1.63270 rescue1 2.50 1.51 5.08 2.56 2.95 1.68271 rescue 2 2.51 1.21 5.01 2.49 3.38 1.97272 protest 4.14 2.22 6.17 2.34 4.80 2.26273 rubbish3 2.54 1.28 4.10 2.42 3.15 1.84274face in Beijing opera3.98 1.734.80 2.12 4.76 1.95275 bizarrerie fish1 3.59 1.84 5.15 2.44 3.98 2.00276 bizarrerie nose 2.48 1.47 5.40 2.84 2.94 1.94277 teary girl1 5.38 1.87 5.23 1.88 6.30 1.96278 teary girl2 5.20 1.80 5.09 1.93 6.16 1.90279 teary boy 4.37 1.76 4.96 2.02 5.75 1.95280 traffic accident1 1.52 1.27 5.65 3.37 2.01 1.80281 traffic accident2 1.52 1.34 5.83 3.42 2.02 1.83282cadaver21.41 1.24 5.67 3.36 1.96 1.98283 abandoned head 1.50 1.27 5.79 3.40 2.07 1.95284corpse1.74 1.38 5.54 3.312.19 1.90285 insufflation 3.62 1.57 5.25 2.21 3.87 2.01286seashore5.941.605.151.935.541.97288giraffe6.14 1.56 5.27 1.87 5.56 1.84289 colour ball 5.54 1.63 4.99 2.20 5.75 1.78290 beautiful candle 6.22 1.59 4.97 2.12 6.74 1.68291 big dog 5.66 1.92 5.42 2.02 5.60 2.03292 antique 1 5.19 1.38 4.00 1.69 5.60 1.62293 antique 2 5.20 1.48 4.01 1.84 5.58 1.57294 plane 5.52 1.66 6.05 1.89 4.78 2.22295 antique 3 5.34 1.31 4.29 1.82 5.60 1.58296 antique 4 5.48 1.32 4.36 1.92 5.50 1.78297 clamp 5.43 1.54 4.02 2.05 6.43 1.97298 frame 5.12 1.58 4.15 2.22 5.00 1.91299 observe 6.21 1.38 5.43 1.96 6.34 1.54300 race2 6.18 1.37 5.58 1.92 5.81 2.02301 two birds 5.80 1.74 4.60 1.78 6.21 1.67302 contrast 4.54 1.49 4.34 1.95 5.12 1.84303 bridge1 6.11 1.46 4.54 2.20 6.00 1.76304 hill 5.34 1.74 4.34 2.08 5.48 1.72305 gloaming 4.70 1.86 4.49 2.08 5.35 2.13306crab5.31 1.83 5.41 2.31 4.86 2.01307 flowerness 5.51 1.38 4.17 1.95 6.42 1.89308 telescope 5.89 1.67 5.58 2.09 5.15 2.02309 shoot abasketball 6.14 1.45 5.96 1.90 5.68 2.04310locust4.841.754.601.905.482.00311 vegetable –basket 5.17 1.48 3.70 2.02 6.45 1.83312 barrel 5.61 1.47 4.12 2.14 6.48 1.80313 basin 5.37 1.41 3.63 2.03 6.43 1.74314 appliance 5.72 1.54 4.50 2.15 6.59 1.77315 rush 5.32 1.54 4.22 2.20 6.42 1.86316 mouse 5.44 1.50 3.98 2.09 6.75 1.87317watch5.91 1.58 4.85 2.096.10 1.86318 clothes rack1 5.07 1.48 3.82 1.89 6.44 1.79319 clothes rack 2 5.32 1.28 3.60 1.97 6.38 1.83320 naze 5.04 1.75 4.28 2.08 4.78 1.89321 necklace 6.23 1.66 5.39 2.05 6.60 1.80322scoop5.59 1.55 4.25 2.216.44 2.00323 a woman’s back 5.76 1.58 4.71 1.87 6.04 1.65324 promontory 5.45 1.58 4.33 1.98 5.34 1.83325 a house by sea 6.24 1.60 4.89 2.09 6.00 1.75326 moon 5.51 1.79 5.21 2.25 4.45 2.21327 no title 4.86 1.58 4.24 2.06 5.01 1.86328 car 6.19 1.56 5.19 2.12 6.44 1.86329 hair drier 5.23 1.36 3.94 1.91 6.52 1.76330 cave1 5.26 1.63 4.79 2.01 4.94 1.99331church6.23 1.40 5.00 2.13 5.74 1.76332 numismatics 5.47 1.35 4.68 1.94 5.98 1.66333 tea set1 6.37 1.53 4.68 2.31 7.20 1.45334the fourtreasures5.961.574.792.116.571.69335 brush5.93 1.49 4.41 2.196.61 1.69336 craftwork1 5.15 1.40 3.99 1.96 6.37 1.73337 abacus 5.88 1.38 4.76 1.94 6.04 1.60338tea end /tea table6.03 1.31 4.64 2.13 6.38 1.66339 craftwork2 6.16 1.53 5.20 2.04 6.45 1.55340 tea set2 6.36 1.48 4.88 2.08 6.96 1.49341I-go6.09 1.48 4.54 2.15 6.57 1.70342 chinese chess 5.87 1.50 5.03 1.97 6.37 1.81343 craftwork3 5.72 1.55 4.73 1.94 6.47 1.78344 craftwork4 5.94 1.35 4.37 1.95 6.06 1.63345 craftwork5 5.39 1.39 4.21 1.78 5.93 1.71346 3craftwork 6 5.47 1.49 4.36 1.98 5.53 1.66347 craftwork7 5.86 1.57 4.28 2.00 6.55 1.61348 craftwork8 4.36 1.60 3.77 1.77 5.34 2.00349 landscape1 5.67 1.38 4.60 1.95 5.69 1.64350 earth 5.83 1.59 5.09 2.08 4.75 2.32351tree15.70 1.41 4.72 2.14 5.47 1.86352 landscape2 5.49 1.39 4.30 1.88 6.00 1.64353 craftwork9 6.16 1.50 4.73 2.13 6.50 1.63354 craftwork10 5.84 1.40 4.71 1.89 6.31 1.63355 craftwork11 5.03 1.40 4.05 1.84 5.58 1.69356 plait the basket 5.54 1.57 4.61 1.75 6.14 1.69357 satellite 5.94 1.62 5.93 1.96 4.94 2.42358table5.841.604.942.086.251.66359 craftwork125.93 1.46 4.70 2.056.28 1.75360 craftwork13 5.61 1.32 4.22 1.89 5.78 1.57361 craftwork145.34 1.27 4.25 1.88 5.60 1.70362 craftwork15 5.83 1.49 4.55 1.94 6.24 1.72363 face in beijing opera24.01 1.685.03 2.19 4.72 2.01364 cherry on the box6.36 1.51 4.68 2.19 6.91 1.67365 kitchen 6.43 1.60 5.10 2.11 6.66 1.52366 cup 5.73 1.39 4.62 2.07 6.33 1.82367 glass 5.56 1.37 4.02 2.01 6.59 1.68368 leaf 5.75 1.52 4.48 2.05 6.51 1.75369pumpkin5.67 1.42 4.44 2.096.49 1.72370 living-room 6.36 1.52 4.76 2.21 6.61 1.62371 landscape3 5.53 1.45 4.26 2.03 5.69 1.66372 landscape4 5.87 1.39 4.26 1.89 5.79 1.71373 landscape5 5.91 1.50 4.39 2.06 6.06 1.76374 landscape 6 5.64 1.36 4.21 2.12 5.76 1.54375 landscape7 5.58 1.45 4.29 1.94 5.44 1.77376 landscape8 5.63 1.36 4.22 2.01 5.75 1.49377 eagle2 6.09 1.58 5.65 1.97 5.67 1.98378tree25.51 1.46 4.51 1.98 5.72 1.77379 promontory2 6.49 1.39 5.05 2.06 5.97 1.82380 hill 1 5.94 1.56 5.03 2.00 5.69 1.92381minority4.93 1.78 4.41 1.915.44 1.78382 celebration5.271.634.681.865.331.83383 the corner of yard 5.89 1.42 4.64 2.02 5.87 1.75384 car1 6.13 1.46 4.79 2.07 6.53 1.73385bonsai6.23 1.45 4.51 2.14 6.75 1.69386 plastic cup5.051.37 3.92 1.89 6.65 1.71387 ShangHai2 5.16 1.47 4.18 1.88 5.37 1.59388 crane 4.15 1.63 5.70 2.17 4.07 1.96389 fresco 5.84 1.45 4.39 2.07 5.58 1.75390 appliance 4.47 1.61 4.00 1.82 5.53 1.94391 bridge 5.81 1.57 4.65 1.98 5.56 1.73392 hall 5.94 1.31 4.92 1.96 5.89 1.79393temple15.88 1.46 4.56 1.97 5.69 1.75394 living-room1 6.47 1.55 4.99 2.04 6.83 1.57395 temple2 6.15 1.42 4.68 2.09 6.11 1.73396 street 5.24 1.41 4.22 1.99 5.69 1.70397 tree3 6.22 1.50 4.60 2.00 5.96 1.72398 hall1 5.70 1.46 4.19 2.00 5.85 1.91399 building3 5.97 1.31 4.69 2.03 5.93 1.72400 building4 5.97 1.55 4.65 2.09 5.89 1.49401 river 5.27 1.50 4.46 2.05 4.89 1.83402fox5.33 1.91 5.84 1.97 4.29 2.15403 countryside 5.32 1.51 4.24 2.01 5.61 1.77404 mountain forest1 5.81 1.63 4.48 1.94 5.54 1.86405parterre6.19 1.44 4.59 1.93 5.70 1.71406 iron bridge4.801.524.191.855.241.79407 joss house 5.63 1.25 4.01 1.97 5.56 1.75408 open country 1 6.29 1.57 4.77 2.06 5.91 1.79409 mountain forest2 6.37 1.50 4.88 2.19 5.98 1.79410 cave2 5.07 1.55 4.36 1.80 5.18 1.83411house5.69 1.34 4.04 1.87 5.93 1.67412 monument5.751.62 4.81 1.97 5.37 1.89413 open country2 5.96 1.60 4.41 2.22 5.83 1.80414 open coutry3 5.94 1.60 4.48 2.05 6.10 1.80415 piano room 5.84 1.51 4.44 2.10 6.48 1.64416spring5.45 1.76 4.67 1.98 5.29 1.98417 cemetery1 5.64 1.50 4.57 1.75 5.44 1.96418 cemetery2 5.74 1.61 4.69 2.02 5.46 1.94419road 85.53 1.55 4.19 1.936.07 1.67420 ShangHai3 5.67 1.51 4.57 2.10 5.65 1.88421snow24.22 1.48 4.21 1.90 4.73 1.89422 cemetery3 5.58 1.55 4.18 1.98 5.90 1.76423 site 4.62 1.79 4.79 2.09 4.61 1.86424 dock 4.79 1.48 4.12 1.69 5.16 1.68425 building5 5.56 1.21 4.26 1.99 5.56 1.68426 city 5.74 1.51 4.34 1.99 5.77 1.57427 fear 2.98 1.51 5.01 2.32 3.74 1.94428 garbage 2.79 1.55 3.97 2.26 3.18 1.74429 tiger 3.43 1.73 6.17 2.26 3.15 1.93430Mountain7.011.466.122.266.111.98432apple1 6.91 1.49 5.96 2.247.46 1.63433eagle3 5.98 1.54 5.71 1.86 5.31 2.19434pencil vase 5.87 1.45 4.42 2.03 6.35 1.72435snake9 2.64 1.65 5.25 2.68 2.83 1.82436two men 4.96 1.56 4.18 1.78 5.34 1.72437hug7.33 1.32 6.90 1.62 6.55 1.87438eagle4 6.01 1.49 5.67 1.88 5.40 1.94439monk 4.63 1.66 4.86 2.08 4.53 1.82440dance 6.80 1.55 6.64 1.78 6.48 1.77441panda3 6.66 1.67 5.87 2.09 6.17 1.88442ball 5.87 1.60 5.02 2.22 5.94 2.08443corpse1 1.50 1.29 5.77 3.36 2.08 1.92444birthday17.08 1.48 6.28 1.94 6.45 1.85445fear1 2.72 1.24 4.50 2.30 3.64 2.12446eagle5 6.17 1.75 5.61 1.92 5.48 2.03447swim 4.98 2.10 5.90 1.87 5.44 1.98448food 6.78 1.36 5.78 2.167.13 1.54449field2 6.78 1.46 5.60 2.16 6.20 1.90450flower9 6.50 1.37 5.17 2.13 6.47 1.85451butterfly1 5.05 1.76 4.62 1.98 5.73 1.97452city1 6.11 1.53 4.75 2.18 5.83 1.60453mountain3 6.76 1.39 6.22 2.09 5.67 2.24454elephant 5.54 1.99 5.73 2.00 5.01 1.97456 bees3.45 1.814.60 2.29 3.96 2.12457 Newly -married2 7.04 1.64 6.33 1.96 6.41 1.79458 snake102.531.59 5.192.66 2.84 1.74459graph4.68 1.44 3.86 2.01 4.99 1.68460 celebration1 6.481.65 5.98 1.87 6.17 1.79461 river1 6.75 1.49 6.18 2.20 5.93 1.85462aviation23.83 1.814.92 2.23 3.79 2.00463 end point17.01 1.51 6.67 1.87 6.28 2.05464Chinese cultural relic4.931.494.101.955.451.82465 Chinese cultural relic1 5.53 1.36 4.21 1.91 6.19 1.75466mice3.28 1.68 5.08 2.194.12 2.15467 field and river 6.74 1.65 5.66 2.37 6.27 1.92468 flower10 6.58 1.56 5.31 2.29 6.85 1.46469little boy5.04 1.70 4.59 1.83 5.91 2.01470 shake hands 6.61 1.36 5.56 1.91 6.27 1.85471 corpse2 1.68 1.13 5.35 3.20 2.16 1.69472beautiful woman6.53 1.917.01 1.99 6.13 2.21473 two children 6.86 1.48 6.58 1.68 6.48 1.87474flower115.83 1.62 4.72 2.076.17 1.77475 mountain4 6.26 1.48 5.12 2.10 5.62 1.95476 fish 5.88 1.70 4.99 2.06 5.90 1.70Chinese478 two cats 7.49 1.54 6.53 2.18 7.36 1.68479 Chinese cultural relic3 5.36 1.29 4.24 1.92 5.71 1.66480 confusion3.05 1.33 5.02 2.34 3.39 1.82481 work5.571.54 4.84 1.92 5.86 1.66482 hippo 5.21 1.72 5.49 1.93 4.48 2.14483 key rings6.04 1.63 4.60 2.20 6.76 1.80484 corpse3 2.41 1.64 5.92 2.73 3.07 2.13485 spider5 3.82 1.79 4.26 1.86 4.30 2.13486 woman 6.94 1.58 6.55 1.87 6.80 1.67487 race3 6.791.52 6.51 1.78 6.34 1.89488 cat6 7.40 1.51 6.63 1.91 7.23 1.82489 dance1 6.82 1.56 5.73 2.12 6.72 1.66490 plant5.45 1.51 4.19 1.88 5.56 1.75491 feel close 6.99 1.43 6.35 1.61 6.27 2.01492 fire4 2.701.38 4.452.313.33 1.95493farmer23.13 1.324.44 2.09 4.08 2.05494 happy children 6.31 1.71 5.69 1.83 6.10 1.78495 warship 5.31 1.73 5.14 2.14 4.89 2.09496 squirrel 5.74 1.80 4.99 2.04 5.76 1.99497 desert 6.23 1.56 5.20 2.22 5.41 2.29498 insect 4.51 1.83 4.84 2.01 4.61 2.19499 garbage1 2.70 1.32 4.19 2.33 3.13 1.74500girl166.51 1.64 5.70 2.03 6.49 1.72501 great wall16.411.655.832.015.922.02503butterfly2 5.20 1.77 4.92 2.07 5.61 2.01504baby cry 4.95 1.81 4.90 2.08 6.00 2.02505traffic 4.22 1.68 3.98 1.98 4.55 1.91506woman1 6.25 1.56 5.15 2.02 6.36 1.64507insect1 3.56 1.75 5.11 2.03 4.43 2.28508insect2 4.40 1.75 4.49 2.02 4.77 2.04509woman2 4.08 1.58 4.18 1.85 4.87 1.85510baby cry1 4.65 1.98 5.08 2.06 5.92 2.03511snake11 2.42 1.52 5.45 2.83 2.72 1.99512look 4.04 2.00 5.02 2.29 4.16 2.06513accident 2.98 1.41 4.69 2.21 3.33 1.67514insect3 4.65 1.69 4.60 1.82 5.07 2.05515nisdounbt 3.17 1.37 4.13 2.11 3.73 1.77516insect4 4.51 1.73 4.26 1.80 5.15 2.17517insect5 4.64 1.67 4.32 1.86 5.29 2.15518woman3 4.29 1.73 4.53 1.89 4.58 1.84519wind 3.70 1.71 5.06 2.27 3.48 1.93520soldier 3.07 1.28 4.43 2.03 3.42 1.77521wave 5.00 2.03 5.81 2.12 3.98 2.01522ravin 2.27 1.41 5.68 2.78 2.61 1.99523dog3 4.56 1.90 4.93 2.14 4.80 1.95524snow3 3.26 1.56 4.79 2.32 3.93 2.03525volcano 3.05 1.89 6.00 2.56 2.63 1.82527insect7 3.31 1.78 5.31 2.35 3.50 2.09528accident1 2.48 1.48 5.64 2.56 2.66 1.56529tank1 2.72 1.37 4.72 2.60 3.08 1.68530snow4 3.55 1.41 4.39 2.05 4.10 1.83531garbage bin 3.63 1.77 5.00 2.43 4.10 2.22532snake12 2.36 1.38 5.64 2.79 2.56 1.83533corpse4 1.470.92 5.66 3.25 2.17 1.99534tree4 4.83 1.68 4.05 1.89 4.96 1.88535ants 4.19 1.86 4.40 2.05 4.99 2.23536rescue4 2.48 1.21 5.17 2.46 2.82 1.54537weapon 2.97 1.52 5.21 2.35 3.09 1.75538race4 4.89 1.89 5.34 2.05 4.49 1.94539destroy 2.59 1.25 5.32 2.43 2.75 1.68540snake13 2.31 1.57 5.89 2.86 2.64 1.77541accident2 2.56 1.31 5.11 2.63 3.09 1.94542accident3 2.61 1.42 5.77 2.59 2.81 1.71543lions 4.12 1.92 6.31 2.02 3.47 2.11544accident4 2.63 1.35 5.09 2.47 3.20 1.79545soldier1 2.85 1.45 5.21 2.39 2.96 1.64546lizard 3.90 1.73 4.96 2.09 4.28 2.05547wolf1 4.80 1.88 5.64 1.90 4.01 1.97548room1 2.66 1.29 4.38 2.30 3.30 1.85549weapon1 3.06 1.35 4.81 2.33 2.99 1.61551destroy1 3.69 1.58 3.99 1.95 3.86 1.77552tank2 3.08 1.46 4.90 2.35 3.35 1.88553accident5 3.84 2.05 5.39 2.29 4.00 1.99554two farmers 2.46 1.17 4.73 2.41 3.49 2.02555fire5 2.32 1.21 5.23 2.41 2.85 1.65556beggar 2.84 1.36 4.54 2.37 3.94 2.09557fight 3.86 1.64 6.01 2.07 4.04 1.84558damage 2.76 1.35 4.82 2.31 3.45 2.03559accident6 2.59 1.59 5.76 2.65 2.65 1.55560destroy2 3.28 1.48 4.37 2.16 3.82 1.86561soldier2 2.80 1.46 5.11 2.32 3.23 1.85562wolf2 3.40 1.80 5.98 2.14 3.51 1.92563parade 3.45 1.61 4.99 2.10 3.99 1.97564beach 5.49 1.76 5.27 2.03 5.47 1.94565two faces 3.63 2.01 5.48 2.37 3.77 1.95566demonstrate 4.08 1.61 4.42 1.94 4.11 1.87567soldier3 3.42 1.60 5.06 2.00 3.52 1.84568beach1 3.05 1.48 4.01 2.02 3.71 1.94569soldier4 2.37 1.23 5.25 2.64 2.68 1.56570insect8 3.33 1.54 4.33 2.18 4.26 2.25571snake14 2.46 1.62 5.41 2.71 2.74 1.93572accident7 2.50 1.30 5.32 2.46 2.93 1.86573soldier5 2.36 1.34 5.21 2.63 2.53 1.59575insects 2.82 1.63 4.69 2.74 3.35 1.98576work1 4.50 2.00 5.03 2.27 5.32 2.06577blood 2.30 1.27 5.67 2.70 2.54 1.69578garbage2 2.89 1.46 4.23 2.44 2.89 1.65579injured 3.14 1.81 5.18 2.32 3.49 2.01580poor 2.33 1.27 5.21 2.66 3.37 2.05581insects1 3.09 1.71 4.73 2.52 3.86 2.19582fight1 3.36 1.85 5.79 2.47 3.34 1.81583corpse5 2.00 1.29 5.38 2.98 2.75 2.16584accident9 2.54 1.32 5.05 2.60 2.78 1.65585two hands 3.10 1.68 5.43 2.49 3.80 1.96586destroy3 2.68 1.45 4.27 2.28 3.04 1.78587fire6 2.76 1.62 5.52 2.49 2.99 1.94588spider6 3.03 1.71 4.94 2.28 3.44 1.96589accident10 3.52 1.48 4.25 2.15 4.11 1.80590corpse6 1.42 1.17 5.84 3.52 1.83 1.72591dry up 3.41 1.54 4.73 2.27 3.99 2.02592spider7 2.99 1.59 5.00 2.39 3.52 2.04593garbage3 2.91 1.47 4.18 2.30 3.27 1.98594insects2 3.44 1.82 4.27 2.19 4.05 2.15595spider8 3.28 1.62 5.03 2.50 3.55 2.02596destroy4 2.58 1.34 4.50 2.33 3.20 1.74597snake15 2.33 1.36 5.36 2.74 2.73 1.98598celebration2 6.80 1.48 5.95 1.95 6.40 1.63599butterfly3 3.98 1.88 4.52 2.28 4.47 1.92600boy6 5.56 1.62 4.80 1.73 6.11 1.72601tortoise 5.20 1.71 4.72 2.08 5.73 2.01602insect9 4.10 1.89 4.16 1.97 4.68 2.00603insect10 4.82 1.91 4.61 1.89 5.27 2.10604man 4.26 1.58 4.57 2.05 4.72 1.78605face 1.380.93 5.95 3.48 1.84 1.83606insect11 4.13 1.84 4.66 2.14 4.45 2.09607insect12 3.57 1.68 4.90 2.21 4.50 2.25608man1 3.19 1.90 5.49 2.38 3.80 1.98609injured1 3.22 1.56 4.52 2.11 4.01 2.12610fire7 2.57 1.41 5.74 2.79 2.78 1.96611fire8 2.40 1.50 5.93 2.72 2.69 1.87612cry 3.20 1.40 4.56 2.05 4.28 2.14613cry1 3.27 1.29 4.56 2.03 4.20 1.81614insect13 4.02 1.96 5.14 2.16 4.74 2.27615surgery 2.96 1.32 4.93 2.30 3.52 1.81616farmer3 2.54 1.25 4.87 2.59 3.70 2.13617surgery1 4.45 1.89 5.41 2.11 4.30 2.07618angry 3.22 1.50 5.12 2.29 3.58 1.78619race5 4.94 2.03 5.75 1.98 5.15 1.93620rain 2.79 1.46 5.56 2.47 3.62 2.08621angry1 3.20 1.52 4.92 2.11 3.57 1.79。
中国人Morph情绪面孔识别测验在部分大学生中的信度和效度分析
效度方面主要从内容效度和校标效度对中国人 Morph 情绪面孔识别测验进行评价。 中国人 Morph 情绪面孔识别测验基于情绪类别模型理论， 以中国
中国临床心理学杂志 2010 年 第 18 卷 第 3期
·309·
人六种典型的基本情绪面孔为原型，理论基础明确， 殊部位局灶性脑损伤患者表现出特异性面孔情绪识
Calder 的测验采用的是西方人面孔， 由于东西 方文化与生活背景的差异，不能完全适用于中国人， 因此，若要在国内开展情绪的神经心理学研究，建立 能定量测量 6 种基本情绪识别能力的中国人情绪面 孔（Morph 情绪面孔 、基本情绪面 孔、眼区情绪 ）、情 绪声音及复杂情绪的神经心理学实验方法有着非常 重要的意义。 2002 年，汪凯[7]编制了我国第一套中国 人 Morph 情绪面孔识别测验，用于神经心理学实验 研究， 并使用该测验产生了一系列有意义的研究成 果。由于该测验缺乏信效度资料，本研究主要在既往 使用该测验的基础上尝试对其进行信效度的分析。
基于深度学习的人脸表情分析与情绪识别系统设计
基于深度学习的人脸表情分析与情绪识别系统设计人类表情是沟通和交流的重要方式之一。
识别人脸表情和情绪可以帮助计算机系统更好地理解人类情感，从而实现更智能的交互。
近年来，深度学习技术在计算机视觉领域取得了巨大的进展，尤其在人脸表情分析和情绪识别方面有着广泛的应用。
本文将介绍基于深度学习的人脸表情分析与情绪识别系统的设计原理和方法。
1. 引言人的情绪表达是非常复杂的，通过人脸表情可以传达出愤怒、快乐、悲伤等各种情感信息。
传统的人脸表情分析方法需要手动提取特征，其准确性和鲁棒性受到了限制。
而深度学习技术能够自动提取和学习特征，为人脸表情分析和情绪识别提供了新的解决方案。
2. 数据集准备构建一个强大的人脸表情分析与情绪识别系统首先需要大量的标记数据集。
这些数据集应涵盖多种表情和情绪，以保证系统的泛化能力和准确性。
常用的数据集有FER2013，CK+，JAFFE等。
数据集的预处理包括人脸检测和对齐，以确保输入的人脸图像质量和准确性。
3. 基于深度学习的人脸表情分析人脸表情分析的核心是通过深度学习模型自动提取表情特征并进行分类。
常用的深度学习模型包括卷积神经网络（CNN），递归神经网络（RNN）和卷积递归神经网络（CRNN）等。
在训练过程中，需要使用标记数据集对模型进行监督学习，通过最小化损失函数来优化模型参数。
4. 情绪识别技术情绪识别是人脸表情分析的一个重要应用。
通过分析人脸表情，系统可以判断出人的情绪状态，如高兴、悲伤、生气等。
深度学习方法在情绪识别上取得了显著的成果。
通常采用卷积神经网络进行特征提取和分类，同时结合长短期记忆网络（LSTM）来捕捉时间序列信息。
5. 实验与评估为了评估基于深度学习的人脸表情分析与情绪识别系统，可以使用交叉验证或独立测试集的方式进行实验。
通过比较系统分类结果与人工标记的真实情况，可以计算系统的准确率、召回率和F1值等指标来评估系统性能。
6. 应用和挑战基于深度学习的人脸表情分析与情绪识别系统在实际应用中有广泛的前景。
中国面孔表情图片系统的修订
【 摘
要 】目的：扩展本土化 的中国面孔表情图片 系统 以提供情 绪研 究 的取材 。方法 ：采用方 便取样 。
从北京 ２所高等艺术 院校 的表演系 、导演系选取 １０名学生 ，作为 面孔 表情表 演者 ；从北京 ２所 普通高等 ０
院校招募 １０名学生 ，作为面孔表情评 分者。采集表演者 的愤怒 ，厌 恶 ，恐惧 ，悲 伤 ，惊讶 ，高 兴和平静 ０ ７种面孔表情 图片 ，再 由评分者对图片进 行情 绪类 别 的判 定和情绪 强烈 程度 的 ９点量表 评分 ，扩展 各种情 绪类型 的图片数量 。然后 ，从北京 ３ 普通 高校 戏剧社社员 中选取 １０名学生 ，从北京某社 区选取老 年人 、 所 ０
ａｔ ｇａｄｄｒｃｎ ｅａｔ ｅ ｔ ｆ ｗ ｔ ｏｌ ｅ ｅ ｉ ｅｅｓｌ ｔ ｓｔ ｘ ｒｓ ｒＡ ｄ１０ｓ ｄｎｓ ｅｅ ｃ ｎ ｎ ｉ ｔ ｇｄｐｒ ｎ ｏａ ｌ ｇｓｉ Ｂ ｉｎ ｗ ｒ ｅ ｃ ｄａ ｅｅｐｅｓ ． ｎ ｔ ｅｔ ｗ ｒ ｉ ｅｉ ｍ ｏ ｔ ｒｃ ｅ ｎ ｊｇ ｅｅ ｈ ｅ ０ ｕ
儿 童各 １ ，作为面孔表情表演者 ；另从北京 ２所普通高 等院校招募 １０名学生 ，作 为面孔 表情评分 者。 Ｏ名 ０
进一步扩展负性 图片 的数 量 （ ，愤怒 ，厌恶 ，恐 惧 ，悲伤 ） 如 ，并补充 一些其他 年龄段 的 图片。结果 ：得 到具有代表性 的 ７种情绪类型的面孔表 情图片共 ８０张 ，每张 图片都有其 对应 的认 同率和 情绪 强度评 分 ， ７ 其 中 ，愤怒 ７ ，厌恶 ４ ４张 ７张 ，恐惧 ６ ４张 ，悲伤 ９ ５张 ，惊讶 １０张 ，高兴 ２ ８张 ，平静 ２ ２张 。结论 ：本 ２ ４ ２ 研究初步建立 了信度较高 的中国人面孔表情图片系统 ，可作为 以后情绪研究 的选取材料 ，本系统有 待进一
中国人面孔表情强度分级图片库的建立
·心理卫生评估·中国人面孔表情强度分级图片库的建立*刘静1，3任艳萍2屈威1陈楠1范宏振1宋丽丽1张蒙1田占宵1赵艳丽1谭淑平1（1北京回龙观医院，北京大学回龙观临床医学院，北京1000962首都医科大学附属北京安定医院，国家精神心理疾病临床医学研究中心，精神疾病诊断与治疗北京市重点实验室，北京1000883河南科技大学第五附属医院，河南洛阳471300通信作者：谭淑平shupingtan@）【摘要】目的：建立中国人面孔表情强度分级图片库，为情绪研究提供素材。
方法：22名话剧演员在专业导演指导下表演愤怒、厌恶、恐惧、悲伤、惊奇、高兴和平静7种面部表情，用高速摄像机录制，之后根据表演情绪的强度多次屏幕截图，所有图片去除非面孔特征后，制作成相同大小和灰度的的814张黑白照片。
每名表演者的每种情绪均包含6个强度等级。
招募112名健康志愿者，采用0 100等级对全部图片的情绪强度、愉悦度、唤醒度进行评价。
结果：建立的中国人面孔表情强度分级图片库，包含2个子库，图片库1为不同表演者的面孔表情强度分级图片库，共入选436张图片；图库2为同一表演者不同情绪强度图片库共入选640张图片；每个图片库都有相应的强度、愉悦度、唤醒度的评分结果，且在信度分析方面均呈现出较高的内部一致性（Cronbach a值均大于0.9）。
结论：本研究建立了具有良好认同度、符合心理学测量属性的中国人面孔表情强度分级图片库，可作为我国面孔表情的相关研究素材。
【关键词】情绪；面部表情；情绪刺激素材；评定中图分类号：B842.6文献标识码：A文章编号：1000－6729（2019）002－0120－06doi：10.3969/j.issn.1000－6729.2019.02.009（中国心理卫生杂志，2019，33（2）：120－125.）Establishment of the Chinese facial emotion imagesdatabase with intensity classificationLIU Jing1，3，ＲEN Yanping2，QU Wei1，CHEN Nan1，FAN Hongzhen1，SONG Lili1，ZHANG Meng1，TIAN Zhanxiao1，ZHAO Yanli1，TAN Shuping1 1Beijing Huilongguan Hospital，Huilongguan College of Clinical Medicine，Peking University，Beijing100096，China2Anding Hospital，Capital Medical University，Beijing100088，China3The Fifth Affiliated Hospital of Henan University of Science and Technology，Luoyang471300，Henan Province，ChinaCorresponding author：TAN Shuping，shupingtan@【Abstract】Objective：To establish an intensity-classified Chinese facial emotion image database and provide materials for emotional researches in China.Methods：Firstly，under the guidance of professional director，22pro-fessional dramatic actors put up seven kinds of emotion，including anger，disgust，fear，sadness，surprise，happy and calm.The process of facial emotional performance of actors were filmed by a high-speed camera.Then we made screen captures according to the intensity of emotion performed by the actors.A total of814black-and-white photo-graphs with same size and gray level were made after we removed the irrelevant parts to the facial features.Each kind of emotion contains six levels of intensity scoring from1to6.Totally，112healthy volunteers were recruited to evalu-ate the emotional intensity，pleasure and arousal of all images via a visual scale ranged from0to100.Ｒesults：A Chinese face emotional intensity hierarchical picture library was set up，which contained2sublibraries.The first li-brary was consisted of436images with hierarchical emotional intensity images collected from different performers.The*基金项目：首都临床特色应用研究重点项目（Z141107002514016），北京市自然科学基金项目（7162087）second one was built with640images，in which the hierarchical emotional intensity image was collected from same actor/actress.Both image libraries had corresponding scores for intensity，pleasure，and arousal.Furthermore，both exhibited a high degree of internal consistency in reliability analysis（with a Cronbach＇s alpha value larger than0.9）.Conclusion：The present study has established an intensity-classified Chinese facial emotion image database with good recognition degree and psychological measurement attribution，which could provide materials for emotional re-searches in China.【Key words】emotion；facial expression；emotional stimulus material；assessment（Chin Ment Health J，2019，33（2）：120－125.）情绪作为人类日常生活中时刻经历着的一种体验，与人们的生活、工作和学习都密切相关。
中国情绪图片系统的编制_在46名中国大学生中的试用
・心理测量与评估・中国情绪图片系统的编制———在４６名中国大学生中的试用白露１马慧１黄宇霞１罗跃嘉２＠【摘要】目的：建立本土化的中国情绪图片系统（ＣＡＰＳ）以适应情绪研究的需要。
方法：筛选出８５２幅图片组成ＣＡＰＳ，４６名中国大学生对ＣＡＰＳ图片的愉悦度、唤醒度和优势度进行了自我报告的９点量表评分。
结果：在ＣＡＰＳ评分中，唤醒度评分结果的一致性最高，愉悦度和优势度评分结果的标准差大于唤醒度的标准差。
散点图显示，ＣＡＰＳ在愉悦度和唤醒度上评分分布较为广泛。
结论：国际情绪图片系统（ＩＡＰＳ）具有较好的国际通用性，但仍由于文化、个性等因素存在差异，因此编制本土化的中国情绪图片系统是有必要的。
【关键词】普通心理学；情绪；心理测量学研究；中国情绪图片系统；ＩＡＰＳ中图分类号：Ｇ４４９．９文献标识码：Ａ文章编号：１０００－６７２９（２００５）１１－７１９－０４ＴｈｅＤｅｖｅｌｏｐｍｅｎｔｏｆＮａｔｉｖｅＣｈｉｎｅｓｅＡｆｆｅｃｔｉｖｅＰｉｃｔｕｒｅＳｙｓｔｅｍ—Ａｐｒｅｔｅｓｔｉｎ４６ＣｏｌｌｅｇｅＳｔｕｄｅｎｔｓＢＡＩＬｕ，ＭＡＨｕｉ，ＨＵＡＮＧＹｕ－Ｘｉａ，ｅｔａｌ．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＭｅｎｔａｌＨｅａｌｔｈ，ＩｎｓｔｉｔｕｔｅｏｆＰｓｙｃｈｏｌｏｇｙ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１００１０１【Ａｂｓｔｒａｃｔ】Ｏｂｊｅｃｔｉｖｅ：ＴｏｄｅｖｅｌｏｐｔｈｅｎａｔｉｖｅＣｈｉｎｅｓｅＡｆｆｅｃｔｉｖｅＰｉｃｔｕｒｅＳｙｓｔｅｍ（ＣＡＰＳ）ｆｏｒｆｕｔｕｒｅｒｅｓｅａｒｃｈｏｎｅｍｏｔｉｏｎ．!Ｍｅｔｈｏｄｓ：８５２ｐｉｃｔｕｒｅｓｗｅｒｅｓｃｒｅｅｎｅｄｏｕｔｔｏｍａｋｅｕｐｏｆＣＡＰＳ．４６Ｃｈｉｎｅｓｅｕｎｉｖｅｒｓｉｔｙｓｔｕｄｅｎｔｓｗｅｒｅｃｏｌｌｅｃｔｅｄｔｏｒａｔｅｔｈｅｖａｌｅｎｃｅ，ａｒｏｕｓａｌａｎｄｄｏｍｉｎａｎｃｅｂｙｓｅｌｆ－ｒｅｐｏｒｔｉｎａ９－ｐｏｉｎｔｒａｔｉｎｇｓｃａｌｅｆｏｒＣＡＰＳ．!Ｒｅｓｕｌｔｓ：Ｔｈｅｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎｓｏｆｓｃｏｒｅｓｏｎｖａｌｅｎｃｅａｎｄｄｏｍｉｎａｎｃｅｗｅｒｅｇｒｅａｔｅｒｔｈａｎｔｈａｔｏｎａｒｏｕｓａｌ．ＳｃａｔｔｅｒｐｌｏｔｓｈｏｗｅｄｔｈａｔｔｈｅｓｃｏｒｅｄｉｓｔｒｉｂｕｔｉｏｎｏｎｔｈｅｄｉｍｅｎｓｉｏｎｏｆｖａｌｅｎｃｅａｎｄａｒｏｕｓａｌｗａｓｗｉｄｅｉｎＣＡＰＳ．!Ｃｏｎｃｌｕｓｉｏｎ：ＴｈｏｕｇｈＩＡＰＳ（ＩｎｔｅｒｎａｔｉｏｎａｌＡｆｆｅｃｔｉｖｅＰｉｃｔｕｒｅＳｙｓｔｅｍ）ｉｓｈｉｇｈｌｙｉｎｔｅｒｎａｔｉｏｎａｌｌｙ－ａｃｃｅｓｓｉｂｌｅ，ｔｈｅｒｅａｒｅｓｔｉｌｌｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓｂｅｔｗｅｅｎｔｈｅｔｗｏｓｏｕｒｃｅｓ．ＴｈｅｎａｔｉｖｅＣｈｉｎｅｓｅＡｆｆｅｃｔｉｖｅＰｉｃｔｕｒｅＳｙｓｔｅｍｉｓｎｅｃｅｓｓａｒｙ．【Ｋｅｙｗｏｒｄｓ】ｐｓｙｃｈｏｌｏｇｙ；ｅｍｏｔｉｏｎ；ｐｓｙｃｈｏｍｅｔｒｉｃｓｔｕｄｉｅｓ；ａｆｆｅｃｔｉｖｅｐｉｃｔｕｒｅ；ＣＡＰＳ；ＩＡＰＳＣＡＰＳ（ＣｈｉｎｅｓｅＡｆｆｅｃｔｉｖｅＰｉｃｔｕｒｅＳｙｓｔｅｍ）是由中国科学院心理健康重点实验室编制的一套标准化的情绪刺激图片系统，是该实验室正在编制的一系列情绪刺激材料中的一个子系统。
述情障碍大学生表情识别能力的研究
［５］Ｏｈ、ｒｉｅｒ ＬｕｍｉＩＩｅｔ，Ｎｉ∞ｌ曲Ｖｅｍｅｕｌｅｎ，Ｃａｔｈｅ血ｅ Ｄ锄ａｒｅｔ
～ｅｘ—
ｉｔｈｙ曲蛐ｄ ｌｅｖｅＩｓ ｏｆ ｐＩＤｃｅｓｓｉｒＩｇ：Ｅｖｉｄｅｎｃｅ
ｒ哪哪ｂｅ血ｇ
［６］
０ｕｖｉｅｒ
ｅｍｏｄｏｎ诚【Ｊ］．Ｊｏ岫＿１ａｌ
ｆｂｒ
ａＩｌ
ｏｖｅｒａⅡｄｅｆｉｃｉｔ ｉｎ
ｏｆ Ｒｅｓｅａｒｃｈ ｉｎ Ｐｅｒｓｏｎａｌｉ．
２．１
将一定数量的被试分批进入实验室，每一批被试同 时进行实验。他们被告知实验的目的是进行表情识 别，具体程序如下：（１）所有被试进入实验室后，首先
所有进行问卷调查大学生的多伦多述情障碍
向被试介绍整个实验程序，并告知应注意事项，等被
试没有疑问后开始发放个人基本情况问卷和多伦多 述情障碍量表（ＴＡＳ一２０）。（２）完成个人基本情况 问卷和多伦多述情障碍量表（ＴＡＳ一２０）。（３）识别 面部基本表情图片。 本实验采用的是信号检测论的任务。面部表情 图片通过Ｅｐｒｉｍｅ程序在电脑屏幕上呈现，同时实验 的指导语也呈现在电脑屏幕上。为了使表情图片的 呈现效果更佳，表情图片呈现时图片后的屏幕背景 设定为白屏。每次实验，首先呈现５００ ｍｓ的蓝屏， 然后呈现２
ｗａｇｒＩｅｒａ．Ｖｉｃｔｏｒｉａ Ｌ∞ｂ．～ｅ妇ｔｈｙ删ａ ａｎｄ ｉｎｄｉｖｉｄｕａｌ缸ｆｅ卜
３讨论 本实验的研究结果与其他很多学者得到的结论
【２］
Ｈｕｇｈ
ｅｎｃ皓ｉＴｌ ｅｍｏｔｉｏｎａｌ
ｅｘｐｒ髂ｓｉｏｎ［Ｊ］．Ｊｏｕｍａｌ
ｏｆ Ｒｅｓｅａｒｃｈ ｉｎ Ｐｅｒｓｏｎａｌ．
一致。ＫｅＳｓｌｅｒ（２００６）的研究结果指出，述情障碍高 发生率的进食障碍病人中，述情障碍特质与情绪面 孔的识别不存在相关性【５｜。Ｐｒｋａｃｈｉｎ（１９９０）发现在 不限时的表情命名的任务中，述情障碍组与非述情 障碍组的表现没有差异，或者说两组的表现一样 好［４】。根据Ｍａｒｔｉｎ等人的观点：述情障碍个体对情 绪刺激的评估以其不完整的、不一致的认知模式为 根据，这将导致个体对情绪信息的意义不明确、评估 不充分、不准确，而这又会进一步使个体回避情绪刺 激。之所以本研究与前人一部分的研究结果不一 致。也许是因为述情障碍个体并不是意识不到情绪
CAS-PEAL大规模中国人脸图像数据库及其基本评测介绍
第17卷第1期2005年1月计算机辅助设计与图形学学报J OURNAL O F COM PUTER -A I DED DES I GN S COM PUTER GRA PH I CSV o l.17，N o.1Jan.，2005收稿日期：2004-05-10；修回日期：2004-09-06基金项目：国家“八六三”高技术研究发展计划项目（2001AA 114010）；国家自然科学基金重点项目（60332010）CAS -PEAL 大规模中国人脸图像数据库及其基本评测介绍张晓华山世光曹波高文周德龙赵德斌（中国科学院计算技术研究所数字化研究室北京100080）（s g shan !ict.ac.c m ）摘要人脸图像数据库是人脸识别算法研究、开发、评测的基础，具有重要的意义.介绍了自行创建并已经部分共享的CA S -PEAL 大规模中国人脸图像数据库及其基准测试结果.CA S -PEAL 人脸图像数据库中包含了1040名中国人共99450幅头肩部图像.所有图像在专门的采集环境中采集，涵盖了姿态、表情、饰物和光照4种主要变化条件，部分人脸图像具有背景、距离和时间跨度的变化.目前该人脸图像数据库的标准训练、测试子库已经公开发布.与其他已经公开发布的人脸图像数据库相比，CA S -PEAL 人脸图像数据库在人数、图像变化条件等方面具有综合优势，将对人脸识别算法的研究、评测产生积极的影响.同时，作为以东方人为主的人脸图像数据库，CA S -PEAL 人脸图像数据库也使人脸识别算法在不同人种之间的比较成为可能，利于人脸识别算法在国内的实用化.还给出了两种基准人脸识别算法（E i g enf ace 和C orre lation ）和两个著名商业系统在该人脸图像数据库上的测试结果，定量分析了该人脸图像数据库对于人脸识别算法的难易程度和人脸识别算法的发展现状.关键词人脸识别；人脸图像数据库；性能评测中图法分类号T P391CAS -PEAL ：A Lar g e-Scale Chi nese face database and Som e Pri m ar y Eval uationsZhan g X iaohuaS han S hi g uan gC ao B oG ao W enZhou D elon gZhao D ebi n（D i g it al l ab ，I nstit ute o f C o m P utin g T echnolo gy ，C hinese a cade m y o f S ciences ，B ei j in g100080）AbstractA s t he basis o f research ，develo p m ent and evaluation o f f ace reco g nition al g orit h m s ，f ace i m a g e database is o f g reat i m p ortance.I n t his p a p er ，w e i ntroduce t he construction and basic content o f t he CA S -PEAL ，lar g e-scale Chi nese f ace database and som e p ri m ar y eval uation results based on t he database.T he CA S -PEAL f ace database consists o f 99450f acial i m a g es o f 1040Chi nese i ndi vi duals.A ll t he i m a g es i n t he database w ere co llected i n s p eciall y desi g ned environ m ent w it h f our p ri nci p al variations o f p ose ，ex p ression ，accessor y and li g hti n g ，as w ell as t hree ot her variations i n ter m s o f back g round ，distance and a g i n g .C urrentl y ，t he standard trai ni n g set and p robe set o f CA S -PEAL f ace database have been m ade p ublicl y available f or research p ur p ose onl y on a case-b y -case basis.C om p ared w it h ot her p ublic f ace databases ，CA S -PEAL excels i n its lar g e-scale and variation m odes and is ex p ected to have p ositi ve i m p act on t he develo p m ent and eval uation o f f ace reco g nition al g orit h m s.I n addition ，as an oriental f ace i m a g e database ，CA S -PEAL m akes p ossi ble t he com p arison o f al g orit h m s ’p erf or m ance bet w een diff erent et hnic g rou p s and w ill benefit t he a pp lication o f f ace reco g nition techno lo gy i n Chi na.T his p a p er also g i ves t he evaluation results o f t w o basic f ace reco g nition al g orit h m s （E i g enf ace and C orrelation ）and t w o comm ercial s y ste m s ，ex p lai ns t he difficult y o f t he database to t he f ace reco g nition al g orit h m s and anal y ses t he current develo p m ent stat us o f f ace reco g nition techno lo gy .K e y words f ace reco g nition ；f ace database ；p !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!erf or m ance evaluation!引言人脸识别的研究工作自20世纪60年代开始以来，经历了近40年的发展，已成为图像分析和理解领域最热门的研究内容之一［1］.目前，人脸识别技术已经从实验室中的原型系统逐渐走向了商用，出现大量的识别算法和若干商业系统［1-3］.然而，人脸识别的研究仍旧面临着巨大的挑战，人脸图像中姿态、光照、表情、饰物、背景、时间跨度等因素的变化对人脸识别算法的鲁棒性有着负面的影响，一直是影响人脸识别技术进一步实用化的主要障碍［2-3］.多数人脸识别算法的研究、开发和测试需要更多的人脸图像来克服上述障碍，主要包括两方面：人脸图像数据库（简称人脸库）所包含的人数以及人脸库中每个人所具有的、在不同条件下的人脸图像数.目前，人脸识别领域常用的人脸库主要有：（1）FERET人脸库［2］.由FERET项目创建，包含14051幅多姿态、光照的灰度人脸图像，是人脸识别领域应用最广泛的数据库之一.其中的多数人脸图像是西方人的，每个人所包含的人脸图像的变化比较单一.（2）M I T人脸库［4］.由麻省理工大学媒体实验室创建，包含16位志愿者的2592幅不同姿态、光照和大小的面部图像.（3）Y ale人脸库［5］.由耶鲁大学计算视觉与控制中心创建，包含15位志愿者的165幅图像，包含光照、表情和姿态的变化.（4）Y ale人脸库B［6］.包含了10个人的5850幅多姿态、多光照的图像.其中姿态和光照变化的图像都是在严格控制的条件下采集的，主要用于光照和姿态问题的建模与分析.由于采集人数较少，该数据库的进一步应用受到了比较大的限制.（5）P I E人脸库［7］.由美国卡耐基梅隆大学创建，包含68位志愿者的41368幅多姿态、光照和表情的面部图像.其中的姿态和光照变化图像也是在严格控制的条件下采集的，目前已经逐渐成为人脸识别领域的一个重要的测试集合.（6）ORL人脸库［8］.由剑桥大学AT&T实验室创建，包含40人共400幅面部图像，部分志愿者的图像包括了姿态、表情和面部饰物的变化.该人脸库在人脸识别研究的早期经常被人们采用，但由于其变化模式较少，多数系统的识别率均可以达到90%以上，因此进一步利用的价值已经不大.（7）PF01人脸库［9］.由韩国浦项科技大学创建，包含103人的1751幅不同光照、姿态、表情的面部图像，志愿者以韩国人为主.（8）AR人脸库［10］.由西班牙巴塞罗那计算机视觉中心建立，包含116人的3288幅图像.采集环境中的摄像机参数、光照环境、摄像机距离等都是经过严格控制的.（9）BANCA人脸库［11］.它是欧洲BANCA计划的一部分，包含了208人、每人12幅不同时间段的面部图像.（10）KFDB人脸库［12］.包含了1000人，共52000幅多姿态、多光照、多表情的面部图像，其中姿态和光照变化的图像是在严格控制的条件下采集的.其志愿者以韩国人为主.（11）M P I人脸库［13］.包含了200人的头部3D结构数据和1400幅多姿态的人脸图像.（12）XM2VT S人脸库［14］.包含了295人在4个不同时间段的图像和语音视频片断.在每个时间段，每人被记录了2个头部旋转的视频片断和6个语音视频片断.此外，其中的293人的3D模型也可得到.人脸库在提供标准的人脸图像训练、测试集合的同时，还应该能对影响人脸识别性能的不同情况进行模拟，以方便研究人员针对不同的关键问题进行重点研究.但是，现有的人脸库大多存在数据量较小或者图像变化情况比较单一的缺陷，而且提供面部图像的志愿者多为西方人；由于东西方人在面部特征上存在一定的差异，使用西方人的面部图像进行识别系统的研究可能会给我们所开发的技术在国内的应用带来不利因素.因此，建立一个大规模、多样化的东方人脸库对国内人脸识别技术的发展将会有极大的推动作用.CA S-PEAL人脸库正是基于上述考虑而创建的大规模、多变化的东方人脸库.该数据库的建立是国家“八六三”高技术研究发展计划项目课题———“中文平台总体技术研究与基础数据库建设”的一部分，同时得到国家自然科学基金和国家“八六三”高技术研究发展计划的资助，由中国科学院计算技术研究所-银晨科技面像识别联合实验室负责建立.建库工作开始于2002年8月，2003年4月最终完成，01计算机辅助设计与图形学学报2005年共采集并整理了1040位志愿者（其中595位男性，445位女性）的共99450幅人脸图像.CA S -PEAL 人脸库中的所有图像分为姿态变化、表情变化、饰物变化、光照变化、背景变化、距离变化和时间跨度变化等7种变化模式子库，其中又以姿态（p ose ）、表情（ex p ression ）、饰物（accessor y ）和光照（li g hti n g ）4种变化为主（故简称为PEAL ）.各个变化模式子库均可以与姿态变化子库进行组合，以满足研究工作中的不同要求.本文将从采集环境、变化模式两个方面介绍CA S -PEAL 人脸库，并结合几种人脸识别算法和商业系统在该数据库已经发布的基准训练、测试子库上的测试结果，进一步说明CA S -PEAL 人脸库用于人脸识别系统性能评测的难易程度，并简要分析了目前最好的人脸识别算法的性能.2C A S -P E A L 人脸库采集环境采集环境是建立人脸库所需要的基本硬件条件，包括摄像头和控制设备的布局、光照环境的建立等.这些硬件的组织和应用将直接影响人脸库的特性和质量.在建立CA S -PEAL 人脸库之前，我们对采集环境进行了认真设计，以求在现有的硬件条件下达到最佳的采集效果.CA S -PEAL 人脸库的采集环境主要具有了以下几个特点.图1摄像头在水平面上的排列（1）多角度摄像头图像采集系统为获得多角度的人脸面部图像，我们采用了多摄像头的采集系统布局.编号从0! 的9个摄像头在半圆形框架上成等角度分布，摄像头分布示意图如图1所示.被采集对象位于半圆形摄影架的圆心位置，调整椅子高度以使被采集人正对!4摄像头.9个摄像头通过 S 连接线连接到PC 机，由程序统一控制9个摄像头进行拍摄.每次拍摄时，0! 号摄像头依次抓取图像（总耗时小于 s ），并按照统一的命名规则保存.多摄像头同时拍摄获取多角度图像的方法，与使用单个摄像头拍摄而由被采集者转动头部获取多角度图像的方法相比，很好地控制了图像之间的角度变化，能保持角度间隔的一致性，更有利于研究多视角人脸识别问题.（）多光源分布环境为获得一致均匀的自然环境光，同时也为了便于控制，我们完全遮挡了室外光线，用太阳灯照射粗糙的白色墙壁，利用其反射光来模拟自然环境光照，模拟自然环境光的光源叫作环境光源.为了获取不同光照条件下的面部图像，我们在 个垂直方向（上、中、下）和每个垂直方向的5个水平方向上共布置了15个光源，并按照光源所处的垂直和水平位置分别对每个光源进行了编号.由于这15个光源对被拍摄者的面部来说都具有很强的方向性，因此我们称这15个光源为方向光源.方向光源的分布示意图如图 所示.图 光照设备布局在多光照模式的拍摄过程中，首先关闭所有光源，每次只打开1个方向光源进行拍摄.每次变换方向光，9个摄像头都同时工作，采集9幅不同角度的面部图像.多光源分布环境结合多角度的摄像头系统，使得我们的光照变化图像更加丰富，有利于研究者研究多光照条件下的人脸识别问题.（ ）多饰物选择我们预备了 种不同样式的眼镜和 种不同样式的帽子，要求被采集者依次佩戴这 种饰物进行拍摄.每次更换饰物，9个摄像头均同时工作拍摄不同视角的图像.111期张晓华等：CA S -PEAL 大规模中国人脸图像数据库及其基本评测介绍（4）背景变化很多情况下，进行人脸识别时所用的摄像头被打开了自动白平衡功能.在遇到背景颜色变化的情况时，由于摄像头的白平衡功能，所摄取的图像会有较大的色彩变化.因此，我们在采集环境中设置了5种不同颜色的背景，默认的拍摄背景为蓝色；此外，在红色、黑色、黄色、白色背景条件下各进行了一次环境光照模式的图像拍摄.在多光照模式的拍摄情况下，我们也采用了白色背景.同样地，每次变换背景，9个摄像头同时拍摄不同视角图像.3C A S-P E A L人脸库图像变化模式介绍CA S-PEAL人脸库中总共包括1040人，99450幅人脸图像，这些图像可以划分为姿态、表情、背景、饰物、光照、距离和时间等7个子库.（1）姿态子库在环境光照模式下，要求志愿者变换平视、抬头、低头3种姿态分别进行拍摄，每次变换俯仰姿态时，多角度摄像头系统一次拍摄，可同时获得同一俯仰姿态下的、9幅水平深度旋转姿态变化的图像.因此，姿态子库中的每个志愿者有27幅环境光照模式下的标准姿态变化图像.姿态变化图像示例如图3所示.（2）表情子库环境光照模式下，要求志愿者做出笑、皱眉、惊讶、闭眼、张嘴5种表情，这5种都是造成面部特征变化比较大的表情，有利于研究人脸识别算法对表情变化的鲁棒性.表情子库的示例如图4所示.（3）饰物子库环境光照模式下，志愿者佩戴3种不同的帽子和3种不同的眼镜，如图5所示.图3每人的27幅姿态变化图像图4表情子库中5种不同的表情图5饰物子库中的3种帽子、3种眼镜饰物（4）光照子库采集光照子库图像时，环境光源关闭，每次打开一个方向光源进行图像采集，如图6所示.（5）背景子库5种不同的背景颜色包括蓝色、红色、黑色、白色和黄色.环境光照模式下，由于摄像头的白平衡功能，面部图像的色彩分布在每种背景颜色条件下均有不同，如图7所示.（6）距离子库环境光照模式下，改变志愿者与摄像头的相对距离，获取到距离子库中每个志愿者的3种不同距离的面部图像，其示例如图8所示.（7）时间跨度子库随着时间的改变，人的面部特征会有一定的变21计算机辅助设计与图形学学报2005年化.在我们的人脸库中，引入了时间跨度子库，子库中的志愿者图像距离他们第一次被采集的图像有6个月的时间跨度，其图像示例如图9所示.图6光照子库中的15种方向光图7背景子库中的蓝、红、黑、白、黄色5种背景图8距离子库中3种不同的距离下的图像图9时间跨度子库，第二行的图像为第一次采集6个月后再次拍摄的图像4CAS-PEAL-rl共享人脸库为了方便国内外人脸识别领域的研究者使用CA S-PEAL人脸库，我们提供了CA S-PEAL人脸库的共享版本CA S-PEAL-r1［15］.CA S-PEAL-r1共享库包含1040人的30900幅图像，分为两个子库：正面图像子库和姿态图像子库.正面图像子库中包含1040人的共9060幅图像，其中的所有图像均由编号为!4的摄像头拍摄.子库中涉及的变化条件如表1所示，其中，377人有6种表情变化的图像，438人有6种面部饰物变化的图像，233人有至少9种光照变化的图像，297人有2!4种背景变化的图像，296人有1!2种距离变化的图像；此外，还有66人有2幅时间跨度变化的图像.表l CA S-PEAL-r l的正面图像子库和姿态子库的图像情况变化种类人数图像数目正面子库标准110401040表情5!3771884光照"92332450饰物64382646背景2!4297650距离1!2296324时间1!6666正面子库图像总数9060姿态子库21（3>7）104021840姿态子库图像总数21840!中性表情的标准正面图像没有包括在内311期张晓华等：CA S-PEAL大规模中国人脸图像数据库及其基本评测介绍姿态图像子库中包含1040人的共21840幅图像，每人21幅姿态变化的图像.姿态变化包括了3种俯仰姿态变化（抬头、平视、低头）和每种俯仰姿态下的7种水平深度旋转姿态变化.CA S-PEAL人脸库中的原图像为640>480像素，24位RGB色彩的BM P位图图像.为了方便图像的发布和共享，CA S-PEAL-R1库中的图像全部在原图像的基础上进行了处理.图像大小被裁剪为360>480像素，并去除了颜色信息转换为灰度图像，图像格式为BM P位图格式.这样，整个CA S-PEAL-R1库的数据量为5GB左右，其图像示例如图10!11所示.图10CA S-PEAL-R1正面图像子库中的图像示例图11CA S-PEAL-R1姿态图像子库中的图像示例5CAS-PEAL-rl建议评测协议人脸识别系统的评测工作的目的是为了评价各个识别系统的性能差距，并指导人脸识别领域未来的研究方向.要达到这个目的，评测方法的设计尤为重要.科学的评测方法应该能够解决著名的“三熊问题”（T hree bears p rob lem）［2］，即对所有待测算法或系统来说，评测不能太难，以致超出了现有系统的识别能力；也不能太简单，使得对所有系统的测试结果都非常好.要解决“三熊问题”，就需要仔细地选择数据库并合理地制定评测协议.本节主要介绍我们建议的基于CA S-PEA L-R1的评测协议，包括标准训练、测试集合划分和评测性能指标等方面的内容.5.l CAS-PEAL-rl标准训练、测试集合划分根据待测试算法的特性，我们从CA S-PEAL-R1库中整理出了三个大的集合，分别作为训练集合（trai ni n g set）、原型图像集合（g aller y）和测试集合（p robe set）.训练集合.除了模板匹配等少数简单算法，多数人脸识别算法都是需要进行训练的.因此，我们从正面子库中随机选择300人，每人随机选择4幅正面图像，共1200幅图像构成训练集.原型图像集合.提供给算法为待识别人员建立识别原型的图像子集，包含1040人，每人1幅标准正面图像（正面平视，环境光照，中性表情，无饰物）；测试集合.提供给算法进行识别测试的图像子集.对于正面子库，测试集包括除去训练集和原型集以外余下的6992幅图像，分为表情变化、光照变化、饰物变化、背景变化、距离变化和时间跨度变化6个子集；对于姿态子库，测试集包括除去原型集中图像外的、水平深度姿态旋转在 30 以内的共21840幅姿态变化图像，分为低头、平视、抬头3个子集.考虑到算法泛化能力（也称推广能力）的问题，严格地讲，训练集合中的图像与测试集合和原型集合中的图像乃至人物应该是不能有重叠的.考虑到降低问题的难度，参照FERET的做法，我们的原型集合与训练集合中的图像有部分重复.而测试集合中的图像则与训练集合和原型集合中的图像都是严格没有重复的.上述3个子集的图像示例如图12! 15所示.图14测试集中的正面图像示例图12训练集中的图像示例图13原型集中的图像示例41计算机辅助设计与图形学学报2005年图15测试集中的姿态图像示例5.2算法性能测试指标在FERET 和FRVT 测试中，对测试结果的表示有比较详细说明［2-3］.常用的表示不同系统间测试结果的方法有CM C （C lm l lative M atch C haracteristic ）曲线和ROC （R eciei ver O p eration Characteristic ）曲线.在我们的测试中，为了更方便、直观地表现各个系统在不同测试集合上的识别性能，仅选择了各个系统在每个测试集合上的首选识别率进行比较，并将测试结果综合到一个首选识别率柱状图中进行直观的对比.6CAS -PEAL -rl 上的基本评测情况6.l特征脸（E i g enface ）算法和模板匹配（C o rre la tion ）算法的评测设计E i g enf ace 算法和C orrelation 算法是人脸识别领域的两个基准算法，通过对这两个算法的测试，有助于检验CA S -PEAL 人脸库的基本难易程度.为了有效地去除背景、头发等因素的影响，我们把测试集中的图像根据双眼中心坐标位置进行了几何归一化处理，每幅人脸图像被裁剪并缩放到32>32像素大小.此外，为了进一步去除背景信息，我们在人脸上覆盖了一个掩模，使得每幅图像只包含了人脸内部特征区域，其最终的效果如图16!19所示.本文实验中的E i g enf ace 算法和C orrelation 算法都是在这样的图像基础上进行测试的.图18测试集合中正面图像示例（32>32）图16训练集合中图像示例（32>32）图17原型集合中的图像示例（32>32）图19测试集合中姿态图像示例（32>32）对于C o rre lation 算法，我们采用归一化的相关量计算方法来计算图像之间的相似度.对于E i g en face算法，其PCA （P ri nci p al C om p one m ent A nal y sis ）变换矩阵是对CA S -PEAL -R1训练集中所有的1200幅图像进行特征值分解得到的，综合考虑计算速度和识别效果，我们的测试中所保留的主成分特征维数为600.6.2对商业系统的测试我们还同时对两个国外最优秀的商业人脸识别系统在CA S -PEAL -R1上的性能进行了初步评测（由于种种原因，我们不能公开这两个商业系统的名字，仅用系统!和系统"来分别表示）.这两个系统的性能在已有的人脸识别商业系统中被认为是最好的，通过对这两个系统的评测，可以知道CA S -PEAL 人脸库和本文的测试方法对现有商业系统的难易度，同时可以发现更多值得进一步研究的课题方向和关键问题.系统!和系统"对测试图像的大小并没有特别要求，因此我们在测试过程中直接使用CA S -PEAL -R1库中的360>480像素大小的图像.两个系统的工作过程如下：S te p 1.依次读入原型集中的人脸图像和每个人脸图像的双眼位置坐标，建立每个人的原型模板.S te p 2.读入待识别图像#$，自动地在#$中检测人脸的位置并建立待识别模板，将待识别模板与原型模板进行比较，输出#$与每个原型的相似度，并最终通过相似度的排序来完成整个识别过程.6.3测试结果及分析我们将E i g enf ace 算法、C orrelation 算法、系统!和系统"的测试结果综合到一起，取测试结果的首选识别率进行比较，结果如图20，21所示.从E i g enf ace 算法和C orrelation 算法的测试结果不难看出，在正面子库上，E i g enf ace 和C orrelation 两种算法除了在背景和距离两个子集上达到或接近了80%的识别率之外，在表情子集上，两种算法的识别率不到60%，时间跨度子集上识别率不到50%，饰物子集上识别率不到40%，而光照子集上识别率还不到10%；在姿态子库上，两个算法对平视姿态变化的识别率都不到40%，而对俯仰姿态变化的识别率都不到10%.测试结果说明，E i g enf ace 算法和C orrelation 两个基准算法均不能很好地解决饰物、511期张晓华等：CA S -PEAL 大规模中国人脸图像数据库及其基本评测介绍表情、光照、时间跨度和姿态变化情况下的识别问题；对于背景和距离变化的情况，即使对图像事先进行了几何归一化处理和添加掩模，E i g enf ace算法和C orrelation算法的识别效果依然不能让人满意.图20CA S-PEAL-R1正面子库上的测试结果图21CA S-PEAL-R1姿态子库上的测试结果对商业系统的测试结果显示，在我们的6个测试子集中，表现最佳的系统B对表情、背景、距离和时间跨度几种变化的识别率已经接近100%，对饰物变化的识别率也已经超过80%.系统A尽管在饰物子集上的表现比较差，但在背景、表情和距离子集上的性能与系统B也差别不大.我们也看到，对正面子库中光照变化图像的识别率，表现最佳的系统B仍然达不到40%，系统A只有10%多一点.在姿态子库中，平视状态下水平姿态变化识别率最高只有60%，俯仰状态下的姿态变化识别率最高也仅40%上下.这些结果表明，优秀的商业系统尽管对环境光照模式下的正面图像的饰物、表情、背景、距离等变化情况已经能够较好地解决识别问题，但是对复杂光照和较大范围的姿态变化，其识别性能依然差强人意.由测试结果可以看出，在CA S-PEAL人脸库中，人脸识别的商业系统对于正面图像的表情、饰物、背景和距离等变化已经表现出了较强的鲁棒性，综合性能已经远远超出了基准的识别算法.但是，商业系统在光照和姿态子集上较差的性能也表明，如何提高光照变化条件下的正面图像识别率和姿态变化条件下的识别率，以及如何进一步提高光照与姿态组合变化条件下的识别率，这些问题还没有得到很好的解决，这将是今后人脸识别研究需要重点关注的问题.!总结及未来工作本文介绍了我们建立的CA S-PEAL人脸库的采集平台、创建过程和覆盖的图像变化条件.它提供了一个大型的、多样化的人脸图像数据资源，在一定程度上弥补了国内在大规模人脸数据库方面的不足.我们测试了E i g enf ace和C orrelation两种基准算法，以及两种商业系统在已经共享的CA S-PEAL-R1人脸库上的性能.结果表明：（1）E i g en face和C o rre lation算法在CA S-PEA L-R1人脸库上的识别性能非常差，这说明该人脸库具备了一定的难度；（2）两个最著名商业系统的识别性能远远高于基准算法，尤其是对表情、背景、距离变化的情况，取得了接近100%的正确识别率，这说明目前的人脸识别方法对于这些变化已经具备了良好的适应能力，而对饰物变化的鲁棒性还需要进一步的加强；（3）两个最著名的商业系统对光照、姿态变化的识别性能很不理想，这说明光照和姿态变化问题是人脸识别领域需要进一步研究的关键性问题；（4）光照和姿态两个子集不仅对于基准算法，而且对于优秀的商业系统也表现出了较大的难度，提供了一个光照和姿态变化的人脸图像数据平台，有望在今后对这两个方面的研究中得到进一步的应用.参考文献［1］Che lla pp a R，W ilson C L，S irohe y S.H u m an and m ach i ne reco g n ition of f aces：A surve y［J］.P roceed i n g s o f t he I EEE，1995，83（5）：704!741［2］Ph illi p s P Johnat hon，M oon H，R iZvi S y ed A，G IO I.T he FERET evaluation m et hodo lo gy f or f ace-reco g n ition al g orit h m s［J］.I EEE T ransactions on Pattern A nal y s is and M ach i neInte lli g ence，2000，22（10）：1090!110461计算机辅助设计与图形学学报2005年。
面部表情控制对情绪面孔识别的影响
面部表情控制对情绪面孔识别的影响
具身情绪观认为情绪是基于身体加工的,受到身体构造、身体活动、身体的感知觉及其经验的影响,而面部表情作为最常见的外显情绪表征,因此研究面部表情识别的影响因素,从而促进他人情绪的理解,对个体适应社会生活具有重要意义。
本研究在前人有关情绪具身性研究的基础上,探讨面部表情控制对情绪面孔图片识别的影响。
针对情绪面孔图片识别的情绪一致性效应、局部线索效应以及面部模仿效应,设计了实验一、实验二和实验三。
实验一和实验二的研究目的是探究具身行为下的情绪一致性效应。
所采用的实验材料为中国化面孔情绪图片系统,被试为60名重庆师范大学本科生和研究生,将被试分为积极具身行为组和消极具身行为组,通过积极与消极的面部肌肉控制方式引发相对应的具身情绪,并采用识别-判断范式让被试对情绪面孔图片进行识别和判断,研究面部表情控制下个体对情绪面孔图片识别的反应时和正确率。
实验三在实验一和实验二的基础上进行,继续探讨具身情绪下对面孔图片识别的干扰因素。
呈现材料来自中国化面孔情绪图片,将面孔图片分为上半部(眼部)以及下半部(嘴部),采用识别判断范式,考察具身情绪下,局部线索及面部模仿效应对情绪面孔识别的影响。
结论:(1)面部肌肉控制能够有效诱发被试情绪;(2)积极具身行为状态比消极具身行为状态,识别正性面孔图片更快,识别消极面孔图片更慢;(3)消极具身行为状态比积极具身行为状态,识别消极情绪更快,识别积极情绪更慢。
(4)识别正性面孔图片时,嘴部线索作用更大;识别负性图片时,眼部线索作用更大;(5)具身情绪下识别情绪面孔图片会受到面部模仿效应和局部线索的影
响。
国际情绪图片系统在中国的试用研究
国际情绪图片系统在中国的试用研究一、概述情绪，作为人类复杂心理活动的重要组成部分，对于个体的认知、决策以及社会交往等方面都具有深远的影响。
随着神经科学、心理学以及人工智能等领域的飞速发展，情绪识别与表达的研究逐渐成为跨学科的研究热点。
在这一背景下，《国际情绪图片系统》（International Affective Picture System，IAPS）作为一种标准化的情绪刺激材料库，以其丰富的图片资源和科学的评定标准，为情绪研究提供了有力的工具。
《国际情绪图片系统》自问世以来，已经在全球范围内得到了广泛的应用。
在中国这一具有独特文化背景和社会环境的国家中，其适用性仍需进一步探讨。
本文旨在探讨《国际情绪图片系统》在中国文化背景下的试用情况，以期为我国的情绪研究提供更为适合的刺激材料。
具体而言，本研究将首先介绍《国际情绪图片系统》的基本情况，包括其发展历程、图片资源的构成以及评定标准等。
结合中国文化和社会环境的特点，分析该系统在中国试用时可能面临的挑战和问题。
接着，通过实证研究，评估该系统在中国被试中的情绪诱发效果，以及被试对图片的情绪评价和认知反应。
根据研究结果，提出《国际情绪图片系统》在中国应用时的改进建议，以期为我国情绪研究提供更加科学、有效的工具。
1. 介绍情绪研究的重要性和现实意义。
在日常生活和工作中，情绪的影响无处不在，它深刻地塑造着我们的思维、决策和行为。
对情绪进行深入研究，了解情绪的产生、发展和影响机制，具有重要的理论和现实意义。
国际情绪图片系统（International Affective Picture System，IAPS）作为一种标准化的情绪刺激材料库，为情绪研究提供了便捷且有效的工具。
该系统包含了大量经过严格筛选和标准化的情绪图片，这些图片能够引发特定的情绪反应，使得研究者能够对情绪进行量化分析。
在中国，随着心理学、神经科学等学科的快速发展，国际情绪图片系统的试用研究逐渐受到重视。
中美两国6种基本面部表情识别的跨文化研究分析报告
中美两国6种基本面部表情识别的跨文化研究(汤艳清，欧凤荣，吴枫，孔令韬)1.问题的提出本研究采用美国宾夕法尼亚大学情绪识别测验（The Penn Emotion Recognition Test ）系统中96 张情绪面部表情高低程度不同的三维彩色照片，分别对中美两国健康成年人对愉快、愤怒、恐惧、悲伤、厌恶和中性6 种情绪面部表情的识别率进行跨文化研究，以帮助我们修正对不同文化背景下人类情绪行为的理解，促使我们更进一步地探讨情绪面部表情产生的神经生物学基础。
2.实验设计受试者: 82名来自中国医科大学的健康志愿者，男40人，女42人，年龄21.2（17~43）岁，受教育年限13.2（8~25）年；61名来自美国宾夕法尼亚大学的健康志愿者，其中男29人，女32人，年龄19.5（17~27）岁，受教育年限12.8（9~22）年。
接受测试前告知实验的目的和方法。
入组标准: 所有受试者均采用DSM-Ⅳ-TR轴Ⅰ障碍定式临床检查（非患者版）（SCID-1/NP）进行评估。
排除精神分裂症、抑郁症、物质依赖等精神疾病患者，排除患有可能影响脑功能的躯体疾病患者，排除有精神分裂症和情感障碍家族史者。
所有受试者双眼裸视或矫正视力正常。
3.实验方法1).地点：安静、光线适宜的房间内进行。
2).实验准备：将3张A4情绪面孔识别测试答题纸发给受试者，告知受试者有6种情绪面孔图片，请受试者在相应图片序号对应的情绪面部表情空格内打“√”，正式测试开始前用10张图片进行练习。
根据随机数字表随机排列答题纸上的6种面部表情和96张三维彩色情绪面孔图片，以消除面部表情识别的前摄抑制和后摄抑制备注:宾夕法尼亚大学情绪识别测试系统有96张彩色照片，其中愉快、悲伤、愤怒、恐惧、厌恶和中性照片各16张，每种表情有8张高强度情绪面部表情和8张低强度情绪面部表情；96张照片中男、女各半，其中59张为高加索（白种人）面孔、24张为非裔美国人面孔、5张为亚洲人面孔、8张为西班牙人面孔。
FaceReader 7.0对国内常见表情图片库识别的有效性研究
FaceReader 7.0对国内常见表情图片库识别的有效性研究作者：施聪莺李晶来源：《心理技术与应用》2018年第02期摘要研究采用FaceReader 7.0版本，对国内常见面部表情图片库进行了识别分析。
结果发现：（1）软件对USTC-NVIE图片库420张人为表情图片的识别率为58.0%（其中不戴眼镜的面部表情图片识别率可达64.0%，戴眼镜的图片识别率为51.9%）；（2）对CFAPS图片库840张图片的识别率为48.1%。
结论：软件对国内常见面部表情图片库的识别有效性尚可，对“高兴”、“惊奇”和“中性”情绪表现出较好的识别率，但其对“生气”、“害怕”以及戴眼镜面部表情图片的识别率还有待进一步提高。
因此相关研究者在进行较为重要或精确的研究时应该注意到这一问题，必要时进行人工校对，以免影响研究结果。
关键词 FaceReader；USTC-NVIE；CFAPS；面部表情；表情识别分类号 B841DOI： 10.16842/ki.issn2095-5588.2018.02.0051 引言人类在交往过程中，主要通过语言、声音、动作和面部表情等方式传递情感，研究表明其中“面部表情”传递的信息量最大，Mehrabian（1968）曾经提出：感情表露=7%的语言+38%的声音+55%的面部表情。
随着计算机技术的快速发展，不少研究者关注情绪自动识别技术，并通过面部表情、身体行为、语音信号分析法和生理信号测试法等方法识别情绪，其中传递情绪信息量最大的“面部表情”识别引起了研究者的极大兴趣。
Ekman和Friesen（1976）通过观察和生物反馈，描绘出了不同的脸部肌肉动作和不同表情的对应关系，并提出了面部行为编码系统（Facial Action Coding System，FACS）。
FACS系统将人脸表情分为“高兴”、“惊奇”、“害怕”、“悲伤”、“生气”和“厌恶”6种，它是面部表情肌肉运动的权威参照标准。
中国情绪图片系统的编制在46名中的试用
中国情绪图片系统的编制在46名中的试用一、概述情绪是人类内心体验的重要组成部分，它涉及个体对外部环境的感知、理解和反应。
在中国文化中，情绪的表达和理解方式具有独特的内涵和特点。
为了更好地研究和应用中国情绪，我们开发了一套符合中国文化特点的情绪图片系统，即《中国情绪图片系统》（Chinese Emotion Picture System，简称CEPS）。
该系统旨在通过标准化的图片刺激，引发和评估被试者的情绪反应，从而为情绪研究、心理咨询、心理治疗等领域提供有力工具。
在本文中，我们将详细介绍《中国情绪图片系统》的编制过程，并报告其在46名被试者中的试用情况。
通过这一研究，我们期望能够验证CEPS的有效性和可靠性，探讨其在中国文化背景下的适用性，并为未来的情绪研究提供有益的参考。
在接下来的章节中，我们将首先介绍CEPS的编制方法和过程，包括图片的选择、情绪类别的确定、标准化处理等方面。
我们将详细描述46名被试者的试用情况，包括被试者的基本情况、实验过程、数据分析方法以及结果呈现。
我们将对CEPS的试用结果进行讨论和总结，分析其在情绪研究中的应用前景和潜在改进方向。
1. 简述情绪研究的重要性和意义情绪研究的重要性和意义不容忽视。
情绪是人类内心体验的核心组成部分，它深刻影响着我们的认知、决策、行为以及身心健康。
对情绪进行深入研究不仅有助于理解人类内心的复杂世界，也对提高人类生活质量和解决社会问题具有重要意义。
情绪研究对于理解人类行为和心理过程至关重要。
情绪是人类行为的重要驱动力，它影响着我们的决策、学习和社交互动。
通过对情绪的研究，我们可以更深入地了解人类行为背后的心理机制，从而更准确地预测和解释人类行为。
情绪研究在心理健康领域具有重要意义。
许多心理疾病，如抑郁症、焦虑症等，都与情绪调节失衡密切相关。
通过对情绪的研究，我们可以更好地理解这些心理疾病的发病机制，为心理治疗和药物研发提供科学依据。
情绪研究也对提高人类生活质量具有积极作用。
面部情绪识别实验报告(3篇)
第1篇一、实验背景与目的随着计算机视觉和人工智能技术的快速发展，面部情绪识别技术在心理学、人机交互、人机通信等领域得到了广泛应用。
本实验旨在探究面部情绪识别的有效性，通过分析实验数据，评估不同情绪识别方法的性能，为实际应用提供理论依据。
二、实验方法1. 实验材料：实验材料包括100张真实面部表情图片，其中包含基本情绪（高兴、愤怒、惊讶、害怕、悲伤、厌恶、轻蔑）和高级情绪（沉浸程度、心理效价）。
2. 实验设备：实验设备包括一台高性能计算机、高清摄像头、眼动仪等。
3. 实验步骤：（1）参与者观看实验材料，并记录下自己对每张图片的情绪识别结果。
（2）参与者通过眼动仪观察每张图片，眼动数据用于后续分析。
（3）对参与者情绪识别结果和眼动数据进行统计分析。
三、实验结果与分析1. 情绪识别准确率：实验结果显示，参与者在基本情绪识别方面的准确率为85%，在高级情绪识别方面的准确率为75%。
与现有文献报道的准确率相比，本实验结果较为理想。
2. 眼动数据分析：眼动数据分析表明，参与者在观察面部表情图片时，对表情的关键区域（如眼睛、嘴巴）注视时间较长，这与情绪识别过程相一致。
3. 情绪识别方法比较：本实验采用多种情绪识别方法，包括基于传统机器学习的方法和基于深度学习的方法。
实验结果表明，基于深度学习的方法在情绪识别方面具有更高的准确率。
四、实验讨论1. 情绪识别准确性：本实验结果表明，面部情绪识别具有较高的准确性，这与现有研究结论相一致。
然而，不同情绪类型的识别准确率存在差异，这可能受情绪表达的复杂性和多样性影响。
2. 眼动数据在情绪识别中的作用：眼动数据在情绪识别中具有重要作用，通过分析眼动数据，可以揭示情绪识别过程中的认知机制。
本实验结果表明，眼动数据与情绪识别结果具有较高的相关性。
3. 情绪识别方法的选择：本实验比较了多种情绪识别方法，结果表明，基于深度学习的方法在情绪识别方面具有更高的准确率。
这可能与深度学习模型能够有效提取面部表情特征有关。
人脸表情识别技术的使用技巧及情绪分类模型
人脸表情识别技术的使用技巧及情绪分类模型随着人工智能的不断发展，人脸表情识别技术逐渐成为了一种重要的工具。
它可以分析和识别人脸上的表情，从而了解个体的情绪状态。
这项技术在许多领域都有广泛的应用，如心理研究、广告与媒体、人机交互等。
本文将探讨人脸表情识别技术的使用技巧以及常用的情绪分类模型。
一、人脸表情识别技术的使用技巧1. 数据采集与预处理在进行表情识别之前，必须收集有效的训练数据。
通过使用高质量的摄像设备记录各种表情，并跟踪相关的情绪标签，可以得到一组丰富多样的数据。
处理这些数据时，常见的预处理方法包括面部检测（Face Detection）、关键点标记（Landmark Annotation）和数据增强（Data Augmentation）。
这些步骤有助于提高训练模型的准确性和鲁棒性。
2. 特征提取与选择特征提取是人脸表情识别技术中关键的环节。
通过提取人脸图像中的关键信息，可以更好地表达和区分不同的情绪。
常用的特征包括LBP（局部二值模式）、HOG（方向梯度直方图）和CNN（卷积神经网络）等。
根据具体任务的需求，选择合适的特征提取方法是至关重要的。
3. 模型训练与优化在得到适当的特征表示后，接下来需要选择合适的分类模型进行训练。
常见的模型包括SVM（支持向量机）、KNN（最近邻分类器）和深度学习模型等。
在模型训练过程中，需要使用合适的优化算法和评价指标不断优化模型的性能。
4. 实时应用与优化在实际应用中，人脸表情识别技术需要具备实时性和稳定性。
为了提高效率，可以通过模型压缩和加速等方法来减少计算资源的消耗。
此外，合理设置阈值和规则，以及针对具体场景的优化策略，都能够提升系统性能和用户体验。
二、情绪分类模型1. 基于规则的模型基于规则的情绪分类模型是最早使用的一种方法，它依靠预先定义的规则和逻辑来进行情绪分类。
这种模型的优点是易于理解和实现，但难以适应复杂的情感表达和不确定性。
2. 统计模型统计模型通过分析大量训练数据来学习情绪分类的概率分布模型。
中国情绪图片系统的编制--在46名中国大学生中的试用
中国情绪图片系统的编制--在46名中国大学生中的试用白露;马慧;黄宇霞;罗跃嘉
【期刊名称】《中国心理卫生杂志》
【年(卷),期】2005(019)011
【摘要】目的:建立本土化的中国情绪图片系统(CAPS)以适应情绪研究的需要.方法:筛选出852幅图片组成CAPS,46名中国大学生对CAPS图片的愉悦度、唤醒度和优势度进行了自我报告的9点量表评分.结果:在CAPS评分中,唤醒度评分结果的一致性最高,愉悦度和优势度评分结果的标准差大于唤醒度的标准差.散点图显示,CAPS在愉悦度和唤醒度上评分分布较为广泛.结论:国际情绪图片系统(IAPS)具有较好的国际通用性,但仍由于文化、个性等因素存在差异,因此编制本土化的中国情绪图片系统是有必要的.
【总页数】4页(P719-722)
【作者】白露;马慧;黄宇霞;罗跃嘉
【作者单位】中国科学院心理健康重点实验室,北京,100101;中国科学院心理健康重点实验室,北京,100101;中国科学院心理健康重点实验室,北京,100101;北京师范大学认知科学与学习国家重点实验室,北京,100875
【正文语种】中文
【中图分类】G449.9
【相关文献】
1.国际情绪图片系统在116名中国老年人中的试用 [J], 王莹;许晶;张炳蔚;冯霞
2.国际情绪图片系统在中国的试用研究 [J], 黄宇霞;罗跃嘉
3.自闭谱系系数问卷在中国大学生中的试用 [J], 林国耀
4.中国情绪调节词语库的初步编制与试用 [J], 袁加锦;张祎程;陈圣栋;罗利;茹怡珊
5.MMP1-2在中国大学生中的试用 [J], 莫文彬;张建平;宋维真
因版权原因，仅展示原文概要，查看原文内容请购买。
中国化面孔情绪图片系统说明
CHINESE FACIAL AFFECTIV E PICTURE SYSTEM
中国化面孔情绪图片系统
一、系统简介
在本系统中，共评定筛选出7种情绪类型的中国化面孔情绪图片870张，其中，愤怒74张，厌恶47张，恐惧64张，悲伤95张，惊讶150张，平静222张，高兴248张。
100名在校大学生（男女比例为1：1，平均年龄为22.6岁）对每张图片所属情绪类型进行评定，并基于评定的情绪类型对其所表达的情绪强度进行1-9的评分（1为最弱，9为最强）。
本系统中，每张图片均包含情绪类型，认同度和强度指标。
每种情绪类型下每张图片对应的认同度指标是指参评者中认为该图片属于此种情绪类型的人数占参评者总人数的百分比，本系统中所有图片的认同度指标均大于60%；每张图片对应的强度指标是指所有参评者对其所表达的情绪强度评分的平均数。
二、使用说明
系统中共有七个文件夹，分别为愤怒（1anger）,厌恶（2disguse）,恐惧（3fear）,悲伤（4sad）,惊讶（5surprise）,平静（6neutral）,
高兴（7happy），每个文件夹下分为male和female两个子文件夹，分别是该类型下的男性和女性的面孔情绪图片。
图片名称是按照情绪类型和性别的英文名称的首字母或前两个字母缩写的字母组合。
例如：AM1表示愤怒（1anger）文件夹下男性（male）子文件夹下的第一张图片;SUF19表示惊讶（5surprise)文件夹下女性（female)子文件夹下的第19张图片，以此类推。
面孔情绪图片库的初步编制及评定
面孔情绪图片库的初步编制及评定张玮娜;李文辉;蒋重清;张帆【期刊名称】《吉林省教育学院学报.学术版》【年(卷),期】2011(027)005【摘要】目的：收集、制作面孔情绪图片并对其进行多维度的评定，编制标准化的面孔情绪图片系统。
方法：征集某高校28名在校大学生对381张情绪面孔图片分别从性别、效价、类别、唤醒度四个维度进行评定。
结果：收集到381张图片分别为厌恶（5．25％）、痛苦（4．99％）、惊奇（13．12％）、自罪感（7．09％）、轻蔑（10．24％）、害羞（1．84％）、悲伤（20．47％）、恐惧（3．41％）、愤怒（11．02％）、愉快（18．64％）、复合情绪（3．94％）等11种情绪类别面孔图片；大部分图片的唤醒度在5～6分之间，其中愉快的面孔图片引起了较高的唤醒度；评分者将愉快、惊奇判定为积极情绪，将复合情绪、厌恶、愤怒、恐惧等情绪类别判定为消极情感。
结论：本研究是对情绪面孔图片库的初步编制和评定，还有很多不足需要进一步改进，以便建立更完善的情绪面孔图片系统。
【总页数】3页(P123-125)【作者】张玮娜;李文辉;蒋重清;张帆【作者单位】辽宁师范大学教育学院,辽宁大连116029【正文语种】中文【中图分类】G449【相关文献】1.情绪音乐库的初步编制与评定 [J], 李冬冬;程真波;戴瑞娜;汪芬;黄宇霞2.中国情绪影像材料库的初步编制和评定 [J], 徐鹏飞;黄宇霞;罗跃嘉3.无意识机制下情绪词DRM词表的编制和评定 [J], 许轲4.情绪音乐影像库的初步编制与评定 [J], 周欣;郑莹灿;周嘉新;吴佳怡;郑茂平5.中医肝脏象情绪评定量表的初步编制 [J], 胡随瑜;王哲;尤劲松;蔡太生;姚树桥因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中国化面孔情绪图片系统数据统计(一）愤怒编号图片性别类型认同度强度AM1MALE愤怒83.70 6.94AM2MALE愤怒88.04 6.15AM3MALE愤怒86.96 6.20AM4MALE愤怒85.877.16AM5MALE愤怒61.967.67AM6MALE愤怒92.39 5.94AM7MALE愤怒91.30 6.39AM8MALE愤怒85.877.84AM9MALE愤怒65.22 4.70 AM10MALE愤怒96.747.42 AM11MALE愤怒94.577.07 AM12MALE愤怒79.35 6.47AM13MALE愤怒67.39 4.79 AM14MALE愤怒76.09 5.01 AM15MALE愤怒60.61 4.50 AM16MALE愤怒70.71 5.26 AM17MALE愤怒87.88 6.31 AM18MALE愤怒94.957.30 AM19MALE愤怒61.62 4.28 AM20MALE愤怒89.90 5.69 AM21MALE愤怒84.85 6.63 AM22MALE愤怒66.67 4.17 AM23MALE愤怒80.81 4.83 AM24MALE愤怒83.84 5.98 AM25MALE愤怒68.69 4.94 AM26MALE愤怒76.777.17 AM27MALE愤怒75.768.11 AM28MALE愤怒79.807.34AM29MALE愤怒82.83 5.49 AM30MALE愤怒92.93 5.71 AM31MALE愤怒85.86 6.75 AM32MALE愤怒63.64 4.73 AM33MALE愤怒82.83 5.32 AM34MALE愤怒90.91 6.47 AM35MALE愤怒72.73 5.00 AM36MALE愤怒63.64 5.76 AM37MALE愤怒97.988.33 AF1FEMALE愤怒82.61 6.39 AF2FEMALE愤怒61.96 4.61 AF3FEMALE愤怒88.04 6.59 AF4FEMALE愤怒81.527.61 AF5FEMALE愤怒73.91 5.78 AF6FEMALE愤怒77.17 4.85 AF7FEMALE愤怒78.26 4.54AF8FEMALE愤怒66.30 4.75 AF9FEMALE愤怒71.74 5.30 AF10FEMALE愤怒75.00 4.91 AF11FEMALE愤怒65.66 4.78 AF12FEMALE愤怒75.76 4.72 AF13FEMALE愤怒61.62 4.51 AF14FEMALE愤怒91.92 5.02 AF15FEMALE愤怒86.87 6.73 AF16FEMALE愤怒77.78 4.94 AF17FEMALE愤怒70.71 4.40 AF18FEMALE愤怒65.66 5.35 AF19FEMALE愤怒62.63 5.21 AF20FEMALE愤怒77.787.35 AF21FEMALE愤怒85.86 5.02 AF22FEMALE愤怒81.82 4.95 AF23FEMALE愤怒81.82 5.51AF24FEMALE愤怒64.65 4.45AF25FEMALE愤怒65.66 4.72AF26FEMALE愤怒64.65 4.31AF27FEMALE愤怒87.88 6.01AF28FEMALE愤怒86.87 6.33AF29FEMALE愤怒82.83 6.06AF30FEMALE愤怒74.75 5.64AF31FEMALE愤怒71.72 4.85AF32FEMALE愤怒62.63 4.74AF33FEMALE愤怒68.69 5.13AF34FEMALE愤怒87.88 6.02AF35FEMALE愤怒70.71 5.57AF36FEMALE愤怒61.62 4.39AF37FEMALE愤怒73.74 4.85（二）厌恶编号图片性别类型认同度强度DM1MALE厌恶82.617.34 DM2MALE厌恶69.57 6.44 DM3MALE厌恶70.65 6.85 DM4MALE厌恶65.227.67 DM5MALE厌恶65.66 6.05 DM6MALE厌恶64.65 5.06 DM7MALE厌恶71.72 6.11 DM8MALE厌恶84.857.08 DM9MALE厌恶66.67 6.83 DM10MALE厌恶81.82 6.81 DM11MALE厌恶60.61 4.78 DM12MALE厌恶61.62 6.28 DM13MALE厌恶68.69 5.96 DM14MALE厌恶72.73 5.65 DM15MALE厌恶62.63 6.68 DM16MALE厌恶79.80 6.04DM17MALE厌恶66.67 6.64 DM18MALE厌恶62.63 5.24 DM19MALE厌恶61.62 5.92 DM20MALE厌恶64.65 5.80 DM21MALE厌恶73.74 6.73 DM22MALE厌恶67.68 5.88 DM23MALE厌恶63.64 6.05 DF1FEMALE厌恶79.35 6.56 DF2FEMALE厌恶89.137.65 DF3FEMALE厌恶75.00 6.87 DF4FEMALE厌恶73.91 6.65 DF5FEMALE厌恶69.57 6.80 DF6FEMALE厌恶64.13 6.58 DF7FEMALE厌恶61.96 6.32 DF8FEMALE厌恶71.74 6.94 DF9FEMALE厌恶65.227.13DF10FEMALE厌恶75.76 5.87 DF11FEMALE厌恶69.70 5.81 DF12FEMALE厌恶60.61 5.52 DF13FEMALE厌恶81.82 6.47 DF14FEMALE厌恶70.717.11 DF15FEMALE厌恶70.71 5.41 DF16FEMALE厌恶69.7 6.00 DF17FEMALE厌恶63.64 6.33 DF18FEMALE厌恶65.66 6.17 DF19FEMALE厌恶69.7 6.19 DF20FEMALE厌恶67.68 6.69 DF21FEMALE厌恶71.72 6.30 DF22FEMALE厌恶62.63 6.21 DF23FEMALE厌恶64.65 5.28 DF24FEMALE厌恶69.7 6.30 (三）恐惧编号图片性别类型认同度强度FM1MALE恐惧65.227.75 FM2MALE恐惧62.63 4.92 FM3MALE恐惧71.72 6.80 FM4MALE恐惧76.77 6.89 FM5MALE恐惧60.617.07 FM6MALE恐惧66.678.26 FM7MALE恐惧63.647.27 FM8MALE恐惧65.66 5.32 FM9MALE恐惧83.847.48 FM10MALE恐惧75.76 6.59 FM11MALE恐惧71.72 5.73 FM12MALE恐惧70.71 4.76 FM13MALE恐惧63.64 5.03 FM14MALE恐惧69.70 5.20 FM15MALE恐惧80.817.04FM16MALE恐惧67.68 5.15 FM17MALE恐惧72.73 5.54 FM18MALE恐惧76.77 4.95 FM19MALE恐惧73.74 5.53 FM20MALE恐惧83.84 5.73 FM21MALE恐惧73.74 5.63 FM22MALE恐惧72.73 5.81 FM23MALE恐惧68.69 4.31 FM24MALE恐惧76.77 5.47 FM25MALE恐惧88.89 6.92 FM26MALE恐惧84.85 6.18 FM27MALE恐惧60.61 6.18 FM28MALE恐惧82.83 6.09 FM29MALE恐惧75.76 5.27 FM30MALE恐惧76.77 5.38 FM31MALE恐惧64.65 5.38FM32MALE恐惧88.897.26 FM33MALE恐惧82.83 5.74 FM34MALE恐惧88.897.75 FM35MALE恐惧68.69 6.59 FM36MALE恐惧83.84 6.47 FM37MALE恐惧62.63 5.23 FF1FEMALE恐惧66.307.16 FF2FEMALE恐惧79.807.49 FF3FEMALE恐惧69.708.61 FF4FEMALE恐惧76.77 6.97 FF5FEMALE恐惧63.648.37 FF6FEMALE恐惧71.72 5.55 FF7FEMALE恐惧72.73 6.51 FF8FEMALE恐惧80.81 5.46 FF9FEMALE恐惧74.75 5.18 FF10FEMALE恐惧72.73 5.00FF11FEMALE恐惧79.80 6.41 FF12FEMALE恐惧65.66 4.82 FF13FEMALE恐惧74.75 6.59 FF14FEMALE恐惧83.84 5.59 FF15FEMALE恐惧76.77 5.39 FF16FEMALE恐惧78.79 6.92 FF17FEMALE恐惧77.78 5.53 FF18FEMALE恐惧77.78 6.64 FF19FEMALE恐惧87.88 6.13 FF20FEMALE恐惧88.89 5.89 FF21FEMALE恐惧79.80 5.29 FF22FEMALE恐惧78.79 5.85 FF23FEMALE恐惧75.76 5.75 FF24FEMALE恐惧72.73 5.33 FF25FEMALE恐惧67.68 5.18 FF26FEMALE恐惧84.857.62FF27FEMALE恐惧62.63 5.23 (四）悲伤编号图片性别类型认同度强度SAM1MALE悲伤90.22 5.46 SAM2MALE悲伤73.91 6.28 SAM3MALE悲伤83.70 5.75 SAM4MALE悲伤79.35 6.48 SAM5MALE悲伤92.39 5.88 SAM6MALE悲伤93.48 5.93 SAM7MALE悲伤88.04 6.27 SAM8MALE悲伤83.70 5.90 SAM9MALE悲伤88.04 6.88 SAM10MALE悲伤81.52 5.41 SAM11MALE悲伤80.43 5.38 SAM12MALE悲伤80.43 6.36 SAM13MALE悲伤95.657.10SAM14MALE悲伤71.72 5.30 SAM15MALE悲伤84.85 4.36 SAM16MALE悲伤97.98 6.06 SAM17MALE悲伤86.87 6.73 SAM18MALE悲伤79.80 5.34 SAM19MALE悲伤72.73 5.50 SAM20MALE悲伤87.88 5.05 SAM21MALE悲伤72.73 4.35 SAM22MALE悲伤86.87 4.70 SAM23MALE悲伤96.97 5.44 SAM24MALE悲伤82.83 5.37 SAM25MALE悲伤85.86 5.36 SAM26MALE悲伤74.75 4.42 SAM27MALE悲伤61.62 4.44 SAM28MALE悲伤81.82 5.36 SAM29MALE悲伤86.87 5.72SAM30MALE悲伤90.91 6.84 SAM31MALE悲伤80.81 5.89 SAM32MALE悲伤94.95 5.47 SAM33MALE悲伤82.83 4.79 SAM34MALE悲伤67.68 4.63 SAM35MALE悲伤84.85 5.35 SAM36MALE悲伤83.84 4.42 SAM37MALE悲伤67.68 4.37 SAM38MALE悲伤64.65 4.63 SAM39MALE悲伤91.92 6.27 SAM40MALE悲伤83.84 5.19 SAM41MALE悲伤81.82 5.44 SAM42MALE悲伤72.73 4.29 SAF1FEMALE悲伤79.35 5.70 SAF2FEMALE悲伤93.48 6.10 SAF3FEMALE悲伤82.61 5.87SAF4FEMALE悲伤89.13 6.05 SAF5FEMALE悲伤90.22 4.63 SAF6FEMALE悲伤92.39 6.55 SAF7FEMALE悲伤85.87 5.19 SAF8FEMALE悲伤68.48 4.44 SAF9FEMALE悲伤70.65 4.51 SAF10FEMALE悲伤84.78 4.90 SAF11FEMALE悲伤81.52 4.71 SAF12FEMALE悲伤73.91 4.31 SAF13FEMALE悲伤69.70 4.54 SAF14FEMALE悲伤94.95 5.30 SAF15FEMALE悲伤96.97 5.75 SAF16FEMALE悲伤97.98 6.79 SAF17FEMALE悲伤74.75 4.61 SAF18FEMALE悲伤62.63 4.44 SAF19FEMALE悲伤92.93 5.10SAF20FEMALE悲伤94.95 5.61 SAF21FEMALE悲伤81.82 4.88 SAF22FEMALE悲伤70.71 4.36 SAF23FEMALE悲伤66.67 3.74 SAF24FEMALE悲伤95.96 6.34 SAF25FEMALE悲伤67.68 4.96 SAF26FEMALE悲伤92.93 6.13 SAF27FEMALE悲伤91.92 5.30 SAF28FEMALE悲伤85.86 4.93 SAF29FEMALE悲伤83.84 5.08 SAF30FEMALE悲伤92.93 5.78 SAF31FEMALE悲伤83.84 5.16 SAF32FEMALE悲伤93.94 6.52 SAF33FEMALE悲伤89.90 6.24 SAF34FEMALE悲伤79.80 6.72 SAF35FEMALE悲伤93.94 5.39SAF36FEMALE悲伤97.98 5.88 SAF37FEMALE悲伤79.80 3.86 SAF38FEMALE悲伤67.68 5.36 SAF39FEMALE悲伤82.83 4.27 SAF40FEMALE悲伤80.81 4.70 SAF41FEMALE悲伤79.80 4.97 SAF42FEMALE悲伤92.93 5.20 SAF43FEMALE悲伤65.66 5.48 SAF44FEMALE悲伤85.86 4.75 SAF45FEMALE悲伤87.88 5.11 SAF46FEMALE悲伤90.91 5.02 SAF47FEMALE悲伤61.62 3.97 SAF48FEMALE悲伤91.92 5.12 SAF49FEMALE悲伤62.63 3.98 SAF50FEMALE悲伤91.92 4.79 SAF51FEMALE悲伤80.81 4.11SAF52FEMALE悲伤79.80 5.38 SAF53FEMALE悲伤89.90 5.11 (五）惊讶编号图片性别类型认同度强度SUM1MALE惊讶78.267.67 SUM2MALE惊讶86.96 6.26 SUM3MALE惊讶94.57 5.80 SUM4MALE惊讶83.70 6.04 SUM5MALE惊讶67.39 6.53 SUM6MALE惊讶78.26 6.61 SUM7MALE惊讶61.96 6.19 SUM8MALE惊讶86.96 5.50 SUM9MALE惊讶81.52 5.40 SUM10MALE惊讶66.307.84 SUM11MALE惊讶77.177.39 SUM12MALE惊讶61.96 4.67SUM13MALE惊讶71.74 5.74 SUM14MALE惊讶85.87 6.32 SUM15MALE惊讶78.26 6.39 SUM16MALE惊讶77.17 6.73 SUM17MALE惊讶77.17 5.11 SUM18MALE惊讶89.90 5.26 SUM19MALE惊讶77.78 6.90 SUM20MALE惊讶83.84 6.04 SUM21MALE惊讶73.74 4.00 SUM22MALE惊讶63.647.17 SUM23MALE惊讶78.79 5.82 SUM24MALE惊讶81.82 5.62 SUM25MALE惊讶66.67 6.18 SUM26MALE惊讶90.91 5.12 SUM27MALE惊讶60.61 6.92 SUM28MALE惊讶75.76 5.25SUM29MALE惊讶83.84 4.99 SUM30MALE惊讶79.80 4.59 SUM31MALE惊讶73.74 5.59 SUM32MALE惊讶77.78 4.87 SUM33MALE惊讶80.81 5.48 SUM34MALE惊讶87.88 6.06 SUM35MALE惊讶87.88 5.43 SUM36MALE惊讶93.94 5.13 SUM37MALE惊讶81.82 5.69 SUM38MALE惊讶64.65 3.86 SUM39MALE惊讶85.86 4.94 SUM40MALE惊讶90.91 4.51 SUM41MALE惊讶71.72 6.18 SUM42MALE惊讶73.74 3.79 SUM43MALE惊讶81.82 5.48 SUM44MALE惊讶82.83 4.27SUM45MALE惊讶89.90 4.89 SUM46MALE惊讶66.677.38 SUM47MALE惊讶67.68 3.94 SUM48MALE惊讶90.91 5.00 SUF1FEMALE惊讶83.70 6.00 SUF2FEMALE惊讶84.78 6.56 SUF3FEMALE惊讶73.917.03 SUF4FEMALE惊讶80.43 6.34 SUF5FEMALE惊讶79.35 6.74 SUF6FEMALE惊讶73.91 6.82 SUF7FEMALE惊讶91.30 6.62 SUF8FEMALE惊讶79.357.40 SUF9FEMALE惊讶65.22 4.35 SUF10FEMALE惊讶79.35 6.04 SUF11FEMALE惊讶91.30 5.65 SUF12FEMALE惊讶85.87 5.54SUF13FEMALE惊讶88.04 5.65 SUF14FEMALE惊讶80.43 4.61 SUF15FEMALE惊讶86.96 5.58 SUF16FEMALE惊讶67.39 5.05 SUF17FEMALE惊讶60.87 5.36 SUF18FEMALE惊讶88.04 6.59 SUF19FEMALE惊讶96.97 5.48 SUF20FEMALE惊讶84.85 6.05 SUF21FEMALE惊讶88.89 5.06 SUF22FEMALE惊讶92.93 5.22 SUF23FEMALE惊讶68.69 6.32 SUF24FEMALE惊讶72.73 5.71 SUF25FEMALE惊讶66.67 4.68 SUF26FEMALE惊讶65.66 4.43 SUF27FEMALE惊讶71.72 4.93 SUF28FEMALE惊讶87.88 5.64SUF29FEMALE惊讶84.85 4.45 SUF30FEMALE惊讶69.70 4.26 SUF31FEMALE惊讶86.87 4.56 SUF32FEMALE惊讶79.80 6.87 SUF33FEMALE惊讶83.84 4.30 SUF34FEMALE惊讶87.88 5.99 SUF35FEMALE惊讶83.84 4.87 SUF36FEMALE惊讶84.85 4.89 SUF37FEMALE惊讶90.91 6.62 SUF38FEMALE惊讶87.88 4.51 SUF39FEMALE惊讶61.62 5.52 SUF40FEMALE惊讶93.94 4.56 SUF41FEMALE惊讶61.62 4.43 SUF42FEMALE惊讶80.81 4.80 SUF43FEMALE惊讶91.92 6.37 SUF44FEMALE惊讶93.94 4.92SUF45FEMALE惊讶80.81 4.51 SUF46FEMALE惊讶77.78 4.55 SUF47FEMALE惊讶73.74 5.77 SUF48FEMALE惊讶73.74 6.40 SUF49FEMALE惊讶84.85 5.99 SUF50FEMALE惊讶87.88 5.34 SUF51FEMALE惊讶88.89 4.68 SUF52FEMALE惊讶86.87 6.65 SUF53FEMALE惊讶86.87 5.49 SUF54FEMALE惊讶86.87 5.08 SUF55FEMALE惊讶87.88 5.34 SUF56FEMALE惊讶80.81 5.08 SUF57FEMALE惊讶79.80 5.73 SUF58FEMALE惊讶66.67 5.21 SUF59FEMALE惊讶83.84 5.51 SUF60FEMALE惊讶75.76 5.28SUF61FEMALE惊讶73.74 6.68 SUF62FEMALE惊讶75.76 5.68 SUF63FEMALE惊讶79.80 5.24 SUF64FEMALE惊讶72.73 6.33 SUF65FEMALE惊讶65.66 4.69 SUF66FEMALE惊讶67.68 6.61 SUF67FEMALE惊讶83.84 4.69 SUF68FEMALE惊讶86.87 5.53 SUF69FEMALE惊讶88.89 4.91 SUF70FEMALE惊讶69.70 3.87 SUF71FEMALE惊讶83.84 4.02 SUF72FEMALE惊讶86.87 4.93 (六）平静编号图片性别类型认同度强度NEM1MALE平静70.65 5.66 NEM2MALE平静83.70 5.73NEM3MALE平静77.17 5.59 NEM4MALE平静77.17 5.27 NEM5MALE平静89.13 5.72 NEM6MALE平静83.70 5.73 NEM7MALE平静65.22 5.57 NEM8MALE平静91.30 5.93 NEM9MALE平静82.61 5.92 NEM10MALE平静90.22 5.86 NEM11MALE平静94.57 5.33 NEM12MALE平静65.22 5.58 NEM13MALE平静79.35 5.62 NEM14MALE平静90.22 5.76 NEM15MALE平静91.30 5.75 NEM16MALE平静94.57 5.84 NEM17MALE平静82.61 5.76 NEM18MALE平静92.39 5.86NEM19MALE平静83.70 5.55 NEM20MALE平静69.57 5.63 NEM21MALE平静92.39 5.74 NEM22MALE平静77.17 5.45 NEM23MALE平静75.00 5.35 NEM24MALE平静88.04 5.35 NEM25MALE平静76.09 5.76 NEM26MALE平静81.52 5.52 NEM27MALE平静96.74 5.73 NEM28MALE平静66.30 5.43 NEM29MALE平静93.48 5.60 NEM30MALE平静94.57 5.82 NEM31MALE平静88.04 5.70 NEM32MALE平静93.48 5.66 NEM33MALE平静90.22 5.70 NEM34MALE平静94.57 5.68NEM35MALE平静94.57 5.87 NEM36MALE平静84.78 5.41 NEM37MALE平静76.09 5.40 NEM38MALE平静73.91 5.51 NEM39MALE平静95.65 5.82 NEM40MALE平静80.43 5.69 NEM41MALE平静75.00 5.48 NEM42MALE平静84.78 5.81 NEM43MALE平静96.74 5.89 NEM44MALE平静96.74 5.89 NEM45MALE平静82.61 5.92 NEM46MALE平静96.74 5.84 NEM47MALE平静76.09 5.56 NEM48MALE平静85.87 5.87 NEM49MALE平静88.04 5.81 NEM50MALE平静84.78 5.94NEM51MALE平静92.39 5.78 NEM52MALE平静90.22 5.89 NEM53MALE平静78.26 5.65 NEM54MALE平静81.52 5.80 NEM55MALE平静90.22 6.01 NEM56MALE平静88.04 5.72 NEM57MALE平静90.22 5.95 NEM58MALE平静66.30 5.48 NEM59MALE平静84.78 5.67 NEM60MALE平静88.04 5.89 NEM61MALE平静94.57 5.74 NEM62MALE平静68.48 5.43 NEM63MALE平静88.04 5.75 NEM64MALE平静73.91 5.68 NEM65MALE平静93.48 5.64 NEM66MALE平静60.87 5.79NEM67MALE平静71.74 6.02 NEM68MALE平静80.43 5.88 NEM69MALE平静61.96 5.68 NEM70MALE平静84.78 5.86 NEM71MALE平静76.09 5.97 NEM72MALE平静71.74 5.48 NEM73MALE平静79.35 5.89 NEM74MALE平静83.70 5.73 NEM75MALE平静61.96 5.47 NEM76MALE平静61.96 5.79 NEM77MALE平静73.91 5.50 NEM78MALE平静80.43 5.95 NEM79MALE平静83.70 5.81 NEM80MALE平静94.57 5.70 NEM81MALE平静73.91 5.47 NEM82MALE平静71.74 5.64NEM83MALE平静84.78 5.58 NEM84MALE平静80.43 5.66 NEM85MALE平静88.04 5.96 NEM86MALE平静93.48 5.67 NEM87MALE平静82.61 5.67 NEM88MALE平静93.48 6.07 NEM89MALE平静91.30 5.58 NEM90MALE平静93.94 5.99 NEM91MALE平静92.93 6.14 NEM92MALE平静96.97 5.66 NEM93MALE平静85.86 5.58 NEM94MALE平静63.64 5.59 NEM95MALE平静94.95 5.79 NEM96MALE平静82.83 5.82 NEM97MALE平静82.83 5.73 NEM98MALE平静89.90 5.81NEM99MALE平静98.99 6.10 NEM100MALE平静95.96 5.78 NEM101MALE平静94.95 5.65 NEM102MALE平静93.94 6.03 NEM103MALE平静92.93 5.85 NEM104MALE平静96.97 6.20 NEM105MALE平静75.76 5.55 NEM106MALE平静84.85 6.24 NEM107MALE平静89.90 5.75 NEM108MALE平静87.88 5.45 NEM109MALE平静96.97 5.98 NEM110MALE平静87.88 5.85 NEM111MALE平静90.91 5.83 NEM112MALE平静82.83 5.09 NEM113MALE平静86.87 5.74 NEF1FMALE平静92.39 5.85NEF2FMALE平静81.52 5.65 NEF3FMALE平静90.22 5.59 NEF4FMALE平静88.04 5.86 NEF5FMALE平静82.61 5.86 NEF6FMALE平静90.22 5.82 NEF7FMALE平静91.30 5.96 NEF8FMALE平静92.39 5.55 NEF9FMALE平静78.26 5.90 NEF10FMALE平静82.61 5.67 NEF11FMALE平静81.52 5.56 NEF12FMALE平静86.96 5.98 NEF13FMALE平静85.87 5.63 NEF14FMALE平静92.39 5.75 NEF15FMALE平静97.83 5.91 NEF16FMALE平静92.39 5.60 NEF17FMALE平静66.30 5.59NEF18FMALE平静85.87 5.73 NEF19FMALE平静75.00 5.54 NEF20FMALE平静93.48 5.86 NEF21FMALE平静83.70 5.73 NEF22FMALE平静85.87 6.16 NEF23FMALE平静90.22 5.69 NEF24FMALE平静81.52 5.63 NEF25FMALE平静80.43 5.80 NEF26FMALE平静72.83 5.69 NEF27FMALE平静90.22 5.77 NEF28FMALE平静89.13 5.84 NEF29FMALE平静70.65 5.55 NEF30FMALE平静96.74 5.92 NEF31FMALE平静91.30 5.81 NEF32FMALE平静73.91 5.79 NEF33FMALE平静95.65 5.88NEF34FMALE平静78.26 5.57 NEF35FMALE平静94.57 6.05 NEF36FMALE平静75.00 5.84 NEF37FMALE平静68.48 5.67 NEF38FMALE平静82.61 5.63 NEF39FMALE平静90.22 5.80 NEF40FMALE平静86.96 5.89 NEF41FMALE平静81.52 5.71 NEF42FMALE平静85.87 5.57 NEF43FMALE平静94.57 6.18 NEF44FMALE平静75.00 5.96 NEF45FMALE平静75.00 5.83 NEF46FMALE平静89.13 5.44 NEF47FMALE平静65.22 5.80 NEF48FMALE平静67.39 5.56 NEF49FMALE平静82.61 5.53NEF50FMALE平静75.00 5.48 NEF51FMALE平静84.78 5.88 NEF52FMALE平静90.22 5.82 NEF53FMALE平静95.65 5.80 NEF54FMALE平静89.13 5.90 NEF55FMALE平静83.70 5.61 NEF56FMALE平静75.00 5.43 NEF57FMALE平静86.96 5.83 NEF58FMALE平静73.91 5.74 NEF59FMALE平静93.48 5.69 NEF60FMALE平静85.87 5.77 NEF61FMALE平静83.70 5.71 NEF62FMALE平静96.74 5.93 NEF63FMALE平静96.74 5.64 NEF64FMALE平静86.96 5.63 NEF65FMALE平静69.57 5.78NEF66FMALE平静93.48 6.03 NEF67FMALE平静85.87 5.89 NEF68FMALE平静70.65 5.52 NEF69FMALE平静72.83 5.78 NEF70FMALE平静88.04 5.54 NEF71FMALE平静71.74 5.58 NEF72FMALE平静92.39 5.81 NEF73FMALE平静92.39 5.85 NEF74FMALE平静93.48 5.88 NEF75FMALE平静88.04 5.86 NEF76FMALE平静94.57 6.02 NEF77FMALE平静95.65 5.84 NEF78FMALE平静82.61 5.79 NEF79FMALE平静83.70 6.03 NEF80FMALE平静78.26 6.08 NEF81FMALE平静88.04 5.64NEF82FMALE平静69.57 5.84 NEF83FMALE平静93.48 5.74 NEF84FMALE平静68.48 5.68 NEF85FMALE平静89.13 5.90 NEF86FMALE平静88.89 5.89 NEF87FMALE平静97.98 5.94 NEF88FMALE平静94.95 5.95 NEF89FMALE平静77.78 5.77 NEF90FMALE平静83.84 5.65 NEF91FMALE平静94.95 5.68 NEF92FMALE平静63.64 5.43 NEF93FMALE平静93.94 5.81 NEF94FMALE平静86.87 6.19 NEF95FMALE平静95.96 5.83 NEF96FMALE平静97.98 5.99 NEF97FMALE平静67.68 5.39NEF98FMALE平静71.72 5.63 NEF99FMALE平静93.94 5.97 NEF100FMALE平静72.73 5.68 NEF101FMALE平静95.96 5.89 NEF102FMALE平静96.97 5.95 NEF103FMALE平静75.76 6.23 NEF104FMALE平静91.92 5.79 NEF105FMALE平静91.92 5.58 NEF106FMALE平静60.61 5.78 NEF107FMALE平静86.87 5.76 NEF108FMALE平静71.72 5.32 NEF109FMALE平静80.81 5.44 (七）愉快编号图片性别类型认同度强度HM1MALE愉快100.00 5.53HM2MALE愉快98.91 5.20HM3MALE愉快86.96 3.59 HM4MALE愉快83.70 3.66 HM5MALE愉快98.91 4.98 HM6MALE愉快86.96 4.16 HM7MALE愉快94.57 4.52 HM8MALE愉快96.74 4.20 HM9MALE愉快100.00 5.45 HM10MALE愉快98.91 5.58 HM11MALE愉快98.91 5.11 HM12MALE愉快92.39 4.74 HM13MALE愉快95.65 4.55 HM14MALE愉快93.48 5.08 HM15MALE愉快97.83 4.66 HM16MALE愉快66.30 3.93 HM17MALE愉快98.91 5.75 HM18MALE愉快72.83 3.63HM19MALE愉快97.83 4.71 HM20MALE愉快76.09 3.89 HM21MALE愉快98.91 6.13 HM22MALE愉快94.57 4.69 HM23MALE愉快89.13 3.84 HM24MALE愉快76.09 3.73 HM25MALE愉快96.74 5.28 HM26MALE愉快100.00 5.78 HM27MALE愉快97.83 5.68 HM28MALE愉快84.78 3.47 HM29MALE愉快89.13 4.06 HM30MALE愉快84.78 4.17 HM31MALE愉快88.04 4.09 HM32MALE愉快98.91 5.29 HM33MALE愉快86.96 3.84 HM34MALE愉快94.57 4.32HM35MALE愉快96.74 5.31 HM36MALE愉快97.83 5.00 HM37MALE愉快93.48 4.56 HM38MALE愉快100.00 6.25 HM39MALE愉快100.007.00 HM40MALE愉快98.91 6.10 HM41MALE愉快97.83 4.82 HM42MALE愉快100.00 6.16 HM43MALE愉快100.00 4.99 HM44MALE愉快77.17 3.72 HM45MALE愉快95.65 5.69 HM46MALE愉快94.57 4.30 HM47MALE愉快92.39 4.32 HM48MALE愉快95.65 5.25 HM49MALE愉快100.007.22 HM50MALE愉快100.00 6.96HM51MALE愉快98.91 6.33 HM52MALE愉快97.83 4.42 HM53MALE愉快97.83 5.08 HM54MALE愉快71.74 3.41 HM55MALE愉快91.30 4.40 HM56MALE愉快93.48 3.84 HM57MALE愉快69.57 3.33 HM58MALE愉快100.00 5.24 HM59MALE愉快96.74 4.22 HM60MALE愉快96.74 4.73 HM61MALE愉快93.48 4.03 HM62MALE愉快92.39 4.06 HM63MALE愉快83.70 3.83 HM64MALE愉快66.30 3.34 HM65MALE愉快67.39 4.32 HM66MALE愉快91.30 3.98HM67MALE愉快96.74 4.36 HM68MALE愉快85.87 4.43 MALEHM69MALE愉快86.96 4.19 HM70MALE愉快97.83 4.14 HM71MALE愉快92.39 4.28 HM72MALE愉快96.74 5.24 HM73MALE愉快100.00 6.02 HM74MALE愉快96.74 4.35 HM75MALE愉快100.00 6.77 HM76MALE愉快100.00 5.36 HM77MALE愉快98.91 4.73 HM78MALE愉快100.00 6.04 HM79MALE愉快92.39 4.42 HM80MALE愉快100.00 6.14 HM81MALE愉快98.91 5.45 HM82MALE愉快98.91 5.22HM83MALE愉快100.00 5.15 HM84MALE愉快92.39 4.76 HM85MALE愉快100.00 6.05 HM86MALE愉快93.48 4.05 HM87MALE愉快93.48 4.36 HM88MALE愉快90.22 4.20 HM89MALE愉快100.00 4.63 HM90MALE愉快100.007.17 HM91MALE愉快100.007.57 HM92MALE愉快97.83 6.37 HM93MALE愉快100.007.16 HM94MALE愉快100.00 6.22 HM95MALE愉快100.00 6.92 HM96MALE愉快94.57 4.72 HM97MALE愉快97.83 6.62 HM98MALE愉快98.918.41HM99MALE愉快100.007.02 HM100MALE愉快93.94 5.18 HM101MALE愉快100.00 5.99 HM102MALE愉快100.007.33 HM103MALE愉快96.97 5.90 HM104MALE愉快100.00 6.78 HM105MALE愉快100.00 5.57 HM106MALE愉快98.99 5.39 HM107MALE愉快95.96 5.65 HM108MALE愉快98.99 6.57 HM109MALE愉快98.99 6.13 HM110MALE愉快90.91 5.07 HM111MALE愉快96.97 4.94 HM112MALE愉快100.008.12 HM113MALE愉快98.99 6.73 HM114MALE愉快98.99 6.89HM115MALE愉快100.007.16 HM116MALE愉快98.99 6.33 HM117MALE愉快97.98 6.55 HM118MALE愉快93.94 5.96 HM119MALE愉快100.00 5.84 HM120MALE愉快97.98 6.57 HM121MALE愉快96.97 6.16 HM122MALE愉快97.98 5.36 HM123MALE愉快97.98 5.76 HF1FEMALE愉快100.00 6.18 HF2FEMALE愉快98.917.40 HF3FEMALE愉快98.91 4.18 HF4FEMALE愉快90.22 5.30 HF5FEMALE愉快89.13 3.82 HF6FEMALE愉快98.91 5.77 HF7FEMALE愉快96.74 6.98HF8FEMALE愉快100.007.01 HF9FEMALE愉快100.00 5.85 HF10FEMALE愉快98.91 6.76 HF11FEMALE愉快100.00 5.88 HF12FEMALE愉快98.91 5.57 HF13FEMALE愉快81.52 3.53 HF14FEMALE愉快96.74 4.38 HF15FEMALE愉快100.00 6.92 HF16FEMALE愉快92.39 4.51 HF17FEMALE愉快66.30 3.54 HF18FEMALE愉快91.30 4.23 HF19FEMALE愉快98.91 5.29 HF20FEMALE愉快98.91 4.68 HF21FEMALE愉快100.00 5.58 HF22FEMALE愉快82.61 4.01 HF23FEMALE愉快92.39 4.40HF24FEMALE愉快96.74 4.55 HF25FEMALE愉快98.917.10 HF26FEMALE愉快94.57 4.40 HF27FEMALE愉快92.39 4.65 HF28FEMALE愉快78.26 3.74 HF29FEMALE愉快86.96 3.95 HF30FEMALE愉快88.04 3.42 HF31FEMALE愉快72.83 3.36 HF32FEMALE愉快95.65 4.81 HF33FEMALE愉快98.91 4.55 HF34FEMALE愉快100.00 5.77 HF35FEMALE愉快94.57 4.18 HF36FEMALE愉快100.00 4.85 HF37FEMALE愉快84.78 4.09 HF38FEMALE愉快97.83 4.70 HF39FEMALE愉快98.91 5.16。