一、引言
二、相关概念
   1、情感定义
   2、情感分类

三、情绪感知的方式方法现状评述
  1、基于文本信息识别 

            认知学原理

            现状评述

  2、基于音频信息识别

           认知学原理

            现状评述
  3、基于视频信息识别

            认知学原理

            现状评述
  4、基于多模态生理信号识别

            认知学原理

            现状评述
四、情绪感知在教育领域中的应用评述
   1、学习投入
   2、评价
   3、
   等
五、思考与展望

Ekman 等将情绪划分为 6 种基本形式，包括悲伤（Sad）、高兴（Happy）、恐惧（Fear）、厌恶（Dis⁃gust）、惊讶（Surprise）和愤怒（Angry）。

        基于文本数据的情绪识别是在线学习领域常用的情绪感知方法，它通过学习者的论坛评论文本、在线学习交互文本等数据，对学习者的情感状态进行精准
识别。 相关研究表明，文本数据往往比视频和语音数据具有更高的情感信息价值密度，能够对个体的情绪状态进行更加准确的表示。

       具有代表性的研究有：刘智等人以课程评论文本中潜在的情感信息为切入点，提出了一种基于半监督机器学习算法的智能化情绪感知模型识别待测样本的情感标签，将其用于提取论坛评论文本的“话题—情感”分布信息，并将该模型分别用于课程单元和学习者个体的关键话题情感信息挖掘  ；田锋等人在基于在线学习交互文本的学习者情绪识别方面进行了大量实验，构建了基于交互文本的情绪识别研究与应用框架，利用支持向量机（ SVM ）、朴素贝叶斯（ Naive Bayesian ）、随机森林（ RandomForest ）等机器学习算法，对学习者情绪进行分类，并提出一种用于情绪识别和调节的主动学习策略  。

       基于语音数据的学习者情绪感知，通常利用线上或线下学习场景中学习者的语音数据，对学习者潜在的情感状况进行挖掘分析。 比如，李武等人以语音特征为输入数据，构建了基于语音情感识别的在线学习系统，利用人工神经网络的方法对学习者的八种情绪状态进行识别 ；胡封晔等人开发了一套面向在线学习的实时语音情感识别系统， 通过语音活动检测、语音分割、信号预处理、特征提取、情绪分类以及情绪频率的统计分析，实现对在线学习环境中学习者情绪状态的实时监测，利用支持向量机（ SVM ）的方法，对学习者的情绪状态进行识别， 取得了较高的准确度  。目前，在真实的实践场景中，大多数研究将语音数据和文本、 视频数据结合， 对个体的情绪状态进行识别。 如，陈涵建等人基于学习者的语音和文本数据，利用深度神经网络等方法， 对移动学习中学习者的情绪状态进行识别 ；巴林（ Bahreini ）等人构建了一种通过网络摄像头和麦克风改善学习的框架（ FILT-WAM ），通过网络摄像头和麦克风对学习者的面部表情和言语信息进行连续且不干扰的采集分析， 开展实时的情感状态识别，并为学习者提供及时的学习反馈。

        基于生理信息数据的学习者情绪感知是近年情感计算领域研究的热点问题，旨在利用眼动、脑电、皮肤电、功能性磁共振、近红外等感知设备，对学习者的
生理信息数据进行采集， 进而分析学习者的情绪状态。比如，白璐迪等人使用小波变换、样本熵等技术进行脑电 （ EEG ） 特征的提取， 利用长短时记忆网络（ LSTM ）来提高学习者情绪识别的准确度 ；申丽萍等人利用学习者的心率（ HR ）、血压（ BVP ）、皮肤电导（ SC ）和脑电（ EEG ）信号，对学习者的四种情绪状态进行识别，取得了 86.3％ 的准确率，并将学习者情绪感知模型与在线学习学习平台结合，探索学习者情绪的演变规律以及如何使用情感反馈来改善学习体验 ；赖槿峰等人构建了基于皮肤电（ GSR ）、脑电（ EEG ）、心率（ HR ）、肌电图（ EMG ）的学习者生理信息数据集，利用支持向量机（ SVM ）模型对学习者的情绪状态进行识别，取得了比单一模态数据更高的准确度 。