米珍美，赵恒斌，高 攀

石河子大学 信息科学与技术学院，新疆 石河子832003

学业情绪不仅作用于学习者学习过程中产生的注意、记忆、决策等各个认知加工环节，而且影响学习者的学习动机和学习兴趣[1]。精准检测学习者学习状态是智慧学习环境的基础，也对实施个性化教育起着尤为重要的作用。学习者面部情感已成为教育情感计算中最常用的人工智能技术之一[2]，相比于离散情感模型在时间轴上是点式非连续的，维度情感模型是基于时间的一系列数据，更能揭示数据的趋势性、规律性、异常性[3]。

目前基于维度情感计算研究主要针对人类的普通表情，而面向中学生学业情绪的研究却很少。分析维度情感预测研究，主要可分为回归和分类两类问题。早期的连续维度情感识别方法主要采用手工特征并结合传统机器学习算法进行识别[4]。维度情感分类识别常用的算法有支持向量机（Support Vector Machine，SVM）[5]、隐马尔可夫模型（Hidden Markov Model，HMM）[6]，维度情感预测常用的回归模型如支持向量回归（Support Vector Regression，SVR）等[7-8]。随着深度学习的发展，循环神经网络（Recurrent Neural Network，RNN）以及其变体长短期记忆网络（Long Short-Term Memory，LSTM）也被用于维度情感检测[9-10]。

Metallinou等[11]结合隐马尔可夫模型与双向长短时记忆网络（BLSTM）进行维度情感识别，其结果优于传统的机器学习方法。余莉萍等[12]通过改进LSTM，在算法中引入注意力机制，将传统的遗忘门和输入门用注意力门进行替换，并在多个时刻的细胞状态Fau Aibo儿童情感数据语料库以及婴儿哭声情感数据库上得到比传统LSTM更好的识别结果。……