面部表情分析系統（FaceReader）新版本全新推出，功能比以往更強大！一起來看看吧。

此外，我們搜集了來自不同用戶在使用FaceReader時，從基本操作到關于方法和驗證的不同問題，并給出了對應的回答。

如果您也有同樣的疑問，請繼續閱讀，本文將幫您更好地理解FaceReader如何助力您的研究。

全新 FaceReader 10：功能比以往更強大
FaceReader 的最新版本使研究更輕松、更高效。重新設計的直觀界面簡化了實驗設置，增強的處理能力比以往更快地提供結果。

此外，新版本增加了情感語音分析、多人分析、消費行為分析模塊，并增加了更多同步測量數據，如眼動、呼吸頻率。

（一）檢測聲音中的情緒：更好的情緒數據
FaceReader 新版本增加的全新模塊！基于英文語音數據模型，可分析聲音特征、情緒 (快樂、悲傷、憤怒和中性)及音量和語速。

該功能幫助您更詳細地研究情緒狀態，比如結合面部表情您可以看到聲調是否與表情相匹配，情緒在壓力或心理健康狀況下有何不同，甚至可以改善 AI 情緒檢測。這將為您的研究提供更強大、更可靠的數據。
 

（二）實現多人面部表情分析
為了更好地理解情緒狀態與社交互動或群體動態之間的關系，新版 FaceReader 實現了多人面部表情分析，支持在一個視頻中分析最多 8 個人的面部表情，并且可以靈活選擇或剔除分析對象。
這將擴大您的研究范圍與靈活度，有助于您研究個體行為如何相互影響，或者情緒在群體互動中如何變化。

（三）網絡攝像頭眼動追蹤
FaceReader 新版本中，您可以使用 USB 網絡攝像頭追蹤眼動。這有助于您了解哪些內容吸引了用戶的注意力，哪些內容被忽略了，而無需專門的硬件，更好地了解視覺注意力和參與度，幫助您優化產品、設計或說明。

（四）測量生命體征：無需額外設備
FaceReader支持直接從面部測量心率、心率變異性(HRV)，作為評價喚醒度的額外指標。無需額外設備，不會給被試帶來不適。新版本在此基礎上增加了呼吸頻率(bpm)的測量，逐漸完善更全面的生命體征數據測量。
測量生理數據能增強您的結果可靠性，讓您可以立即觀測到被試的疲勞、緊張或興奮狀態，并探究其與面部表情相關關系。
 
（五）消費行為洞察
此模塊可進行消費行為統計，包括攝入量計數和咀嚼動作計數。通過分析人們的飲食消費行為來研究他們與食品的互動方式。
您可以觀察啜飲、咬或咀嚼，同時關注被試的情緒反應。這有助于您了解消費行為與特定情緒或環境觸發因素之間的關系。

關于FaceReader的7條指南
（一）FaceReader如何計算和分類面部表情？
FaceReader算法遵循三步流程。首先，它在圖像中檢測面部。然后，它基于FaceReader中的468個面部特征點構建一個面部模型。最后，它使用一個經過訓練的人工神經網絡（基于100000張圖像）來分類情感表達和面部狀態。
  默認分類的表情包括六種基本面部表情：快樂、悲傷、憤怒、恐懼、驚訝和厭惡，以及輕蔑和中性狀態。附加模塊允許您測量動作單元、心率或心率變異性，也可以測量咀嚼或攝入等飲食消費行為。

您可以隨時間監測這些表情，且每個表情和動作單元的強度能在時間軸或折線圖中可視化。
（二）動作單元模塊是如何驗證的，其準確性如何？
我們使用阿姆斯特丹動態面部表情集（ADFES）驗證了FaceReader中的動作單元（AU, Action Unit）模塊，該數據集包含22個人展示9種情感表達。這些表情由經過認證的FACS編碼員手動編碼，然后將FaceReader的輸出與這些人工評分進行比較。

兩位FACS編碼員之間的一致性為0.83，而FaceReader與人工標注之間的一致性為0.81。這種高度的一致性表明了其強大的有效性，尤其是考慮到面部編碼的復雜性。

（三）如何進行最佳的攝像頭和照明設置？
 攝像頭放置和照明是確保高質量數據的關鍵因素。當面部完全可見、光線均勻且面向攝像頭時，FaceReader的效果最佳。

通常，將網絡攝像頭放置在屏幕正上方是最佳選擇。這樣可以提供正面視圖而不會過于突兀。將攝像頭放置得太低（如在桌面水平）可能導致錯誤分析。例如，抬高的眉毛位置可能看起來像驚訝。
 
照明同樣重要。您需要從前方進行漫射照明，以避免強烈的陰影。自然光效果很好，或者您可以使用臺燈或帶有柔光濾鏡的攝影燈。避免逆光，因為那會使面部變暗。您還應該避免刺眼的頂燈，因為它會在眼睛或鼻子下方產生陰影，干擾您的分析。

（四）FaceReader中的主要表情是什么？
FaceReader中的主要表情是指在給定時刻強度最高的表情。例如，如果被試在微笑，但同時也稍微揚起眉毛（快樂和驚訝的混合），如果快樂的強度最高，那么主要表情可能仍然被定義為快樂。

即使某個表情不是主要的，FaceReader也會逐幀記錄所有表情的強度。這意味著您仍然可以通過從表情折線圖中導出數據來分析不太明顯的反應或微表情。

（五）如何比較刺激之間或被試間的反應？
 您可以在項目分析模塊中進行組內和組間比較。例如，如果被試觀看了兩個不同的視頻，您可以使用 <比較> 功能來可視化這些刺激下的平均反應，如平均快樂度或效價。需要注意的是，為了對FaceReader的結果進行有意義的解釋，您始終需要考慮記錄某些面部表情的上下文情景。  

您也可以通過手動選擇被試來進行比較。例如，您可能想分析被試A和B對同一視頻的反應。FaceReader提供t檢驗來幫助識別這些差異。

（六）如何更快捷地批量處理大量視頻？
如果您需要處理大型數據，在FaceReader中批量處理預錄視頻可以節省大量時間。您可以使用 <項目向導> 自動加載多個視頻，無需手動添加每個被試并分配視頻，僅需選擇一個文件夾，FaceReader會以被試為單位創建項目組。
 

  一旦所有內容都加載完畢，<批量分析> 功能將逐個處理每個視頻。為了節省時間，您還可以調整采樣率，分析每三幀而不是每幀。對于以30幀/秒制的視頻來說，這意味著每秒分析10幀，這仍然遠高于可靠結果所需的5幀/秒的最低要求，但速度要快得多。

需要注意的是，FaceReader不會自動保存。因此，在批量運行后，請確保保存項目以避免丟失數據。確認項目名稱旁邊是否有星號（*），這表示您進行了尚未保存的更改。

（七）可以在FaceReader中創建自己的自定義表情嗎？
可以！在FaceReader中，您可以基于動作單元、頭部移動或其他面部狀態定義自定義表情。
您可以使用邏輯運算符和閾值來構建表情，還可以模擬不同動作單元強度的影響，以測試您的自定義表情如何工作。這對您檢測默認自定義表情庫中未包含的情緒狀態（如尷尬、無聊或疼痛）來說非常有幫助。
  需要注意的是，創建有意義的自定義表情需要預研究。首先觀察被試在情境中預期會出現的情緒或狀態。然后，嘗試從與您的觀察相匹配的動作單元和視覺特征中構建表情。

FaceReader：您研究的強大工具
無論您是在進行簡單的研究測試還是構建自定義模型來檢測微妙的面部表情，FaceReader都有很多功能可供您使用。

當然，獲得良好的結果取決于正確的方法，比如清晰的照明、周密的實驗設計以及對FaceReader測量內容的深刻理解。

如果對FaceReader或新版本有任何問題
請隨時聯系我們
您的研究值得擁有最好的！

關注諾達思公眾號，聯系我們獲取更多產品信息及學術文章！