智能驾舱中情感认知与调节研究

情感认知与调节数据库

本项目构建了面向驾驶场景的情感认知与调节多模态数据库，核心数据由自主采集的Synthetic, R³-Ftg 与 Be 数据集构成，同步整合主流公开数据库的访问接口，便于研究者对比与扩展。

自建数据库：

Be Dataset: 多模态情绪响应数据集，同步采集面部视频、脑电（EEG）信号与每分钟5点李克特量表自我报告，实现主观情绪与生理-行为信号的联合分析，适用于高精度情绪状态识别。

外部资源集成：

为便于研究者开展横向对比与基准测试，本平台提供对以下公开数据库的导航链接及简要介绍：

本数据库以真实驾驶场景下的多模态情绪数据为核心，为车内乘员情绪感知与智能干预系统研发提供可靠数据支撑。

识别与调节模型

本研究围绕面部表情识别（FER）中的核心挑战——标签噪声与数据分布不均衡问题，提出了一系列关键技术创新，构建了兼具鲁棒性与泛化能力的智能情感识别框架。

核心技术成果如下：

ReSup：可靠标签噪声抑制框架

针对真实场景下因主观标注导致的标签噪声问题，提出 ReSup 方法。不同于传统直接判断标签是否含噪的方式，ReSup通过建模预测结果与目标标签之间的差异分布，同步学习噪声与干净样本的联合分布，提升噪声判定的可靠性。进一步引入双网络协同决策机制，利用“双网共错概率低”的特性，通过决策交换与一致性增强，有效减少误判带来的训练干扰，显著提升模型在含噪数据下的学习效率与稳定性。

Co-dance with Ambiguity：面向模糊性的鲁棒识别范式

从“与模糊性共舞”的视角出发，系统性地将标签不确定性建模为可优化的学习过程。ReSup方法作为其核心实现，不仅抑制噪声影响，更通过动态调整样本权重，使模型在复杂、模糊的驾驶环境中具备更强的鲁棒性与适应能力。

基础模型构建：合成数据驱动的通用表达识别

针对真实数据集中存在的类别不平衡（如“恐惧”、“厌恶”样本稀少）问题，提出基于人工可控方式生成大规模标准化面部表情数据集的方案。利用此类高质量、无噪声、均衡分布的合成数据进行无监督预训练，构建通用的面部表情基础模型。该模型可通过微调高效适配于智能座舱情绪识别、人机交互情感反馈等下游任务，大幅提升模型的泛化能力与实际落地价值。

本模块研究成果形成了“噪声抑制 → 模型鲁棒 → 基础模型泛化”的技术闭环，为高精度、高可靠性表情识别提供了坚实的理论与技术支撑。

查看模型详情