AI时代，随着人机交互日益深化，机器不仅要服务于人，更要“读懂人心”。当前，情绪识别领域的主流模型仍基于基础情绪分类理论，情绪维度单一，难以识别复杂混合情绪；部分厂商尝试使用连续的方式测量情绪，例如“效价-唤醒度二维框架”，但仅包括情绪的两个维度，缺乏更复杂的情绪变化捕捉能力。这不仅影响了情绪识别向更深层、更动态、更本质的维度演进，也制约了技术在心理健康、风险预警、情感计算等高价值场景的规模化落地。
作为专注于人工智能多模态情绪计算智能应用的科技型创新企业，连信基于国际公认的PAD三维情感模型（见注1），结合前沿Vision Transformer与自研优化算法，构建了高效精准的情绪回归与分类融合模型——连信PAD情绪强度模型，实现技术突破。近期，我们更完成技术进阶，成功突破传统情绪识别的扁平化限制，使模型在愉悦度（P）、唤醒度（A）、优势度（D）上的预测与人工标注相关性分别达到 0.91、0.83、0.88（表明模型达到与专家水平相当的情绪PAD判断能力），可精准捕捉情绪细微变化；服务器端高频推理延迟控制在45ms，完整接口响应为233ms，复杂环境鲁棒性显著提升；同时支持8类心理学语义情绪与9类正负性增强情绪量化识别，实现了业内领先的情绪量化可信度。 连信PAD情绪强度模型实现从“情绪判断”到“情绪量化”的核心跃迁，为各行业注入智能新动能，**推动情感计算真正迈向规模化商业应用。
注1：什么是PAD三维情感模型？
PAD情绪三维理论是由Mehrabian和Russell于1994年提出的情绪维度测量模型，该模型认为情绪具有愉悦度、激活度和优势度3个基础独立的维度，可以在三维空间中定位且描述绝大多数情绪。
P-愉悦度(Pleasure-displeasure)：反映个体情感状态的正负性，例如快乐或沮丧；
A-激活度（Arousal一nonarousal)：表示个体的神经生理激活水平，即情绪的强度，通过数值变化体现从放松到紧张、兴奋的情绪强度差异；
D-优势度（Domi-issiveness)：体现个体在情境中的控制感，如自信主导与被动顺从在优势度上呈现明显差异。
PAD模型能够将抽象复杂的情绪具体化、结构化，实现情绪的连续、动态量化监测，可以让人们更加了解情绪的多样性，从而更加理性看待自己的情绪，是情感计算研究的基础。
/连信PAD情绪强度模型核心优势
① 高精度情绪量化： 在愉悦度（P）、唤醒度（A）、优势度（D）三个维度上，模型预测与人工标注相关性分别达0.91、0.83、0.88，达到专家级判断水平**，可精准捕捉情绪细微变化。
② 双版本情绪映射，适配多场景应用需求：
8类情绪映射版本：在原始PAD 回归基础上，新增“符号一致性损失”，保证情绪象限方向正确，提升分类鲁棒性。
9类正负性增强版本：引入“距离保序损失”，维持情绪语义拓扑结构，贴近人类心理感知，减少几何偏移。
｜情绪类别在PAD中的理论位置概念图
③ 高精度情绪识别，负面情绪识别准确率行业领先
在识别能力上，8类情绪版本中敌意精准率达93%、紧张精准率 89%；9类版本中暴怒精准率更是高达98%，同时对“开心”等正向情绪保持96%的高召回率。PAD不仅能区分“生气”与“暴怒”，还能准确分辨“恐惧”与“敌意”、“紧张”与“焦虑”，实现行业稀缺的情绪强度、方向与控制感的全维度量化。
④ 训练数据覆盖全面，泛化能力更强
模型训练数据集融合AffectNet公开数据集（多国家、人种、年龄、性别）与自采中国用户数据（保证隐私安全前提下的模拟数据），既提升模型全球普适性，也确保对亚洲面部特征的高表现力，支持多情绪类别与强度的精准识别。
⑤ 推理性能优异，支持高并发实时场景
模型推理结构经并行与异步数据传输优化，服务器端推理延迟仅45ms，接口完整响应233ms，满足高并发实时分析需求，适应多场景、高要求应用需求。
/连信PAD情绪强度模型场景应用
连信PAD情绪强度模型可为生产安全（人员心理危机筛查）、教育（学生心理危机干预）、公安（嫌疑人心理状态识别）、司法（在押人员心理评估）、安防（边检辅助）及企业管理（员工状态监测） 等场景提供数据驱动的决策依据。
应用举例>>>
生产安全：在特殊生产环境中，连信PAD情绪强度模型可辅助检测上岗人员的疲劳程度、情绪稳定程度、是否处在压力状态，进行岗前岗后的心理检测，持续观测重点岗位人员的心理健康态势。
教育： 在教育场景中，连信PAD模型可支撑学生心理风险预警，如某位学生在人脸闸机打卡日常检测中PAD值持续或显著偏离其个人基线，系统可发出预警，需要对该学生进行重点关注；也可帮助老师进行课堂专注度趋势动态分析，优化教学方式。
公安：在公安审讯过程中，连信PAD模型可支撑对犯罪嫌疑人进行实时情绪监测，辅助审讯工作。 当民警针对特定案件细节提问时，如果观察到犯罪嫌疑人的优势度（D）值出现突然显著下降，这可能提示犯罪嫌疑人对该细节感到失控或不安，此信息可作为有价值的审讯线索，帮助民警调整策略，深入追问，提升办案效率。
司法： 在监狱或社区矫正场景中，连信PAD可辅助对在押或矫正人员进行长期情绪监测，发现潜在心理风险或情绪突变趋势，辅助矫正方案制定与再社会化进程管理。
安防：在口岸、边检等场景中，连信PAD模型可植入人像采集系统中，通过高频无感监测，识别潜在异常行为，如激活度（A）持续高位、优势度（D）异常波动等，辅助安防人员快速判断风险。
政要与舆情分析：在公共演讲、新闻发布会等场景中，连信PAD模型可辅助分析关键人物的情绪状态与变化趋势，为舆情研判与公关策略提供数据参考。
用户体验优化：利用连信PAD模型，可以帮助设计师更好地理解用户的需求和期望，创造出既实用又富有情感价值的交互体验。
｜连信PAD情绪强度模型能力展示-人物实时分析系统
在线教育：在线课堂的师生互动中，学生的参与质量无法被直接测量和评估，PAD情绪强度模型通过检测学生参与过程中的注意力、疲劳程度、情绪强度，辅助评估在线教学的质量。
连信PAD情绪强度模型现已上架“连心云”云能力开放平台，欢迎大家复制链接开启体验>>>open.lianxinyun.com. An image is worth 16x16 words: Transformers for image recognition at scale[J]. arXiv preprint arXiv:2010.11929.
Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology. MIT Press.
Mollahosseini A, Hasani B, Mahoor M H. (2017). Affectnet: A database for facial expression, valence, and arousal computing in the wild[J]. IEEE Transactions on Affective Computing, 2017, 10(1): 18-31.
