荷兰 诺达思 面部表情分析系统 FaceReader

FaceReader 是 Noldus Information Technology BV 的面部表情分析软件，目前仍在售；第 10 版运行于 Windows 11。 深度学习先定位人脸，建立近 500 个关键点的面部模型，并直接从图像像素分类表情。 它以 0 至 1 的数值给出六种基本表情、中性与蔑视，并输出效价、唤醒度与 20 个动作单元；远程光电容积脉搏波可增加心率、心率变异性与呼吸率。 应用领域包括心理学、教育、可用性研究与消费者研究。 标准交付为软件本体与手册；选配包括项目分析、动作单元、生命体征、语音分析、高级研究与消费行为模块、Baby FaceReader、摄像头与计算机。 诺达思指出眼镜、头部转动超过 45° 与红外录像会限制性能。

荷兰 诺达思 面部表情分析系统 FaceReader

仪器信息

品牌Noldus
型号FaceReader
分类面部表情分析系统
仪器编码the-netherlands-noldus-facial-expression-recognition-software-facereader
在售状态在售
地区来源荷兰
更新时间2026-10-10
研究领域情感计算与自动面部表情分析、感官科学与消费者科学、食品科学与技术、教育心理学、临床神经病学与神经退行性疾病诊断、消费者行为与市场营销研究、人机交互与行为测量

技术参数

共 90 条规格记录

产品状态在售
软件版本10.0
可选分析模块Action Unit Module、Vital Signs Module、Voice Analysis Module、Advanced Research Module、Consumption Behavior Module
配套计算机配置Dell Pro Max Tower T2 FCT2250（或其后继型号）（订购 Noldus 完整解决方案时）
配套计算机配置Intel Core Ultra 7 Serie 2（20 Core，30MB Cache，2.4GHz）（FaceReader 测试所用 Dell Pro Max Tower T2）
配套计算机配置8GB GDDR6 SDRAM（FaceReader 测试所用 Dell Pro Max Tower T2）
配套计算机配置NVIDIA RTX A1000（FaceReader 测试所用 Dell Pro Max Tower T2）
适用被试年龄3 岁及以上（常规 FaceReader 版本）
适用被试年龄6–24 个月（Baby FaceReader 版本）
人脸定位算法基于深度学习的人脸查找算法
面部建模关键点数量近 500 个（FaceReader 10）
神经网络训练图像量超过 100,000 张人脸图像
心率测量原理远程光电容积描记法（RPPG）
心率测量方法专利号EP2960862A1
效价计算方式happy 的强度减去负面情绪的最大值
唤醒度计算依据基于动作单元的激活与波动性
分析前校准要求无需校准即可开始分析
表情识别准确率99%（高质量图像素材；厂商标示值）
表情分类准确率98.7%（ADFES）；97.2%（WSEFEP）（FaceReader 10；由 FACS 认证标注员标注的理想条件数据集）
表情分类准确率93%（东亚模型）；91%（通用模型）（Taiwanese Facial Expression Image Database（TFEID，268 张图像））
动作单元分类 F1 分数0.83（ADFES）；0.80（WSEFEP）（FaceReader 10；理想条件数据集）
动作单元分类 F1 分数0.69（FaceReader 10 婴儿模型；Baby FACS Manual 数据集）
性别分类准确率94%（FaceReader 10；内部测试集）
眼镜检测准确率99.2%（FaceReader 10；内部测试集）
可识别基本表情6 种（happy、sad、angry、surprised、scared、disgusted），另可识别中性状态并分析轻蔑
表情强度输出范围0–1（每个表情的连续输出值）
性别判定置信度范围0–100%
面部状态分类项左右眼睁开或闭合；嘴张开或闭合；左右眉上扬、自然或下压
全局视线方向数量9 个方向
头部朝向测量角度pitch、yaw、roll 三个角度
动作单元数量20 个（Action Unit Module）
动作单元强度分级0.000–1.000（Not Active、A、B、C、D、E 六级）（连续动作单元值）
语音情绪识别类别neutral、happy、sad、angry（Voice Analysis Module）
语音分析音频缓冲时长约 1 s（Voice Analysis Module）
语音分析适用语言英语（含朗读语音与自然语音）（Voice Analysis Module；模型训练与测试语种）
心率变异性指标RMSSD（ms）；SDNN（Vital Signs Module）
呼吸率校准时间15 s 校准；另需 15 s 获得可靠测量值（Vital Signs Module）
呼吸率测量前提条件视频中上身须可见；剧烈运动会重置校准（Vital Signs Module 呼吸率测量）
多主体分析最大人数8 人（Advanced Research Module；单段视频）
眼动分析输出指标注视点（fixations）与扫视（saccades），可生成热点图（Advanced Research Module 眼动追踪）
消费行为可分析项咀嚼与咀嚼动作；摄入事件（咬一口或喝一口）（Consumption Behavior Module）
消费行为测量前提条件被试双手须可见（Consumption Behavior Module 摄入行为测量）
视频分析最大建议时长2 h（15 fps）；1 h（30 fps）（视频文件分析）
摄像头实时分析最大时长2 h（经 USB 或 IP 摄像头实时分析）
分析采样率5–10 frames/sec（典型）（经 USB 或 IP 摄像头实时分析；取决于处理能力与图像质量）
分析采样率取决于视频帧率（例 30 frames/sec）（逐帧（frame-by-frame）分析）
短时表情检测下限100 msec（逐帧分析模式）
视频分析加速倍率可每隔 2 帧或每隔 3 帧分析（高速分析模式）
面部朝向容许角度<45°（被试站立或坐姿并正视摄像头）
事件标记与刺激总数上限36 个（项目分析）
外部程序接口通信协议TCP/IP
外部程序接口开发框架.Net
设备网络集成协议支持支持（需 The Observer XT 13 或更新版本并配 External Data Module，实时观察时）
操作系统Windows 11 Pro（64 位）（使用自备计算机；经美国英语版测试）
CPU 最低要求Intel Core i5 第 8 代或更高；AMD Ryzen 5 4000 系列或更高（使用自备计算机）
CPU 指令集要求支持 AVX2 或更高（使用自备计算机）
CPU 指令集要求支持 AVX（使用 Consumption Behavior Module 时）
内存最低要求最低 8 GB（使用自备计算机）
用户界面语言英语、简体中文（安装时选择；文档同样提供两种语言）
文档格式HTML5
支持的视频编解码器MPEG1、MPEG2、XviD、DivX4、DivX5、DivX6、H.264、H.265、DivX、DV-AVI、未压缩 AVI（视频输入）
支持的音频编解码器AAC、MP3、AC3、WMA（视频伴音回放与分析）
支持的静态图像格式*.jpg、*.bmp、*.gif、*.png、*.tga（静态图像输入）
动画 GIF 支持不支持（仅使用动画 GIF 的第一帧）（静态图像输入）
图像与视频可旋转角度90°、180°、270°
关键点坐标导出规格网格全部关键点的 X、Y、Z 坐标（mm）；67 个主关键点的 X、Y 坐标（像素）（详细日志导出）
分析数据导出格式.txt、.xls
图表导出图像格式.png、.bmp、.jpg、.tiff、.gif
行为分析软件数据交换格式.odx
自定义表情可用输入变量面部表情、动作单元、衍生表情（效价与唤醒）、自定义表情、头部朝向、头部位置、视线角度、心率与心率变异性、常量值（自定义表情算法构建）
自定义表情运算类型数学运算、逻辑运算、时间运算（自定义表情算法构建）
独立变量类型Numerical、Nominal（项目分析中的用户自定义独立变量）
默认独立变量Age & Gender
项目分析图表类型Pie chart、Box plot、Bars、Circumplex model、Line chart、Table（项目分析）
项目分析统计量平均值、最小值、最大值、中位数、标准差（被试组统计）
许可方式浮动软件许可；固定软件许可
摄像头最低分辨率640×480 像素（CCD 网络摄像头或 Imaging Source USB）
经测试的摄像头Logitech BRIO (USB3)、Microsoft LifeCam Studio (USB2)、Axis M1065-L (IP-camera)、Logitech C920、C922、C925e、C930e
摄像头适用性限制Logitech BRIO 不适用于心率与心率变异性测量（心率与心率变异性测量）
生理测量推荐视频规格1280×720 像素，帧率 ≥15 fps（推荐 30 fps）（Vital Signs Module；最佳 RPPG 测量）
红外摄像头支持支持（用于低光环境），但此时无法用 RPPG 模块分析心率与心率变异性（低光照环境）
照明要求漫射正面照明效果最佳；光强与颜色影响较小，应避免强反射或阴影
摄像头安装位置正对被试面部；被试面对屏幕时置于屏幕正上方或正下方
预期用途限制用于研究或培训应用，不用于医疗用途
眼镜佩戴使用限制厚重深色镜框会显著降低分类性能；可用偏振滤镜减少镜片反光
单次分析人脸数限制一次分析一张面孔（静态图像分析；视频可用多主体分析）
族群适用性针对不同族裔人群训练
婴幼儿分析功能边界不包含基本表情分析（Baby FACS 未验证）（Baby FaceReader 版本）
婴幼儿分析可测量输出效价与唤醒、动作单元、自定义表情、视线方向、头部朝向、面部状态（Baby FaceReader 版本）
云端版本集成支持；基于云服务器运行，无需现场安装，数据可导入 FaceReader 进一步分析

相关实验室

以下机构来自本仪器关联论文的作者署名，不代表已确认采购或持有该仪器。

中国成都，成都医学院

地区：中国

署名作者：Meimei Mouse、杨曦

研究方向：帕金森病、贝叶斯网络、树增强网络、预测模型

关联论文 1 篇

美国弗吉尼亚州夏洛茨维尔，弗吉尼亚大学

地区：美国

署名作者：特蕾西·静·库塔卡、塔拉·霍夫肯斯

研究方向：成就情绪、幼儿数学、算术、故事应用题

关联论文 1 篇

特拉斯-奥斯-蒙特斯和上杜罗大学

地区：葡萄牙

署名作者：卡塔琳娜·马克斯、艾丽丝·维莱拉

研究方向：葡萄酒情绪、杜罗河葡萄酒、消费者行为、主成分分析

关联论文 1 篇

畿央大学

地区：日本

署名作者：松藤 康代、山本 隆

研究方向：愉悦度评分、呈味物诱发的情绪、预测模型、客观评估

关联论文 1 篇

实验方法

研究方向：基于面部动作编码系统（FACS）的基本情绪自动编码、食品与饮品愉悦度的内隐情绪测量、由面部情绪强度预测消费者喜好度与接受度、酒类产品的情绪-感官画像构建、幼儿数学问题解决过程中的成就情绪研究、帕金森病面具脸量化与机器学习筛查、自动面部编码的效度检验与方法学标准化、面部表情与自我报告、生理指标的多模态融合

基于 FaceReader 面部表情分析的食品饮品情绪响应与愉悦度预测实验

方法说明：该方法以 Noldus FaceReader 面部表情分析系统为核心测量手段，在标准化感官评价环境中让被试品尝目标样品（基本味觉溶液、饮料或葡萄酒），同步用摄像机记录其面部影像，由 FaceReader 逐帧自动识别中性、高兴、悲伤、愤怒、惊讶、恐惧、厌恶七类情绪并输出 0 至 1 的强度值；随后将情绪强度与被试自我报告的愉悦度（hedonic rating）或喜好度评分进行相关与回归建模，验证内隐面部情绪能否预测外显喜好，并比较不同产品类型、不同人口学分组的情绪画像差异。该方法弥补了传统九点标度等外显方法易受语言表达能力与社会期许影响的缺陷，为食品饮品研发与市场定位提供客观化的情绪证据。

实验仪器：面部表情分析系统 FaceReader 8.1 / FaceReader 9.0；数码摄像机 Cyber-shot DSC-WX350；高清网络摄像头 HD Pro C920；统计分析软件 SPSS Statistics 25；标准化感官评价隔间；标准品酒杯 ISO 3591 标准品酒杯

实验步骤

  1. 被试招募与筛选

    说明：招募无味觉、嗅觉障碍且面部无遮挡（如浓妆、胡须、镜片反光）的健康被试，记录年龄、性别等人口学信息，签署知情同意书并告知全程录像。

    关键点：被试须无影响味觉感知的疾病史与用药史；须明确告知录像用途以满足伦理要求；避免佩戴反光眼镜、口罩、帽檐遮挡额部，否则 FaceReader 的面部建模会失败。

  2. 样品制备与呈递方案设计

    说明：按实验设计配制不同浓度的基本味觉溶液或按统一温度、统一容量呈递饮品、葡萄酒样品，使用随机三位数编码盲标，并采用平衡随机顺序呈递以抵消顺序效应。

    关键点：样品量、温度、盛装器皿须完全一致（如每份 10 mL）；样品间设置强制间隔（如不少于 2 分钟）并用蒸馏水漱口以消除残留味与味觉疲劳。

  3. 记录环境与采集设备标定

    说明：在感官评价室或独立隔间内布置均匀白光照明，将数码摄像机或高清网络摄像头置于被试正前方固定距离（如 2 米），使被试正面头像充满画面。

    关键点：照明必须均匀、无侧向阴影、无逆光；相机光轴与被试视线保持水平正对；录像帧率不低于 30 Hz，分辨率不低于 1080p，以保证 FaceReader 能稳定完成面部关键点拟合。

  4. 品尝与面部影像同步采集

    说明：被试按指令取样入口、含服约 1 秒后吞咽（或按标准品酒流程含漱后吐出），全过程连续录像，并记录取样、入口、吞咽的时间戳作为后续截取分析窗口的依据。

    关键点：必须记录精确的入口时刻，因为厌恶类刺激的面部反应多出现在被试开口评论之前；被试在品尝瞬间不应说话或用手触碰面部，否则会污染该时间窗的表情数据。

  5. FaceReader 自动情绪编码

    说明：将录像导入 FaceReader（8.1 或 9.0 版），软件依次完成面部检测、500 余个关键点的主动外观模型建模、深度神经网络分类，逐帧输出七种情绪强度及效价、唤醒度、面部动作单元数据。

    关键点：须为每位被试选择合适的人群模型（如通用模型、东亚模型、儿童模型）并进行个体化校准；对建模失败（FIND_FAILED）的帧须剔除或人工复核，避免把缺失值当作零强度纳入统计。

  6. 分析时间窗选取

    说明：确定代表性单帧（one-shot）以及围绕该帧的 2 秒、4 秒、6 秒平均窗口，比较不同时间窗下情绪强度对愉悦度的预测效力。

    关键点：时间窗过长会把品尝前后的无关表情平均进来从而稀释信号，实证表明单帧与 2 秒窗的预测效果优于 4 秒与 6 秒窗。

  7. 外显评分采集

    说明：每次品尝后立即让被试在愉悦度标度（如 -5 至 +5）或 9 点喜好标度上评分，必要时补充情绪词问卷（如 EsSense Profile）。

    关键点：外显评分须在表情录制完成之后采集，避免评分动作本身干扰面部表情；标度的两端锚定词须在正式实验前统一讲解。

  8. 统计建模与验证

    说明：用 Shapiro-Wilk、Kolmogorov-Smirnov 检验分布形态，用 Spearman/Pearson 相关分析情绪间关系，以七种情绪强度为自变量建立多元线性回归预测愉悦度，再以独立被试与新样品集做外部验证；对多产品比较可用主成分分析（PCA）绘制情绪画像。

    关键点：须检验情绪变量之间的多重共线性（中性与高兴、悲伤常高度相关）；模型必须在独立样本上外部验证，仅报告训练集 R² 会高估预测能力。

实验数据

七类基本情绪逐帧强度值

数据来源：FaceReader 软件对品尝过程录像的逐帧自动分类输出

实验样本：以 30 Hz 逐帧输出 neutral、happy、sad、angry、surprised、scared、disgusted 七列取值 0 至 1 的强度，例如某被试饮用蔗糖溶液时 happy=0.42、neutral=0.31、disgusted=0.02

数据呈现：情绪强度随时间变化的折线图；各刺激下情绪强度的箱线图（中位数、四分位距、极值）；多产品情绪画像的主成分分析双标图

效价与唤醒度指标

数据来源：FaceReader 由情绪强度派生计算的 valence 与 arousal 输出

实验样本：某红葡萄酒样品的平均唤醒度为 0.31，女性被试的唤醒度普遍高于男性被试

数据呈现：效价-唤醒度二维散点图；按性别、酒种分组的柱状图

自我报告愉悦度与喜好度评分

数据来源：被试在每次品尝后填写的 -5 至 +5 愉悦度标度或 9 点喜好标度

实验样本：蔗糖溶液平均愉悦度 +3.2，奎宁溶液平均愉悦度 -3.6

数据呈现：各样品愉悦度均值的柱状图；预测值与实测值的散点图及拟合直线

愉悦度预测回归模型参数

数据来源：以实验一数据拟合、并在实验二独立被试上验证的多元线性回归方程

实验样本：Hedonic rating = 4.914 × surprise + 7.568 × happiness + 0.617 × scare + 4.393 × neutral − 1.402 × disgust − 2.414 × sadness − 3.917 × angry − 3.234，调整后 R² = 0.614

数据呈现：回归系数条形图；预测值-实测值一致性散点图（带 y=x 参考线）

面部动作单元（AU）活动强度

数据来源：FaceReader 对 20 个常用面部动作单元的自动识别与左右半脸强度输出

实验样本：厌恶刺激下 AU9（皱鼻）与 AU10（上唇提升）强度明显升高

数据呈现：动作单元强度热力图；单个 AU 随时间的强度曲线

方法关联论文：通过不同饮品诱发的面部表情预测主观愉悦度评分；FaceReader 对杜罗河葡萄酒情绪响应的洞察

基于 FaceReader 的课堂教学情境幼儿成就情绪自动编码实验

方法说明：该方法把 Noldus FaceReader 面部表情分析系统引入真实教学情境，用摄像机记录幼儿在完成算术故事题的一对一教学环节中的全过程影像，由 FaceReader 9 对每一视频帧自动编码高兴、悲伤、惊讶、愤怒、恐惧、厌恶六种基本情绪及中性状态的强度，得到随时间连续变化的情绪强度曲线；再把情绪强度作为函数型自变量，用函数型回归模型预测该教学环节结束时幼儿的算术解题正确率，并控制教学实验推进时间的影响，从而揭示不同成就情绪对短期学习成效的动态作用。该方法解决了幼儿难以用语言准确自评情绪、传统人工编码耗时且主观的难题。

实验仪器：面部表情分析系统 FaceReader 9；运动摄像机 GoPro HERO；函数型回归统计分析软件环境 R

实验步骤

  1. 教学实验设计与被试招募

    说明：招募幼儿园阶段儿童，设计为期数月的教学实验（teaching experiment），按难度递增编排算术故事题，并在实验的起始、中期、末期安排三次评估性教学环节。

    关键点：须取得监护人与所在园所的知情同意及录像授权；题目难度须按儿童已有策略水平递增，以保证能诱发真实而非单一的情绪反应。

  2. 教学环节录像采集

    说明：用 GoPro 摄像机对每次一对一教学环节全程录像，机位固定于儿童正前方，确保儿童面部完整、清晰入画。

    关键点：真实教学场景下儿童会频繁低头看题、转头看教师，须提前调整机位高度与角度以最大化正面面部可见时长；避免窗户逆光造成面部曝光不足。

  3. 解题正确率与策略编码

    说明：由人工编码员对录像中的每一次作答判定正误，作答正确或在教师支持下正确记为 1，否则记为 0，并同时编码解题策略的成熟度。

    关键点：须明确区分独立正确与教师支持下正确的记分规则；将环节内全部作答的正确性取均值得到该环节的正确率，作为后续回归的因变量。

  4. FaceReader 9 自动情绪编码

    说明：将录像导入 FaceReader 9，软件依次执行面部定位、动态网格覆盖以捕捉面部肌肉运动与注视方向、神经网络计算所显示表情与情绪特异性表情库的吻合程度，输出 0 至 1 的情绪强度。

    关键点：必须选用适配儿童面部比例的人群模型，成人通用模型会显著降低识别准确率；情绪强度的解释以 0 为不可见、0.2 为略可见、0.5 为清晰可见、1 为原型化情绪为准。

  5. 情绪时间序列的重采样与窗口截取

    说明：将逐帧输出的情绪强度在每 1 秒内取均值以降低噪声，并截取每次教学环节起始后第 40 秒至第 250 秒共 210 秒的教学导入片段作为分析区间。

    关键点：截取统一长度的时间窗是跨环节、跨儿童可比的前提；剔除前 40 秒的入场寒暄段可避免与学习任务无关的社交性表情干扰。

  6. 函数型回归建模

    说明：以 1 秒粒度的情绪强度曲线为函数型自变量、以环节末的算术正确率为因变量拟合函数型回归模型，得到随时间变化的回归系数曲线及其置信带；再把教学实验推进的时间效应作为协变量纳入模型重新拟合。

    关键点：系数曲线的符号会在时间进程中翻转，须按时间点而非整体平均来解读；加入时间协变量后情绪效应是否依然显著，是区分真实情绪效应与随实验推进产生的熟悉度效应的关键。

  7. 结果解释与教学启示提炼

    说明：比较高兴、悲伤、惊讶三类最强情绪的系数曲线形态，识别显著窗口，并结合教学实录解释情绪出现的情境来源。

    关键点：负性情绪在短期内未必损害成绩，解释时须避免把情绪效价与学习效果简单等同；须结合具体教学片段做质性佐证。

实验数据

六种基本情绪与中性状态的逐帧强度

数据来源：FaceReader 9 对教学环节录像的逐帧自动编码输出

实验样本：某儿童在教学导入第 35 秒时 happy=0.63、surprised=0.21、sad=0.04，其余情绪接近 0

数据呈现：情绪强度随教学时间推进的折线图；各情绪出现频次与平均强度的柱状图

算术故事题解题正确率

数据来源：人工编码员对录像中儿童每次作答的正误判定与环节级汇总

实验样本：某次教学环节共 8 次作答，其中 6 次正确，环节正确率为 0.75

数据呈现：环节正确率随教学实验推进的轨迹图；按儿童分组的正确率分布图

函数型回归系数曲线

数据来源：以情绪强度曲线预测环节正确率所拟合的函数型回归模型输出

实验样本：高兴情绪的回归系数在起始阶段为正，约在第 120 秒翻转为负，其后趋于零；惊讶情绪的系数在控制时间效应后仍保持显著

数据呈现：带置信带的回归系数随时间变化曲线图，显著区间以阴影标注

注视方向与头部朝向

数据来源：FaceReader 9 对面部网格的分析输出

实验样本：儿童低头看题时头部俯仰角增大，该时段的情绪分类置信度下降

数据呈现：头部姿态角随时间的曲线图

方法关联论文：幼儿园阶段的成就情绪：解题正确率与离散的喜悦、悲伤及惊讶情绪之关联

基于 FaceReader 面部表情量化与贝叶斯网络推断的帕金森病识别实验

方法说明：该方法针对帕金森病患者的面具脸（hypomimia）这一早期非运动性体征，设计音节发音任务诱发面部肌肉运动，用笔记本电脑内置前置摄像头全程录像，由 Noldus FaceReader 7.0 自动捕捉眉部、唇部、鼻部关键点的位移并推断表情变化，输出高兴、悲伤、愤怒、惊讶、恐惧、中性、厌恶七类表情强度；再按不分音节、单音节、双音节、多音节分别构建树增强朴素贝叶斯网络（TAN）分类模型，结合年龄、性别、职业、受教育程度、吸烟饮酒等人口学变量，评估面部表情参数对帕金森病的判别能力。该方法为帕金森病提供了一种非接触、低成本、可远程实施的辅助筛查思路。

实验仪器：面部表情分析系统 FaceReader 7.0；笔记本电脑内置前置摄像头；笔记本电脑；贝叶斯网络建模软件 BayesiaLab

实验步骤

  1. 病例与对照的入组与配对

    说明：纳入经临床确诊的帕金森病患者与人口学特征相匹配的健康对照者（本研究各 18 例），采集年龄、性别、职业、受教育程度、吸烟与饮酒习惯等基线信息。

    关键点：须严格执行帕金森病的临床诊断标准并排除其他可导致面部运动减少的疾病；对照组须在年龄、性别构成上与病例组匹配，避免混杂。

  2. 音节发音测试材料编制

    说明：编制包含 26 个测试样本的幻灯片，按单音节、双音节、多音节分层编排，覆盖不同的唇形与舌位，使不同的面部肌肉群被充分调动。

    关键点：音节须覆盖唇齿音、圆唇音等不同发音部位，以保证眉、唇、鼻各区域的肌肉都能被激活；呈现节奏须统一，避免被试因阅读速度差异产生系统偏差。

  3. 发音过程的面部影像采集

    说明：被试端坐于笔记本电脑前朗读屏幕上依次呈现的测试样本，笔记本内置前置摄像头同步录制全部测试过程。

    关键点：被试与屏幕的距离、坐姿与头部高度须保持一致；环境光线须均匀稳定；须提前告知被试尽量不做与发音无关的面部动作（如擦汗、扶眼镜）。

  4. FaceReader 7.0 面部参数提取

    说明：将录像导入 Noldus FaceReader 7.0，软件识别发音过程中相关肌肉群的运动，捕捉分布于眉毛、嘴唇和鼻部各关键点的位移，据此推断面部表情变化，输出七类表情强度并可分别度量左右半脸的动作单元活动强度。

    关键点：关键点位移是推断表情的基础，任何遮挡（口罩、刘海）都会破坏建模；对于面具脸患者表情强度普遍偏低的情形，须保留原始连续值而非二值化，以保存细微差异。

  5. 数据集构建与变量筛选

    说明：将全部被试的面部表情参数（本研究共 67224 条）与人口学变量合并，按不分音节、单音节、双音节、多音节切分为四套数据集，进行离散化与变量筛选。

    关键点：按音节类型分层建模是本方法的核心，不同音节激活的肌肉群不同，混合建模会掩盖特定音节的判别价值；连续型表情强度须按合适策略离散化以适配贝叶斯网络。

  6. 树增强贝叶斯网络建模

    说明：以是否患帕金森病为目标节点，以各类表情强度与人口学变量为特征节点，构建树增强朴素贝叶斯网络（TAN），学习网络结构与条件概率表，输出患病后验概率。

    关键点：TAN 允许特征节点之间存在有限的依赖关系，比朴素贝叶斯更契合面部表情之间高度相关的实际情况；须用交叉验证防止小样本条件下的过拟合。

  7. 模型性能评估与表情-患病概率关联分析

    说明：绘制 ROC 曲线并计算各模型的曲线下面积（AUC），比较不同音节模型的判别效能；同时分析各类正性与负性表情强度与患病概率之间的相关方向与强度。

    关键点：须报告各音节模型的 AUC 以识别最具判别价值的发音任务；对与整体趋势相反的例外结果（如双音节条件下的悲伤、恐惧、厌恶）须单独讨论而非笼统概括。

实验数据

七类面部表情强度参数

数据来源：Noldus FaceReader 7.0 对发音测试录像的自动分析输出

实验样本：全部被试共获得 67224 条面部表情参数，涵盖 Happy、Sad、Angry、Surprised、Scared、Neutral、Disgusted 七类表情

数据呈现：病例组与对照组表情强度分布的箱线图；按音节类型分组的表情强度雷达图

面部关键点位移数据

数据来源：FaceReader 7.0 对眉毛、嘴唇、鼻部分布关键点的运动捕捉

实验样本：发音过程中唇部关键点的位移幅度在帕金森病组普遍小于对照组，体现面具脸特征

数据呈现：关键点位移轨迹叠加于面部网格的可视化；位移幅度随发音时间的曲线图

贝叶斯网络分类模型性能指标

数据来源：按不同音节类型训练的树增强贝叶斯网络在测试数据上的判别结果

实验样本：不分音节、单音节、双音节、多音节训练模型的曲线下面积分别为 0.960、0.958 和 0.962

数据呈现：各模型的 ROC 曲线对比图；AUC 取值的柱状图

人口学与生活方式协变量

数据来源：入组时采集的结构化问卷信息

实验样本：包括年龄、性别、职业、受教育程度、饮酒与吸烟习惯

数据呈现：病例组与对照组基线特征的对照表格

表情类型与患病概率的相关方向

数据来源：贝叶斯网络推断得到的各表情节点与目标节点的关联

实验样本：正性表情与帕金森病概率呈负相关；悲伤、愤怒、恐惧、厌恶等负性表情呈正相关，双音节模型下悲伤、恐惧、厌恶为例外

数据呈现：相关方向与强度的热力图；按音节类型分面的条形图

方法关联论文：面部表情变化可通过贝叶斯推断识别帕金森病

主要部件

暂未收录主要部件

相关论文

共 4 篇；当前显示第 1 页

FaceReader 对杜罗河葡萄酒情绪响应的洞察

原文题名：FaceReader Insights into the Emotional Response of Douro Wines

发表年份：2024

作者：卡塔琳娜·马克斯；艾丽丝·维莱拉

刊源：Applied Sciences

DOI 10.3390/app142110053
查看论文摘要与书目信息

摘要 · 中文整理：理解消费者对葡萄酒的情绪反应对于改进营销策略与产品开发至关重要，情绪在塑造消费者偏好方面起着关键作用。本研究使用 FaceReader 软件 9.0 版（荷兰瓦赫宁恩 Noldus Information Technology 公司）进行面部表情分析，考察不同类型杜罗河葡萄酒（白葡萄酒、红葡萄酒与波特酒）所诱发的情绪反应。共有 80 名被试品尝了六款酒样，其面部表情被记录并加以分析。FaceReader 对高兴、悲伤、愤怒、惊讶、恐惧和厌恶等情绪的强度进行了量化，同时评估了唤醒水平。研究通过主成分分析（PCA）识别基于情绪反应的模式与分组。结果表明，白葡萄酒因其酸度而引发较多悲伤情绪，红葡萄酒则与较低水平的悲伤以及更强的舒适感相关；波特酒诱发惊讶情绪，这可能源于其甜型与加强型的特性。此外，在所有酒类中女性被试的唤醒水平都持续高于男性被试。本研究揭示了各类葡萄酒各自不同的情绪画像，并提示性别等人口学因素会影响情绪反应。这些洞察可为精准营销提供依据，并通过使葡萄酒特性与情绪投入更好地匹配来提升消费者体验。

原文摘要：Understanding consumers' emotional responses to wine is essential for improving marketing strategies and product development. Emotions play a pivotal role in shaping consumer preferences. This study investigates the emotional reactions elicited by different types of Douro wines (white, red, and Port) through facial expression analysis using FaceReader software, version 9.0 (Noldus Information Technology, Wageningen, The Netherlands). A total of 80 participants tasted six wine samples, and their facial expressions were recorded and analyzed. FaceReader quantified the intensity of emotions such as happiness, sadness, anger, surprise, fear, and disgust. Arousal levels were also assessed. The results were analyzed through principal component analysis (PCA) to identify patterns and groupings based on emotional responses. White wines evoked more sadness due to their acidity, while red wines were associated with lower levels of sadness and greater comfort. Port wines elicited surprise, probably due to their sweet and fortified nature. Additionally, female participants showed consistently higher arousal levels than males across all wine types. The study highlights distinct emotional profiles for each type of wine and suggests that demographic factors, such as gender, influence emotional responses. These insights can inform targeted marketing and enhance the consumer experience through better alignment of wine characteristics with emotional engagement.

关键词：葡萄酒情绪、面部表情分析、FaceReader 面部表情分析系统、杜罗河葡萄酒、消费者行为、主成分分析

研究目标：解决葡萄酒感官评价长期以风味描述与喜好打分为主、缺乏对消费者内隐情绪反应客观刻画的问题，探究白葡萄酒、红葡萄酒与波特酒三类杜罗河产区葡萄酒各自诱发的情绪画像，以及性别等人口学因素对情绪反应的调节作用。

主要结论：三类杜罗河葡萄酒具有可区分的情绪画像：白葡萄酒因酸度较高而诱发更多悲伤情绪，红葡萄酒对应较低的悲伤水平与更强的舒适感，波特酒因甜型加强酒的特性诱发惊讶情绪；女性被试在所有酒类上的唤醒水平均持续高于男性。研究证明 FaceReader 可用于构建葡萄酒的情绪-感官画像，并为按人群细分的精准营销提供依据。

创新点：其一，首次将 FaceReader 9.0 系统性应用于杜罗河法定产区白葡萄酒、红葡萄酒与波特酒三类产品的横向情绪比较，建立了产区导向的情绪画像；其二，在情绪强度之外同时纳入唤醒度指标并揭示稳定的性别差异；其三，用主成分分析把多维情绪输出压缩为可视化的情绪空间，使不同酒种的情绪聚类关系一目了然。

后续建议：将面部表情数据与葡萄酒的理化指标（总酸、残糖、酒精度、多酚含量）建立定量关联，解释情绪差异的化学成因；补充自我报告情绪问卷与购买意愿测量，检验内隐面部情绪与外显偏好、实际购买行为的一致性；扩大被试的国别与饮酒经验跨度，检验情绪画像是否受文化背景与专业程度调节；引入眼动追踪与心率变异性等多模态指标，区分酒标视觉信息与真实口感对情绪的独立贡献；采用时间维度的动态情绪分析（如时间强度法）刻画从入口到余味阶段的情绪演变轨迹

APA 引文：Marques, C., & Vilela, A. (2024). FaceReader insights into the emotional response of Douro wines. Applied Sciences, 14(21), 10053. https://doi.org/10.3390/app142110053

仪器引用：This study investigates the emotional reactions elicited by different types of Douro wines (white, red, and Port) through facial expression analysis using FaceReader software, version 9.0 (Noldus Information Technology, Wageningen, The Netherlands). A total of 80 participants tasted six wine samples, and their facial expressions were recorded and analyzed. FaceReader quantified the intensity of emotions such as happiness, sadness, anger, surprise, fear, and disgust.

使用资料与操作视频

Noldus产品演示——人机界面设计评估

简介：Noldus introduces an innovative new research tool: DriveLab. It combines the strengths of individual high-end components to deliver a powerful and easy-to-use test instrument for understanding driver behavior and evaluating human-machine interface designs. DriveLab has been designed in cooperation with Delft University and the HAN University of Applied Sciences.

发布时间：2020-03-10T10:18:56Z

Noldus产品演示——FaceReader的实时建模功能

简介：This video shows the realtime modeling capabilities of FaceReader. Based on the model, FaceReader can classify facial expressions, action units, the level or arousal and the valence of the expressions can be visualized in the Circumplex model.

发布时间：2020-03-10T09:43:51Z

Noldus FACEREADER 7.1产品演示

简介：Demosntração do FACEREADER, Software de reconhecimento da expressão facial da emoção, através da metodologia FACS. A mais completa ferramenta para análise automática das emoções na face humana desenvolvida pela Noldus Information Technology, parceira do Clue-Lab.

发布时间：2020-03-10T09:33:09Z

FaceReader 3D建模

简介：FaceReader works in three steps: face finding, face modeling & face classification. Step 2 has been significantly improved by introducing 3D modeling of the face. FaceReader now analyzes 491 keypoints in the face instead of 55 key points! As a result, FaceReader 4 can accurately analyze facial expressions even if the test participant is not looking directly into the camera.

发布时间：2020-03-10T09:28:21Z

Noldus产品演示——Viso记录过程模拟

简介：In a healthcare setting, it is common that medical students use multiple rooms，for their training in order to improve their professional skills.For example, the training could start in a consulting room where the doctor, your student,explains to the patient what is about to happen.The training could then proceed through the hallway,where the doctor transmits information to a nurse.

发布时间：2020-03-10T09:19:28Z

Viso-客观绩效评估的关键

简介：Viso is the multi room,multi video recording suite.Find out how Viso can help you set up your facility and take your projects to the next level.Check out this research and training facility as a nice example.When it's up to you to.High quality recording and multiple locations,centralized control, access and management. To give you peace of mind.Expand the system based on your needs,whether it's three, six or 20 rooms.

发布时间：2020-03-10T08:55:34Z

Noldus产品演示——Viso——用于音视频录制，汇报和回放

简介：Viso is the easy to use solution for creating video and audio recordings.Welcome to this training facility.designed to educate train and improve the skills of your students.With Viso you can create high quality recordings,with detailed markings in multiple locations at once,Viso provides you with control and easy management of all of the locations connected to the network.Let's zoom in...

发布时间：2020-03-10T08:29:43Z

Noldus产品演示—Viso—易于使用和可扩展的AV解决方案

简介：Group trainings, recorded on video,are the ideal way for students to practice their skills in a variety of fields.As an educator you schedule many of these training sessions.Often, the number of students is large,necessitating a multi-room setup.How do you handle recording in multiple rooms at once?What are the technical details to consider?With Viso you can start and stop recordings independently across multiple rooms.

发布时间：2020-03-10T07:52:19Z

Noldus产品演示——人类行为研究解决方案

简介：With Noldus, you can work smarter, gain better insights from your behavioral analysis,and experience seamless data integration.With over 25 years of experience, we can translate your questions into practical and proven solutions.For example, we offer complete labs to help you record video, emotions, heart rate, skin conductance, behavior, and more.The Observer XT is the ideal integration platform.With FaceReader, you can gain insight into the emotional state of your subject.

发布时间：2020-03-10T07:17:00Z

FaceReader——自动分析面部表情

简介：FaceReader offers great flexibility. FaceReader automatically analyzes facial expressions from video, live, or from an image. When analyzing one or more participant videos or image files, values can be visualized as bar graphs, in a pie chart, and as a continuous signal. Another graph displays the negativity or positivity of the emotion (valence). You can also calculate arousal.The timeline gives you a detailed visual representation of the data.

发布时间：2020-03-10T06:46:25Z

Noldus产品演示——数据集成

简介：As a researcher of human behavior,you work with huge amount of data which can quickly become overwhelming.You can only draw the proper conclusions from multiple data streams.If the data are in sync,data integration by Noldus is a powerful tool that organizes all of your data streams in one clear overview.It's easy to set up, simply select the desired data streams.And with a single click, you are ready to go.

发布时间：2020-03-10T06:37:01Z

Baby FaceReader ——让你更了解宝宝的情绪

简介：Get this – Baby FaceReader enables you to recognize the facial expressions of an infant automatically! Since young infants are unable to provide verbal feedback, their facial expressions can provide extra insights that help to understand their emotional reactions. With Baby FaceReader you can analyze infant responses to taste, odor, and other sensory stimuli, detect the expressive behaviors that occur during parent-child interactions, and more.

发布时间：2020-03-10T05:55:26Z