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。
關于FaceReader的7條指南
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。
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。
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。
