买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华东师范大学申请的专利一种基于多模态自适应融合网络的学习者情绪智能识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121117737B 。

龙图腾网通过国家知识产权局官网在2026-02-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511657497.9，技术领域涉及：G06F18/241；该发明授权一种基于多模态自适应融合网络的学习者情绪智能识别方法是由彭世豪;汤彬;郑家祺;洪道诚;施晓明设计研发完成，并于2025-11-13向国家知识产权局提交的专利申请。

本一种基于多模态自适应融合网络的学习者情绪智能识别方法在说明书摘要公布了：本发明公开了一种基于多模态自适应融合网络的学习者情绪智能识别方法，其特点是该方法包括：采集学习者在数字化学习过程中的多模态数据，通过跨模态语义监督模块对单模态特征进行语义增强，使各模态在存在噪声或信息不足时仍能获得补充的情绪表征；利用信息自适应融合模块，根据不同情绪类别对模态贡献度的差异，动态分配权重，实现多模态特征的自适应融合；最后将融合后的特征输入分类器，输出学习者的情绪状态。本发明与现有技术相比具有识别精度高、适应性强和教育场景应用价值突出的优点，实现对学习者情绪的智能识别，根据识别结果辅助调整教学策略，提升个性化导学水平，解决了特征表达不足、融合方式不灵活以及教育应用适配性差等问题。

本发明授权一种基于多模态自适应融合网络的学习者情绪智能识别方法在权利要求书中公布了：1.一种基于自适应融合网络的学习者情绪智能识别方法，其特征在于，采用语义增强与自适应融合相结合的方法，实现对学习者情绪的智能识别，具体包括以下步骤： 步骤1：模态数据的采集 采集学习者在数字化学习过程中包括：语音、面部表情及学习相关文本信息的多模态数据，所述多模态数据由下式表示为：，，； 其中，为一个批次的音频特征；为单个样本的音频特征序列长度；为音频特征的维度；为一个批次的视觉特征；为单个样本的视觉特征序列长度；为视觉特征的维度；为一个批次的文本特征；为单个样本的文本特征序列长度；为文本特征的维度；为批次的大小；为实数空间； 步骤2：语义监督模块的语义增强 利用跨模态语义监督模块对多模态数据的语音和视觉特征进行语义增强，获得带有辅助信息的单模态情绪特征表示； 步骤3：融合情绪特征的获取 利用信息自适应融合模块，对多模态情绪特征表示进行动态加权融合，得到融合情绪特征； 步骤4：情绪分类与导学应用 将融合情绪特征输入分类器，其输出为学习者的情绪识别结果，得到情绪类别概率分布，并根据预测结果驱动学习系统的个性化导学模块以调整教学内容、推荐学习资源或提示教师干预；其中： 所述步骤2中的跨模态语义监督模块采用基于可学习查询向量的跨注意力机制，将文本特征注入到语音特征和视觉特征中，实现单模态特征的语义补充与增强，具体包括： 1将音频与视觉特征线性投影到统一维度，并按下式对文本特征做对应投影： ； 其中，分别为投影之后的音频、视觉和文本特征；为批次的大小；为统一之后的特征序列长度；为统一之后的特征维度； 2设置个可学习查询向量，其中，为实数空间，为可学习查询向量的个数，为查询向量的维度，扩展为批次维度，得到，并通过与文本特征的交叉注意力模块逐层交互，得到下式表示的文本引导查询：，； 其中，为前一步的查询向量；为交叉注意力计算模块； 3以为查询，从投影后的音频与视觉特征中提取下式表示的语义上下文： ； ； 其中，，分别为音频和视觉经过查询之后的特征表示；为多头注意力计算模块； 4将提取到的上下文注入回原始模态表示，以实现增强，即下式表示的残差增强注意力： ； ； 其中，、分别为增强注意力之后的音频和视觉特征表示； 5通过可学习的通道权重参数、融合回原始模态，得到下式表示的增强厚的模态表示：, ； 其中，、分别为经过通道级的残差，得到最终的音频和视觉特征表示； 所述步骤3利用信息自适应融合模块获取融合情绪特征，具体包括： a根据语音特征与视觉特征的单模态表示和门控机制，生成初始融合权重； b结合各类情绪类别的先验概率分布，计算加权的语义密度得分； c利用语义密度得分对初始融合权重进行动态调节，得到最终的自适应融合权重。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华东师范大学，其通讯地址为：200241 上海市闵行区东川路500号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。