7.3.4 被动感知
从感知设备的角度看，感知方式可以分为两类，即主动感知和被动感知。主动感知方式是指由感知设备主动发射信号或者需要被感知的目标积极配合完成感知的方式。例如，在被感知目标身上穿戴各种设备或者附着标签。与主动感知不同，被动感知不需要由某些感知设备主动发射信号，也不需要被动感知目标进行配合。被动感知技术近几年被广泛应用，其优势体现在以下几个方面。
（1）低成本：与基于脑电波图、音频或面部表情等主动感知的识别方式相比，被动感知技术并不需要特殊设备或者特别实验部署，大大降低了实验成本。
（2）大规模：被动感知技术获取的数据是海量的，这是其他感知方式无法比拟的，大规模的数据为研究提供了良好的契机。
（3）非侵入性：被动感知技术获取数据的方式是“悄无声息”的，并不会像主动感知方式一样给用户造成侵入式的感觉，用户体验较好。
（4）可实时分析亦可长时间分析：既可以通过抓取用户的实时被动感知数据，也可获取用户长时间的数据对其进行分析。
当前在大学生情绪检测中，常见的被动感知有基于社交网络的被动感知和基于手机或可穿戴设备的被动感知。
1.基于社交网络的被动感知
在线社交网络，又称社交媒体，是指允许用户撰写、评价、分享以及相互沟通交流的技术。近十几年来，在线社交网络取得了蓬勃发展。据相关统计，目前全世界共有42亿网络用户，其中包括了33.97亿活跃的在线社交网络用户。每个网络用户平均拥有7.6个社交媒体账户，平均每天花费在社交网络上的时间为116分钟。仅从2017年9月至2018年10月，社交媒体用户量增长了3.2亿。具有强大功能的在线社交网络吸引着人们在其平台上与朋友分享有意义的事件，表达自己的情感，所以社交媒体每天会产生大量的内容数据。(https://www.daowen.com)
随着互联网的发展，以微博、微信为代表的社交网络成为获取个人生活轨迹和情感信息的重要平台，也为当前的研究开启了一个新的方向。由于微博在学生群体中具有普及性、自由性和主观性，越来越多的学生选择个人微博“晒”心情、“晒”照片，更愿意以这种方式进行交流，表达个人情感。鉴于微博的这些特点，可以通过学生在微博上发表的信息来预先找出风险的迹象，这些有助于学生日后接受临床的筛查和心理疏导。
目前针对微博的工作是采用人工识别的方法，在大量的微博信息中寻找危机信号，但工作量大，容易导致疏忽和遗漏。而借助于计算机对微博内容进行分析，尤其是分析高校中重点关注的学生微博内容，有助于我们掌握观察对象近期的心理状况、情感诉求等，帮助高校心理工作者针对预测结果提供有效的干预工作，避免学生心理危机事件的发生。
2.基于手机或可穿戴设备的被动感知
20世纪60年代，可穿戴社交感知设备的思想和雏形由美国麻省理工学院多媒体实验室的研究工作者提出，它是一种可以用来记录日常生活活动和监测并保护用户身体健康的便携式电子设备。可穿戴设备作为个人日常数据采集入口和决策支持平台，能更紧密地联系个体与环境，更充分地利用客观数据反映用户的真实状态。随着科学水平的进步，大量的可穿戴式传感器被应用于身体活动和社交活动的监测中，这些可穿戴传感器主要包括GPS定位传感器、加速度计、相机、MEMS麦克风、光线传感器和生理化学传感器等，这些生物传感器可以测量重要的生理参数，如心率、血压、身体和皮肤温度、血氧饱和度、呼吸率、心电图等。此外，可见光、温度、气压、红外、行为等多传感器数据的融合可以更稳健地进行运动检测。2006年，美国麻省理工学院多媒体实验室的研究者实现了一种可穿戴计算平台（电子徽章）用于监测和分析人类的社交行为，它可以实时地从被捕获的非语言社交信号中提取语音特征，并用于识别常见的日常社交行为活动。近几年，在可穿戴计算的浪潮下，科学家们把可穿戴传感器应用于身心健康感知、智能手机感应以及运动检测，甚至还将其应用于主要包括儿童自闭症障碍诊断、老年人护理、行为治疗、压力焦虑监测等医疗诊断领域。利用活动轨迹追踪、心理压力监测、定义安全区、行为异常震动报警等手段帮助自闭症儿童进行康复治疗。
在心理健康评估方面，如情绪、焦虑、抑郁和压力，可穿戴感知技术也被广泛地应用，其中持续的生理监测将为临床治疗提供重要的补充数据。通过使用脑电图、胸带心率计和皮肤电传感器组成的头戴式心理健康监测系统，集成了新型测量技术的可穿戴眼动追踪装置，而且还具有嵌入式传感器和智能手机实时人机交互的可穿戴式个性化监控系统。此外，支持传感器的智能手机应用程序或可穿戴传感器套件，也开始被用于收集人在自然环境中的压力、情绪和精神疾病的指数大小。如StressSense、BeWell可以识别来自人类语音的压抑情感，Affective Q-Sensorl471和AutoSense均被用于监测生理和心理状态。
随着移动计算获得大力发展，基于可穿戴设备结合手机进行心理健康监测可以通过语音、行为、环境和体征等传感器信息的变化，长时间客观地捕捉个人心理活动的微弱变化，一些研究者已经通过实验证明这是一种监测个人心理健康行之有效的手段。
随着被动感知技术的广泛应用，基于被动感知的情绪识别吸引了越来越多的研究人员的关注。基于被动感知的情绪识别研究工作的一般步骤如下：通过对被动感知数据的收集、预处理、特征提取、设计情绪识别模型，最后实现情绪系统目标的检测。高质量、合理地收集被动感知数据集是实现高精度情绪识别的基石。例如，在线社交网络感知数据一般通过网络爬虫或社交网络平台提供的API进行获取；智能手机感知数据需要研究人员专门设计用于爬取数据的APP来获得。对数据进行合理的预处理是模型高效训练的保障，通过数据预处理，一般可以清除原始数据中的大量噪声。特征提取方面，既可以根据领域经验设计对检测目标有用的特征，也可以利用深度学习技术提取特征。之后基于提取的特征，根据系统检测目标，可设计合适的机器学习模型。最后通过对模型的训练和测试，以验证所提出的模型方法的有效性。