近日，北京理工大学深北莫专项博士研究生上官子轩同学，以深北莫为第一单位，其本人为第一作者，在国际工程技术顶级期刊《ACM Computing Surveys》（影响因子：28）上发表题为《Facial Expression Analysis and Its Potentials in IoT Systems: A Contemporary Survey》的研究论文。论文合作作者包括深北莫人工智能研究院董延杰副教授、胡希平教授、梁中明教授、香港科技大学郭嵩教授以及加拿大三院院士, IEEE终身会士M. Jamal Deen教授。
随着物联网技术自1999年提出以来不断渗透进社会各个层面，其在民用和工业场景中催生了海量数据的生成和处理需求。为应对数据隐私风险，信息处理逐步从云端向网络边缘迁移，边缘计算凭借低延迟和高安全性的优势，为实时情绪检测、交通监测及智慧医疗等新兴应用提供了支撑。
在人类情绪表达中，面部表情承担了超过55%的情绪信息传递功能，成为物联网系统中实现情绪感知的重要媒介。研究指出，IoT终端设备可采集面部表情图像并进行预处理，再通过边缘设备实现隐私保护下的实时决策分析。论文进一步将面部表情分为宏观表情（MaEs）与微表情（MiEs），前者持续时间较长且识别准确率高，可广泛应用于自动驾驶、心理健康评估及人机交互等场景；而微表情具有快速、难以察觉的特性，可用于揭示隐藏情绪，已在谎言识别、刑侦识别与安全管控等IoT系统中展现出重要价值。
本研究综述了基于深度学习的MaE静态图像分析与动态序列分析模型，总结了在图像获取、情绪判别与模型设计等方面的关键技术路径。针对MiE的研究，论文进一步分析了微表情的“检测-识别”双阶段流程，并指出其在面向情绪深层次挖掘中的独特优势。
本论文不仅全面总结了当前面部表情识别技术在物联网环境中的典型应用场景，还展望了其在情绪智能、智慧安防及边缘智能系统中的广泛应用前景，为推动人机交互与边缘感知融合提供了重要理论参考与技术支撑。
论文链接：https://dl.acm.org/doi/10.1145/3737456
同期，董延杰副教授作为通信作者参与撰写的学术论文《Foundation Models and Intelligent Decision-Making: Progress, Challenges, and Perspectives》发表于全球综合类顶级期刊 The Innovation（2024年影响因子25.7）, 作为第一作者撰写的论文《Model Splitting Enhanced Communication-Efficient Federated Learning for CSI Feedback》发表于IEEE Transactions on Vehicular Technology, 其提出的分布式流水线并行训练机制, 可在不降低训练精度的同时, 大幅降低训练时长和节点间通信开销。
