在线学习环境中,由于教师和学生时空的隔离,普遍存在情感缺失问题。学习者的学习效果会受到学习者的情感状态影响,学习者处于积极的情感状态时,对学习者的学习有促进作用,处于负向情感状态时,会降低学习者的学习效率。在线学习环境下,精准识别学习者的情感状态,当学习者出现负向情感时,给予情感支持将有效地提升学习者的学习效果和学习体验,因此研究一种在线视频学习环境下,对学习者无干扰且能精准地识别学习者情感状态的方法就显得尤为必要。本文是基于视频学习环境下眼动信息情感识别进行了研究。围绕这一主题,我们做了以下工作:(1)设计情感及眼动数据采集方案并实施,采集所需要的实验数据。采用眼动仪获取眼动信息,通过划分不同时间窗口的数据集,探究了不同时间窗口大小对结果的影响。对数据进行预处理,去除异常值和缺省值,对数据进行归一化。(2)使用机器学习算法构建分类器对眼动数据进行分类。首先把数据按照5秒、10秒和15秒的时间窗口进行设置,然后对眼动信息与情感状态进行相关性分析,得到与情感状态最相关的眼动信息,如注视、眼跳、眨眼和瞳孔直径等信息。最终得到了27个眼动特征并将数据做好标签。把数据按一定比例分为训练集和测试集。使用支持向量机、随机森林和朴素贝叶斯算法对数据进行学习,经过实验发现在10秒的时间窗口下,支持向量机获得了72%的分类结果。(3)改进一个基于子网络块堆叠的网络FCCNs用于对眼动数据进行分类。子网络包含了四路并联结构,第一路为一个最大池化的池化层,加上一个卷积层,获取图像的低频特征;第二路为一个平均池化的池化层,加上一个卷积层,用来进行压缩,减少模型参数;第三路为一个卷积层;第四路为两个卷积层,目的同样可以减少模型参数。将第四路的输出和压缩子网输出通过concat运算进行融合,将浅层特征和深层特征融合输出,再通过一个concat运算将四路输出融合成为一个可以用来堆叠的子网络。将每一个子网络后加一个最大池化层生成一个层,最终形成一个具有5层结构的网络。(4)将眼动数值型数据跨模态转换为图片型,通过加噪和翻转进行数据增强,使用不同深度的神经网络如Alex Net、VGG-16、Goog Le Net和Res Net-34进行了实验,实验结果表明:在5秒的时间窗口下,本文设计的FCNNs网络上获得了91.62%的分类准确率。