情绪是当今每个人在生活中不可忽视的一部分,所以人们的情绪状态的识别非常重要。针对情绪识别问题,传统的方法主要是对人们的外在行为指标或人们的生理信号进行个体情绪识别研究。但是这些信号的收集过程比较困难,需要志愿者的高度配合或是需要高成本的可穿戴设备进行数据收集。在目前人工智能发展盛况空前的背景下,本文基于神经网络提出了多种对鼠标运动轨迹的情绪识别的方法。对人们在使用计算机时的情绪状态进行识别,具有一定的商业价值。对于互联网企业而言,可以提供令客户更加满意的服务。本文具体研究内容及结果如下:1.在建立数据库时,本文采用的是征集志愿者人为收集的方法。收集到的数据先经Excel软件应用VBA程序做批量处理,之后送入matlab软件中做矩阵变换处理。最后生成规范统一的数据集。2.在构建BP神经网络模型时,本文创新性地采用了积分变换和统计分析两种特征提取方法。经过训练和测试之后统计不同状态下的情绪识别正确率,实验结果表明:对于不同个体的情况,两种方法的结果互有高低,且都有不错的效果。但是在某些极端的情况下,对于个体操作鼠标习惯差异较大时,其结果就显得不尽人意了。这也是后续研究中所需要解决的一大问题。3.在完成浅层BP神经网络的实验后,本文还引入了深度神经网络模型。本文采用了三种不同的网络模型:CNN、ResNet以及RNN。在Keras深度学习框架中分别进行训练和测试,最后实验结果表明:卷积神经网络模型与残差网络模型均能得到不错的结果,且残差网络模型的效果是本文所有模型中最好的,最高的测试结果能够达到98%的识别正确率,更好的地方在于其结果都相对BP神经网络模型更加稳定。但是对于循环神经网络而言,其结果表明这个模型不适用于解决本文中的研究内容。总的来说,本文前三个模型已经可以达到预期的效果,对于收集人们鼠标移动轨迹来识别计算机使用者的情绪状态的方法是有效的。