离散情绪模型

离散情绪模型（discrete emotion model）的核心主张是：人类情绪并非连续维度上的任意一点，而是由若干种在进化上古老、在生理与表达上可区分的基本情绪（basic emotions）构成的有限集合；每一种基本情绪都是一个独立的「类别」（category），具有自己的触发条件、主观体验、面部表情与行为倾向。^{44Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|55Discrete emotion theorydictionary.apa.org前往参考资料 ↓在新标签页中打开}

Ekman 与 Friesen 在 1971 年发表的跨文化研究中，让来自不同文化（包括与外界接触极少的 Fore 人群）的受试者识别六种面部表情照片，发现快乐、悲伤、愤怒、恐惧、厌恶、惊讶这六种表情的识别率显著高于随机水平，从而为「基本情绪是离散类别」提供了最早的系统性实证支持。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

在离散情绪模型的框架下，「基本情绪」与「情绪类别」两个概念常被互换使用：前者强调这些情绪在进化与神经生理上的基础性，后者强调它们在心理空间中构成彼此离散、边界清晰的簇，而非连续过渡的维度。^{44Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|77Emotionplato.stanford.edu前往参考资料 ↓在新标签页中打开}

Izard 的差别情绪理论（differential emotions theory）主张，每一种基本情绪都对应一套独特的神经基质与面部表情模式，情绪体验的差异源于这些离散系统被激活的组合与强度，而非维度上的位置差异。^{88Differential Emotions Theorylink.springer.com前往参考资料 ↓在新标签页中打开}

Panksepp 从 affective neuroscience 角度提出，哺乳动物大脑中存在至少七个进化保守的基本情绪系统（如 SEEKING、RAGE、FEAR、LUST、CARE、PANIC/GRIEF、PLAY），这些系统在皮层下结构中具有可定位的神经回路，构成离散情绪模型的生物学基础。^{99Affective Neuroscience: The Foundations of Human and Animal Emotionsglobal.oup.com前往参考资料 ↓在新标签页中打开}

在情感计算领域，离散情绪模型因其类别标签明确、便于分类器训练，成为语音情绪识别与面部表情识别中最常用的标注框架之一，常见做法是将语音样本标注为若干基本情绪类别之一。^{1515Emotion recognition from speech: a reviewdoi.org前往参考资料 ↓在新标签页中打开|1616A review of emotion recognition using physiological signalsdoi.org前往参考资料 ↓在新标签页中打开}

离散情绪模型对「基本情绪」的判定通常依赖若干标准：跨物种的进化连续性、独特的生理与神经基础、跨文化可识别的表情信号、以及快速自动的触发特征；不同理论家对这些标准的权重并不一致。^{44Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|88Differential Emotions Theorylink.springer.com前往参考资料 ↓在新标签页中打开|99Affective Neuroscience: The Foundations of Human and Animal Emotionsglobal.oup.com前往参考资料 ↓在新标签页中打开}

离散情绪模型与维度模型是解释情绪结构的两种代表性心理学取向：前者主张存在若干种彼此可区分的基本情绪，后者主张情绪体验可由少数连续维度（如效价与唤醒度）刻画。^{11Review on Discrete, Appraisal, and Dimensional Models of Emotion -Journal of the Ergonomics Society of Korea | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

在离散模型看来，情绪类别之间的差异是质的差异——愤怒、恐惧、快乐等各自构成独立范畴；维度模型则把差异视为量的差异，即同一组维度上取值的不同位置。^{11Review on Discrete, Appraisal, and Dimensional Models of Emotion -Journal of the Ergonomics Society of Korea | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

离散模型通常假定基本情绪具有跨文化的普遍性与可识别的独特表达模式，而维度模型并不要求每种情绪对应一套专属的生理或表情特征，只要求其在维度空间中占据可区分的位置。^{11Review on Discrete, Appraisal, and Dimensional Models of Emotion -Journal of the Ergonomics Society of Korea | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

两种模型在方法论上各有侧重：离散取向常依赖情绪词分类、面部表情识别与基本情绪清单的跨文化一致性证据；维度取向则常依赖多维量表评定与维度空间中的相似性结构分析。^{11Review on Discrete, Appraisal, and Dimensional Models of Emotion -Journal of the Ergonomics Society of Korea | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

两种模型并非完全互斥：不少研究把基本情绪视为维度空间中的特定区域，从而在应用层面将离散标签与维度评分结合使用。^{11Review on Discrete, Appraisal, and Dimensional Models of Emotion -Journal of the Ergonomics Society of Korea | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

达尔文在 1872 年出版的《人类和动物的情感表达》（The Expression of the Emotions in Man and Animals）中系统论证了人类与动物的情绪表达具有连续性，主张某些表情动作是先天遗传而非后天习得，这为后来把情绪视为离散、先天类别的思路提供了最早的博物学基础。^{1717The Expression of the Emotions in Man and Animalsgutenberg.org前往参考资料 ↓在新标签页中打开}

达尔文采用问卷法向全球各地的传教士、医生和殖民官员发放调查表，询问当地原住民是否以与欧洲人相同的方式表达情绪，这是情绪研究中最早的大规模跨文化比较尝试之一。^{1717The Expression of the Emotions in Man and Animalsgutenberg.org前往参考资料 ↓在新标签页中打开|1818Darwin and Facial Expression: A Century of Research in Reviewsciencedirect.com前往参考资料 ↓在新标签页中打开}

达尔文在书中提出「有用联合原则」（principle of serviceable associated habits）等三条解释表情起源的原理，认为表情最初是服务于生存的随意动作，因反复与特定心理状态相伴而固化为习惯，最终成为遗传的本能表达。^{1717The Expression of the Emotions in Man and Animalsgutenberg.org前往参考资料 ↓在新标签页中打开}

达尔文大量借助摄影与版画插图记录表情，书中收录了法国解剖学家 Duchenne de Boulogne 用电刺激面部肌肉产生的表情照片，并区分了「真诚的」与「虚假的」微笑所动用的肌肉差异，这一观察后来被 Ekman 等人发展为 Duchenne 微笑的判据。^{1717The Expression of the Emotions in Man and Animalsgutenberg.org前往参考资料 ↓在新标签页中打开|1919Duchenne de Boulogne, Mécanisme de la physionomie humainearchive.org前往参考资料 ↓在新标签页中打开}

达尔文关于表情先天性与跨文化普遍性的论断在 20 世纪上半叶一度被行为主义与文化人类学压制，直到 Ekman、Friesen 等人在 1960—70 年代用跨文化识别实验重新检验并部分支持了普遍性假说，达尔文的框架才重新进入主流。^{1818Darwin and Facial Expression: A Century of Research in Reviewsciencedirect.com前往参考资料 ↓在新标签页中打开|66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

达尔文在书中依赖的许多观察来自旅行者与通讯者的二手报告，方法学上缺乏标准化编码，这使他的具体结论（如某些表情的普遍性）在今天只能作为历史假说而非确证证据。^{1717The Expression of the Emotions in Man and Animalsgutenberg.org前往参考资料 ↓在新标签页中打开|1818Darwin and Facial Expression: A Century of Research in Reviewsciencedirect.com前往参考资料 ↓在新标签页中打开}

基本情绪理论的现代起点通常追溯到查尔斯·达尔文 1872 年出版的《人类和动物的表情》（The Expression of the Emotions in Man and Animals）。达尔文在该书中主张，人类与动物的许多表情动作具有连续性，且某些情绪表达是先天而非习得的，这为后来「情绪存在跨物种、跨文化的离散基本类型」的假设提供了思想源头。^{2121The Expression of the Emotions in Man and Animalsen.wikipedia.org前往参考资料 ↓在新标签页中打开}

20 世纪 60 年代，保罗·艾克曼（Paul Ekman）与华莱士·弗里森（Wallace V. Friesen）在新几内亚福尔人（Fore）等前文字社会中开展跨文化面孔表情识别研究，报告称某些面孔表情在不同文化中被一致识别，从而支持基本情绪具有普遍性的主张。这一系列研究是「基本情绪」清单化、可操作化的直接前身。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

艾克曼与弗里森在 1971 年发表于《Journal of Personality and Social Psychology》的论文中，提出六种跨文化可识别的基本情绪：快乐、悲伤、愤怒、恐惧、厌恶与惊讶。这一「六大情绪」清单后来成为离散情绪模型最广为引用的版本。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

在艾克曼之前，行为主义传统（如华生）倾向于把情绪还原为少数几个维度或生理唤醒状态，而基本情绪理论则反其道而行，主张情绪是若干质上不同、不可再分的离散类别，这一立场构成了与维度模型（如罗素环形模型）长期对峙的理论起点。^{2222Basic emotionsen.wikipedia.org前往参考资料 ↓在新标签页中打开}

西尔万·汤姆金斯（Silvan Tomkins）在 1962—1963 年的《Affect, Imagery, Consciousness》中提出「情感」（affect）是若干先天的、程序化的面部—生理反应模式，并列出兴趣、快乐、惊讶、痛苦、恐惧、羞耻、厌恶、愤怒等基本情感。艾克曼明确承认汤姆金斯对其基本情绪清单的直接影响。^{2323Affect, Imagery, Consciousness, Vol. 1: The Positive Affectsen.wikipedia.org前往参考资料 ↓在新标签页中打开}

罗伯特·普拉奇克（Robert Plutchik）在 1980 年《Emotion: A Psychoevolutionary Synthesis》中提出八种基本情绪（快乐、信任、恐惧、惊讶、悲伤、厌恶、愤怒、期待），并以「情绪轮」表示其两两对立与强度层次，把基本情绪理论与进化论、颜色轮类比结合起来，是离散模型中影响最大的结构化方案之一。^{2525Emotion: A Psychoevolutionary Synthesisen.wikipedia.org前往参考资料 ↓在新标签页中打开}

基本情绪理论的提出并非单一作者的孤立贡献，而是达尔文进化论表情研究、汤姆金斯的情感理论、艾克曼与弗里森的跨文化实证、伊扎德的差分情绪量表、普拉奇克的心理进化论等多条线索在 1960—1980 年间汇合的结果；这些方案在「基本情绪有哪些」上互有出入，但在「情绪是离散类别而非连续维度」这一核心主张上一致。^{2121The Expression of the Emotions in Man and Animalsen.wikipedia.org前往参考资料 ↓在新标签页中打开|66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开|2323Affect, Imagery, Consciousness, Vol. 1: The Positive Affectsen.wikipedia.org前往参考资料 ↓在新标签页中打开|2424The Face of Emotionen.wikipedia.org前往参考资料 ↓在新标签页中打开|2525Emotion: A Psychoevolutionary Synthesisen.wikipedia.org前往参考资料 ↓在新标签页中打开}

艾克曼后来提出面部动作编码系统（FACS），把面部肌肉运动分解为可编码的动作单元（AU），使基本情绪的面部表达从「整体表情标签」变为可测量、可复现的编码对象，这一工具化步骤是基本情绪理论从哲学主张走向实证科学的关键环节。^{2626Facial Action Coding System: A Technique for the Measurement of Facial Movementen.wikipedia.org前往参考资料 ↓在新标签页中打开}

跨文化可辨识性是离散情绪模型为基本情绪设定的核心判定标准之一：如果某类情绪是「基本的」，那么它应当在所有人类文化中都能被同一套面部表情或声音信号识别出来，而不依赖特定语言或文化习得。这一标准把「基本情绪」从哲学分类问题转化为可实证检验的跨文化心理学问题。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开|2828Universals and cultural differences in the judgments of facial expressions of emotiondoi.org前往参考资料 ↓在新标签页中打开}

Ekman 与 Friesen 1971 年在《Journal of Personality and Social Psychology》发表的「Constants across cultures in the face and emotion」是这一标准最常被引用的实证起点：他们在与外界接触极少的 Fore 人（巴布亚新几内亚）中测试了六种面部表情的识别，报告其与西方被试的识别模式高度一致，从而主张存在跨文化可辨识的基本情绪。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

Ekman 等人后续用「面部表情跨文化判断」范式在多个 literate 与 preliterate 文化中重复，报告快乐、悲伤、愤怒、恐惧、厌恶、惊讶六类表情的识别率显著高于随机水平，这六类因此常被称为「六种基本情绪」。^{2828Universals and cultural differences in the judgments of facial expressions of emotiondoi.org前往参考资料 ↓在新标签页中打开|2929Strong evidence for universals in facial expressions: A reply to Russell's mistaken critiquedoi.org前往参考资料 ↓在新标签页中打开}

跨文化可辨识性标准在操作上通常被拆成两个可检验命题：一是「生产端」——同一情绪状态在不同文化中是否产生可比的、可被编码的面部构型（如 FACS 动作单元组合）；二是「识别端」——来自不同文化的观察者能否把同一构型归入同一情绪类别。多数跨文化研究实际只检验了识别端，生产端的跨文化一致性证据要弱得多。^{2929Strong evidence for universals in facial expressions: A reply to Russell's mistaken critiquedoi.org前往参考资料 ↓在新标签页中打开|3030Basic emotionsdoi.org前往参考资料 ↓在新标签页中打开}

跨文化可辨识性标准还面临「显示规则」（display rules）问题的干扰：Ekman 与 Friesen 提出，文化会规定何种情境下可以表达何种情绪，因此观察到的表情差异可能反映的是表达管理而非情绪本身的文化建构。这意味着跨文化识别研究测到的「一致性」与「差异性」都需要在控制显示规则的条件下解释。^{2828Universals and cultural differences in the judgments of facial expressions of emotiondoi.org前往参考资料 ↓在新标签页中打开|3232The repertoire of nonverbal behavior: Categories, origins, usage, and codingdoi.org前往参考资料 ↓在新标签页中打开}

在声音通道上，跨文化可辨识性的证据同样存在：多项研究让来自不同语言社群的听者对韵律、音高与音质线索做情绪归类，报告快乐、愤怒、悲伤、恐惧等类别的识别率高于随机，且部分研究使用无意义语句以排除语义线索；但跨语言识别率通常低于面部通道，且受听者母语与目标语言距离影响。^{3333Cross-cultural recognition of vocal emotionsdoi.org前往参考资料 ↓在新标签页中打开|3434Vocal emotion recognition across cultures: A reviewdoi.org前往参考资料 ↓在新标签页中打开}

跨文化可辨识性标准与 基本情绪的判定标准 中的其他标准（如独特的面部构型、独特的生理反应模式、独特的行为倾向）是相互独立的检验维度：一个情绪类别可以在识别端跨文化一致，却在生理或神经层面缺乏特异性；因此单靠跨文化识别率不足以确立某类情绪为「基本」。^{2929Strong evidence for universals in facial expressions: A reply to Russell's mistaken critiquedoi.org前往参考资料 ↓在新标签页中打开|3030Basic emotionsdoi.org前往参考资料 ↓在新标签页中打开}

跨文化可辨识性标准在情感计算与语音情绪识别中被转化为「跨语料泛化」问题：在某一语言/文化语料上训练的识别器，迁移到另一语言/文化语料时性能通常显著下降，这一现象被用作对「基本情绪具有跨文化通用声学签名」这一强假设的间接检验。^{3434Vocal emotion recognition across cultures: A reviewdoi.org前往参考资料 ↓在新标签页中打开}

在离散情绪模型（discrete emotion model）的判定标准中，「独特的面部表情」是最常被援引的一条：若某种情绪是「基本」的，就应当拥有一套可跨情境、跨个体识别、且与其他基本情绪可区分的面部肌肉构型。这一标准把面部表情当作情绪类别在身体层面的「签名」，从而把情绪分类问题转化为可观察、可编码的形态学问题。^{3737Comparative, Developmental, and Physiological Evidence for Discrete Emotions Theory - ESIC 2022DOI: 10.26613/esic/6.1.274Comparative, Developmental, and Physiological Evidence for Discrete Emotions TheoryGlenn Weis...degruyterbrill.com前往参考资料 ↓在新标签页中打开}

该标准最著名的经验基础是艾克曼（Paul Ekman）与弗里森（Wallace Friesen）提出的面部动作编码系统（FACS）：它把面部表情分解为可独立判读的动作单元（Action Unit, AU），使「某情绪对应哪几个 AU 的组合」成为可检验的命题，而不是仅凭整体印象的命名。FACS 的引入是「独特面部表情」从直觉判断走向测量标准的关键一步。^{3737Comparative, Developmental, and Physiological Evidence for Discrete Emotions Theory - ESIC 2022DOI: 10.26613/esic/6.1.274Comparative, Developmental, and Physiological Evidence for Discrete Emotions TheoryGlenn Weis...degruyterbrill.com前往参考资料 ↓在新标签页中打开}

在方法层面，该标准依赖两类测量：其一是人类编码者依据 FACS 对 AU 组合进行人工判读，其二是自动面部动作分析系统（如基于面部关键点的 AU 检测）。前者被视为「金标准」但耗时且受编码者训练影响，后者可扩展性强但对遮挡、姿态与个体差异敏感，两者的不一致本身构成对该标准可操作性的现实约束。^{3737Comparative, Developmental, and Physiological Evidence for Discrete Emotions Theory - ESIC 2022DOI: 10.26613/esic/6.1.274Comparative, Developmental, and Physiological Evidence for Discrete Emotions TheoryGlenn Weis...degruyterbrill.com前往参考资料 ↓在新标签页中打开}

「独特面部表情」标准与 离散情绪模型 的整体纲领紧密绑定：它既是基本情绪清单（如六类基本情绪）得以成立的经验支柱，也是该模型最受攻击的环节。若面部表情不能稳定区分情绪类别，离散模型就必须更多依赖生理、神经或行为层面的其他签名来维持其分类主张。^{3737Comparative, Developmental, and Physiological Evidence for Discrete Emotions Theory - ESIC 2022DOI: 10.26613/esic/6.1.274Comparative, Developmental, and Physiological Evidence for Discrete Emotions TheoryGlenn Weis...degruyterbrill.com前往参考资料 ↓在新标签页中打开}

值得注意的是，韦斯菲尔德（Glenn Weisfeld）在 2022 年对巴瑞特建构主义观点的回应中，仍将面部表情与其他比较性、发育性与生理性证据并列，作为支持离散情绪理论的证据群之一。这表明「独特面部表情」在当代争论中并未被放弃，而是被重新定位为多条证据线中的一条，而非唯一判据。^{3737Comparative, Developmental, and Physiological Evidence for Discrete Emotions Theory - ESIC 2022DOI: 10.26613/esic/6.1.274Comparative, Developmental, and Physiological Evidence for Discrete Emotions TheoryGlenn Weis...degruyterbrill.com前往参考资料 ↓在新标签页中打开}

在离散情绪模型（基本情绪理论）中，「独特的生理与神经基础」被列为判定一种情绪是否属于「基本情绪」的核心标准之一：一种候选基本情绪应当拥有一套可与其他情绪区分开的自主神经/生理反应模式，以及可分离的神经回路或脑区基础。这一标准与「独特的面部表情」「独特的跨文化信号价值」「独特的适应功能」等标准并列使用。^{44Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|3838Basic emotions, relations among emotions, and emotion-cognition relationsdoi.org前往参考资料 ↓在新标签页中打开}

Ekman 在阐述基本情绪判据时明确把「独特的生理反应」与「独特的面部表情」「普遍性」「独特的前因事件」等并列为基本情绪应满足的特征；他同时承认，生理层面的独特性证据在当时远不如面部表情证据充分，属于较弱的一条判据。^{44Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开}

Levenson、Ekman 与 Friesen 在 1990 年的实验中让被试按指令做出六种基本情绪的面部表情（不告知情绪名称），发现不同表情对应不同的自主神经活动模式，例如愤怒与恐惧在心率、皮肤电导、手指温度上呈现可区分的差异。该研究常被引为「基本情绪具有独特生理基础」的经典实证支持。^{3939Voluntary facial action generates emotion-specific autonomic nervous system activitydoi.org前往参考资料 ↓在新标签页中打开}

神经影像层面，Vytal 与 Hamann 对脑成像研究的元分析报告：不同基本情绪在若干脑区上呈现可区分的激活模式（如杏仁核与恐惧、脑岛与前额区域与厌恶、前扣带与愤怒相关），支持情绪类别具有部分可分离的神经基础。^{4343Neuroimaging support for discrete neural correlates of basic emotions: A voxel-based meta-analysisdoi.org前往参考资料 ↓在新标签页中打开}

在方法学上，「独特生理基础」这条判据的检验高度依赖测量方式：皮肤电导、心率变异性、面部肌电（EMG）、瞳孔与神经影像各自捕捉不同时间尺度的反应，不同研究采用不同指标组合，是结论分歧的重要来源之一。^{4040The psychophysiology of emotion (Handbook of Emotions, 3rd ed.)psycnet.apa.org前往参考资料 ↓在新标签页中打开|4242Pattern classification of valence and arousal from peripheral physiologydoi.org前往参考资料 ↓在新标签页中打开}

由于生理与神经证据的争议，当代基本情绪清单的划定在实践中更多依赖面部表情的跨文化一致性与前因事件，而非生理/神经独特性；生理判据通常被视为「支持性但非决定性」的标准。^{44Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|3838Basic emotions, relations among emotions, and emotion-cognition relationsdoi.org前往参考资料 ↓在新标签页中打开}

在基本情绪判定标准中，「进化适应意义」这一条要求：被列为基本情绪的情绪必须能对应到某种在人类进化史上反复出现、对生存或繁殖具有直接适应价值的处境（如危险、丧失、污染、竞争资源），从而可以被自然选择塑造为相对固定的反应倾向。这一标准把基本情绪清单从「可观察到的情绪种类」收窄为「有进化功能解释的情绪种类」。^{4545An Argument for Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|4646The Emotions (Revised edition)psycnet.apa.org前往参考资料 ↓在新标签页中打开}

Ekman 把基本情绪视为「离散的、在进化上延续下来的」情绪类别，其判定依据之一是这些情绪在跨文化面部表情识别研究中被一致辨认，并主张其表达具有先天的、普遍的基础；进化适应意义因此被用作解释「为什么是这几种而不是别的」的理由。^{4545An Argument for Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|4747Constants across cultures in the face and emotionpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

Plutchik 的情绪进化理论把基本情绪与进化中反复出现的生存问题一一配对：恐惧对应危险、愤怒对应阻碍、厌恶对应污染、悲伤对应丧失、快乐对应获得、惊讶对应新异刺激、期待对应未来资源。这一配对方式使「进化适应意义」成为可操作的功能判定标准，而不仅是修辞性说明。^{4646The Emotions (Revised edition)psycnet.apa.org前往参考资料 ↓在新标签页中打开}

Izard 的差别情绪理论同样把基本情绪视为具有进化根源的先天适应系统，认为每种基本情绪都对应特定的神经基质与适应功能，情绪本身即为组织行为与认知的动机系统。^{4848Human Emotionslink.springer.com前往参考资料 ↓在新标签页中打开}

在动物情绪研究中，进化适应意义标准被用作推断动物情绪的依据：若某情绪对应的适应性问题在动物生存环境中同样存在，且动物表现出相应的行为与生理反应模式，则可合理推断其具有同源的情绪系统。这一推断方式把进化标准从「清单筛选」延伸为「跨物种桥接」。^{5050The Emotional Brain: The Mysterious Underpinnings of Emotional Lifesimonandschuster.com前往参考资料 ↓在新标签页中打开}

进化适应意义标准与 离散情绪模型 的其他判定标准（如面部表情的跨文化普遍性、生理反应的特异性、快速自动的神经加工）相互独立又相互支持：功能解释提供「为什么」，表情与生理证据提供「是什么」，二者共同构成基本情绪清单的辩护结构。^{4545An Argument for Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|4646The Emotions (Revised edition)psycnet.apa.org前往参考资料 ↓在新标签页中打开|4848Human Emotionslink.springer.com前往参考资料 ↓在新标签页中打开}

在 Ekman 与 Friesen 1971 年发表于《Journal of Personality and Social Psychology》的跨文化研究中，快乐（happiness）被列为六种被普遍识别的基本情绪之一，与愤怒、厌恶、恐惧、悲伤、惊讶并列；该研究让来自不同文化（包括 literate 与 preliterate 群体）的被试对同一组面部照片做情绪命名，快乐是识别一致性最高的类别之一。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

Ekman 的六情绪清单（快乐、悲伤、愤怒、恐惧、厌恶、惊讶）后来被扩展为七种，加入轻蔑（contempt），这一扩展见于 Ekman 与 Friesen 1986 年的研究以及 Ekman 1992 年《Cognition and Emotion》上的综述文章《An argument for basic emotions》。^{5151A new pan-cultural facial expression of emotiondoi.org前往参考资料 ↓在新标签页中打开|5252An argument for basic emotionsdoi.org前往参考资料 ↓在新标签页中打开}

Izard 的差别情绪理论（differential emotions theory）给出的基本情绪清单比 Ekman 更长，包含兴趣、快乐、惊讶、悲伤、愤怒、厌恶、轻蔑、恐惧、羞耻、内疚等十种左右，其中快乐被描述为一种高唤醒的正性情绪，具有独特的神经与表情模式。^{5353Human Emotionsdoi.org前往参考资料 ↓在新标签页中打开}

Plutchik 的八种基本情绪轮（psychoevolutionary theory）把快乐（joy）与悲伤、信任、厌恶、恐惧、愤怒、惊讶、期待并置，并主张快乐与悲伤构成一对两极对立情绪；这一清单与 Ekman 的六情绪清单并不完全重合，说明「基本情绪清单」本身在理论间存在差异。^{5454A general psychoevolutionary theory of emotiondoi.org前往参考资料 ↓在新标签页中打开}

快乐的面部标志通常被描述为 Duchenne 微笑，即同时涉及颧大肌（zygomaticus major）与眼轮匝肌（orbicularis oculi）的收缩；Ekman 与 Friesen 在 1982 年的《Facial Action Coding System》中把这一组合编码为 AU6+AU12。^{5656Facial Action Coding System: A Technique for the Measurement of Facial Movementdoi.org前往参考资料 ↓在新标签页中打开}

在情感计算与语音情绪识别中，快乐通常被作为一个独立类别标签，与愤怒、悲伤、恐惧、中性等并列；常用语料库如 RAVDESS、EMO-DB、IEMOCAP 均包含快乐或高兴（happy/joy）类别，用于训练分类器。^{5757RAVDESS: The Ryerson Audio-Visual Database of Emotional Speech and Songdoi.org前往参考资料 ↓在新标签页中打开|5858IEMOCAP: Interactive emotional dyadic motion capture databasedoi.org前往参考资料 ↓在新标签页中打开}

快乐在维度模型（如 Russell 的环形模型）中对应正效价与中高唤醒的区域，与离散模型将其视为独立类别的做法形成对照；这一对照是 离散情绪模型 与维度模型争论的核心案例之一。^{2727Is there universal recognition of emotion from facial expression? A review of the cross-cultural studiesdoi.org前往参考资料 ↓在新标签页中打开|1010A circumplex model of affectdoi.org前往参考资料 ↓在新标签页中打开}

在 Ekman 与 Friesen 提出的六种基本情绪清单中，悲伤（sadness）是其中之一，其余五种为快乐、愤怒、恐惧、厌恶与惊讶；该清单源自他们对面部表情跨文化识别的研究，是离散情绪模型最常被引用的代表性清单。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

Ekman 与 Friesen 在 1971 年发表的跨文化研究中，让来自不同文化（包括未接触过西方媒体的 Fore 人群）的受试者识别六种面部表情照片，报告称六种表情（含悲伤）均被各文化组以高于随机水平的准确率识别，这成为悲伤被列为「基本情绪」的关键实证依据之一。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开|6060Universals and cultural differences in facial expressions of emotionpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

Izard 提出的分化情绪理论（differential emotions theory）同样把悲伤（distress/sadness）纳入基本情绪之列，但其清单与 Ekman 的六种并不完全一致（例如包含兴趣、羞耻、内疚等），说明「基本情绪清单」在离散取向内部并非唯一。^{4848Human Emotionslink.springer.com前往参考资料 ↓在新标签页中打开}

Plutchik 的情绪轮盘把悲伤与快乐列为对立极，并与厌恶—接纳、愤怒—恐惧等构成四组两极对；这一结构把悲伤定位为具有明确对立面的基本情绪，是离散模型中「情绪间关系结构化」的代表性处理。^{6161Emotion: A Psychoevolutionary Synthesisworldcat.org前往参考资料 ↓在新标签页中打开}

悲伤在面部表情编码系统中对应特定的动作单元组合，例如 AU1（内眉上扬）、AU4（眉下降）与 AU15（嘴角下拉）的组合常被视为悲伤表情的核心构型；这一编码使悲伤成为可操作化测量的基本情绪之一。^{6363Facial Action Coding System: A Technique for the Measurement of Facial Movementpaulekman.com前往参考资料 ↓在新标签页中打开}

在情感计算与语音情绪识别中，悲伤是多数语料库与分类任务的标准类别之一；例如在 IEMOCAP 等常用语料库中，悲伤与愤怒、快乐、中性并列为四类或六类基本情绪标签，用于训练与评测分类器。^{5858IEMOCAP: Interactive emotional dyadic motion capture databasedoi.org前往参考资料 ↓在新标签页中打开}

在维度模型（如 Russell 的环形模型）中，悲伤被定位为负效价、中低唤醒的区域，而非一个离散类别；这与离散模型把悲伤视为独立基本情绪的主张构成直接对照，是 与维度模型的争论 的典型例子。^{1010A circumplex model of affectdoi.org前往参考资料 ↓在新标签页中打开}

在离散情绪模型的代表性清单中，恐惧（fear）几乎总是被列入基本情绪。Ekman 与 Friesen 1971 年发表于《Journal of Personality and Social Psychology》的跨文化研究，让新几内亚 Fore 族被试识别六种面部表情照片，其中就包括恐惧；该研究常被引为「六种基本情绪」清单的经典出处。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

Ekman 后来把基本情绪清单从六种扩展，但恐惧始终保留在核心位置。在 1992 年《Cognition and Emotion》的综述中，Ekman 讨论了基本情绪清单的判定标准，并把恐惧与愤怒、悲伤、快乐、厌恶、惊讶并列为具有跨文化可识别性的情绪。^{5252An argument for basic emotionsdoi.org前往参考资料 ↓在新标签页中打开}

Izard 的差别情绪理论（differential emotions theory）把恐惧列为十种基本情绪之一，并认为每种基本情绪都有独立的神经基质与面部表情模式。Izard 1977 年的《Human Emotions》是这一清单的系统表述。^{6666Human Emotionsdoi.org前往参考资料 ↓在新标签页中打开}

Plutchik 的情绪轮（wheel of emotions）把恐惧与愤怒、悲伤、快乐、信任、厌恶、期待、惊讶并列为八种基本情绪，并给出恐惧与愤怒组合成「敬畏/威胁」、恐惧与信任组合成「服从」等衍生情绪的结构。Plutchik 1980 年的《A General Psychoevolutionary Theory of Emotion》是这一模型的代表文献。^{5454A general psychoevolutionary theory of emotiondoi.org前往参考资料 ↓在新标签页中打开}

在情感计算与语音情绪识别中，恐惧通常被列为需要识别的目标类别之一。例如，德语情感语音数据库（Berlin Database of Emotional Speech, EMO-DB）包含恐惧、愤怒、无聊、厌恶、快乐、中性与悲伤七类，恐惧是其中一类。^{6969A German emotional speech database (EMO-DB)emodb.bilderbar.info前往参考资料 ↓在新标签页中打开}

恐惧在离散情绪清单中的位置并非所有模型都一致。例如，Russell 与 Mehrabian 的 PAD 维度模型并不把恐惧作为离散类别，而是用愉悦度、唤醒度、支配度三个维度描述情绪状态；这与离散清单形成对照。^{7070Evidence for a three-factor theory of emotionsdoi.org前往参考资料 ↓在新标签页中打开}

在离散情绪模型（基本情绪理论）中，愤怒被普遍列为最核心的基本情绪之一：Ekman 的六种基本情绪清单（快乐、悲伤、愤怒、恐惧、厌恶、惊讶）与 Izard 的十种基本情绪清单（兴趣、愉快、惊讶、悲伤、愤怒、厌恶、轻蔑、恐惧、羞耻/害羞、内疚）都包含愤怒，两套清单在跨文化研究中被反复引用。^{44Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|7171Differential Emotions Theory and the Empirical Structure of Preschoolers' Emotion Expressionspsycnet.apa.org前往参考资料 ↓在新标签页中打开}

Ekman 与 Friesen 在 1971 年发表于《Journal of Personality and Social Psychology》的跨文化研究中，让新几内亚 Fore 人与西方被试匹配面部照片与情绪故事，报告愤怒等六种情绪面孔在两种文化间可相互识别，这成为把愤怒纳入基本情绪清单的关键经验依据之一。^{7272Constants across cultures in the face and emotionpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

Ekman 后来提出的「神经文化模型」（neuro-cultural model）认为，愤怒等基本情绪的表达规则（display rules）受文化调节，但情绪本身及其面部信号具有跨文化共性；这一区分是把愤怒列入基本清单、同时承认文化差异的理论桥梁。^{7373Universals and cultural differences in facial expressions of emotionpaulekman.com前往参考资料 ↓在新标签页中打开}

Izard 的差别情绪理论（differential emotions theory）把愤怒（anger）与敌意（hostility）、轻蔑（contempt）区分开，认为愤怒是一种具有独立神经基础与动机功能的基本情绪，其核心功能是消除障碍、维护目标与边界。^{7171Differential Emotions Theory and the Empirical Structure of Preschoolers' Emotion Expressionspsycnet.apa.org前往参考资料 ↓在新标签页中打开}

Panksepp 从 affective neuroscience 角度提出的「愤怒系统」（RAGE system）主张愤怒具有可定位的哺乳动物神经回路（涉及内侧杏仁核、下丘脑与导水管周围灰质等），这为把愤怒当作离散、先天情绪提供了神经生物学版本的支持。^{99Affective Neuroscience: The Foundations of Human and Animal Emotionsglobal.oup.com前往参考资料 ↓在新标签页中打开}

在面部动作编码系统（FACS）框架下，愤怒的典型面部构型被描述为：眉毛下压并聚拢（AU4）、上眼睑紧张（AU5）、下眼睑紧张（AU7）、双唇紧闭或收紧（AU23/AU24），Ekman 与 Friesen 将其视为愤怒的原型表情。^{6363Facial Action Coding System: A Technique for the Measurement of Facial Movementpaulekman.com前往参考资料 ↓在新标签页中打开}

在评价模型（appraisal theory）中，愤怒被刻画为由「目标受阻 + 归因于他人 + 高确定性 + 可控性」等评价维度组合触发，这一评价剖面与恐惧（低确定性、低可控性）形成对照，是离散清单与评价维度之间的重要接口。^{7575Appraisal processes in emotion: Theory, methods, researchglobal.oup.com前往参考资料 ↓在新标签页中打开}

在情感计算与语音情绪识别中，愤怒是绝大多数情绪语料库与识别系统必设的类别之一；例如柏林情感语音数据库（EMO-DB）将愤怒（Wut/anger）列为七类情绪之一，并被广泛用作基准。^{7676A German emotional speech database (EMO-DB)isca-archive.org前往参考资料 ↓在新标签页中打开}

在 Ekman 与 Friesen 1971 年提出的面部表情编码系统（FACS）及后续跨文化研究中，厌恶（disgust）被列为六种基本情绪之一，其原型面部特征为上唇上抬、鼻梁皱起、下眼睑收紧，这一模式在 literate 与 preliterate 文化群体中均被识别。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

Ekman 与 Friesen 在 1971 年发表于 Journal of Personality and Social Psychology 的论文中报告，新几内亚 Fore 部落被试对厌恶面孔的识别率与西方被试无显著差异，这一结果为厌恶作为基本情绪的普遍性主张提供了关键证据。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

Rozin 与 Fallon 1987 年的研究表明，厌恶的核心并非单纯的味觉拒绝，而包含「观念性污染」成分：被试会拒绝接触过厌恶物（如消毒过的蟑螂）的饮料，说明厌恶涉及认知评价而非仅感官反射。^{7878A perspective on disgustdoi.org前往参考资料 ↓在新标签页中打开}

Rozin、Haidt 与 McCauley 在 2000 年的综述中提出厌恶的「口—道德」扩展模型，认为厌恶从口腔拒绝逐步扩展到身体排泄物、性、死亡与道德违规，这一扩展序列在不同文化中具有可预测的层级结构。^{7979Disgustpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

在跨文化识别实验中，惊讶的识别率通常低于厌恶、快乐与愤怒，Plutchik 与 Ekman 的数据均显示惊讶的面部表情在非西方样本中混淆率较高，常与恐惧混淆。^{8181A cross-cultural study of the recognition of facial expressions of emotiondoi.org前往参考资料 ↓在新标签页中打开}

Plutchik 的十情绪轮将厌恶与惊讶分别置于相邻扇区，厌恶与轻蔑、惊讶与期待构成配对维度，这一结构在后续情绪词汇语义分析中被部分验证。^{8282The Emotionspsycnet.apa.org前往参考资料 ↓在新标签页中打开}

在语音情绪识别语料库（如 Berlin EMO-DB）中，厌恶与惊讶的标注一致性（kappa）通常低于愤怒与快乐，原因之一是惊讶在自然语音中常与中性语调重叠，而厌恶的声学线索（低基频、紧喉）与愤怒部分共享。^{7676A German emotional speech database (EMO-DB)isca-archive.org前往参考资料 ↓在新标签页中打开}

效价—唤醒维度模型（valence–arousal model）把情绪状态刻画在一个二维平面上：一维是效价（valence），从愉悦到不愉悦；另一维是唤醒（arousal），从平静、低激活到兴奋、高激活。它是离散情绪模型在情绪科学中最主要的竞争性框架之一，主张情绪体验的差异可以由这两个连续维度而非若干离散类别来充分描述。^{8383NSTL国家科技图书文献中心tedala.nstl.gov.cn前往参考资料 ↓在新标签页中打开}

效价—唤醒框架的经典来源是 Russell 1980 年提出的环形模型（circumplex model）：他把情绪词按效价与唤醒排列在一个圆周上，相邻位置的情绪在体验上相似，相对位置的情绪相反，从而用两个正交轴解释情绪词之间的相似性结构。这一模型后来被广泛用作维度取向的代表性表述。^{8383NSTL国家科技图书文献中心tedala.nstl.gov.cn前往参考资料 ↓在新标签页中打开}

效价—唤醒模型在测量上具有明显优势：它只需要两个连续评分即可定位任一情绪状态，便于用自我报告量表、情绪词评定以及刺激材料的标准化（如情感规范评分）来操作化，也便于与情感计算中的连续维度标注对接。这一可操作性是其在与离散模型竞争中被反复援引的理由。^{8383NSTL国家科技图书文献中心tedala.nstl.gov.cn前往参考资料 ↓在新标签页中打开}

效价与唤醒并非完全正交：在大量情绪词评定数据中，高唤醒往往同时伴随效价的两极（既包括兴奋也包括紧张），使效价—唤醒平面上的情绪分布呈近似环形的结构，这也是环形模型采用圆周而非矩形布局的原因。^{8383NSTL国家科技图书文献中心tedala.nstl.gov.cn前往参考资料 ↓在新标签页中打开}

情感研究界关于情绪体验的理论观点长期分为两大「派系」：范畴观（离散情绪）与维度观（连续情绪）。范畴观把情绪划分为相互独立的范畴，例如 Paul Ekman 提出的六大类基本情感分类体系；维度观则认为情感具有基本维度和两极性，主张把情绪投射到由 x、y、z 轴构成的连续物理空间中，例如 PAD 或 VAD 三维情感模型。^{8484科普中国m.kepuchina.cn前往参考资料 ↓在新标签页中打开}

「情绪究竟应当被概念化为离散类别（如恐惧、愤怒），还是被概念化为唤醒度、效价这类底层连续维度」是情绪研究领域由来已久的争论；在神经影像研究领域，这一争论集中体现为离散情绪与维度情绪能否映射到可分离的脑区系统上。^{8383NSTL国家科技图书文献中心tedala.nstl.gov.cn前往参考资料 ↓在新标签页中打开}

在情感计算工程实践中，这一争论直接对应两类建模路线：离散类别路线把情绪识别建模为多类分类问题（输出若干基本情绪标签），连续维度路线把情绪识别建模为回归问题（输出效价、唤醒度等连续坐标），两条路线在标注方案、评价指标与数据资源上均不相同。^{8484科普中国m.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在离散情绪模型与维度模型的争论中，一种常见的整合思路是「混合模型」：保留少数基本情绪类别作为离散锚点，同时允许情绪在效价—唤醒等连续维度上定位，或把离散类别视为连续情感空间中的原型/吸引子区域。这类方案试图同时解释情绪的分类性（人们会用「愤怒」「恐惧」等标签快速区分情绪）与渐变性（情绪强度与效价可连续变化）。^{8585Emotion representation and perception: a review of the dimensional vs. categorical debatefrontiersin.org前往参考资料 ↓在新标签页中打开|8686Core affect and the psychological construction of emotiondoi.org前往参考资料 ↓在新标签页中打开}

罗素与巴雷特提出的「核心情感」框架是整合尝试的代表：核心情感本身是连续的效价—唤醒状态，离散情绪标签是在此基础上通过分类、归因和概念知识建构出来的。这一立场并不否认离散标签的存在，而是把它们解释为连续核心情感上的分类产物，从而在方法论上把维度模型与离散类别标签调和起来。^{8686Core affect and the psychological construction of emotiondoi.org前往参考资料 ↓在新标签页中打开|6868The theory of constructed emotion: an active inference account of interoception and categorizationdoi.org前往参考资料 ↓在新标签页中打开}

在计算情感分析与语音情绪识别中，混合/整合方案常以「离散类别 + 维度回归」的多任务形式出现：同一模型同时输出基本情绪类别概率与效价、唤醒连续值，或把离散标签映射到维度空间后再做联合建模。这类做法在工程上被用来缓解单一离散分类器对强度与混合情绪不敏感的问题。^{5858IEMOCAP: Interactive emotional dyadic motion capture databasedoi.org前往参考资料 ↓在新标签页中打开}

在语音情绪识别（SER）的工程实践中，离散情绪模型最直接的落地形式是把识别任务建模为「多类单标签分类」：给定一段语音，系统从预先定义的基本情绪集合（常见为 Ekman 六类：愤怒、厌恶、恐惧、快乐、悲伤、惊讶，外加中性）中输出唯一一个类别标签，用交叉熵损失训练、以准确率（accuracy）与未加权平均召回率（UAR）作为主报告指标。^{8787Speech Emotion Recognition: A Comprehensive Review of Methods, Datasets and Challengesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|8888Emotion Recognition from Speech: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

离散标签集合的选取在数据集层面被固化下来：IEMOCAP 常用的四类合并方案（愤怒、快乐、悲伤、中性）与 RAVDESS、SAVEE、TESS 等语料各自的标签体系并不一致，导致跨语料训练时标签空间无法直接对齐，这是离散标签路线在工程上最常被诟病的操作性问题之一。^{8989IEMOCAP: Interactive emotional dyadic motion capture databaselink.springer.com前往参考资料 ↓在新标签页中打开|9090The Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS)journals.plos.org前往参考资料 ↓在新标签页中打开}

由于单标签分类无法表达「混合情绪」与「强度」，后续工作普遍把离散标签扩展为多标签或软标签形式：例如在 IEMOCAP 上同时预测多个情绪类别，或把标注者一致性比例作为软目标做标签平滑，从而把离散模型与连续维度信息部分桥接。^{9191Multi-label Emotion Classification of Speech Using Deep Neural Networksarxiv.org前往参考资料 ↓在新标签页中打开|8888Emotion Recognition from Speech: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

在自监督预训练语音模型（如 wav2vec 2.0、HuBERT、WavLM）上微调做离散情绪分类，已成为 SER 分类任务的主流范式，在 IEMOCAP 四类任务上报告的加权准确率普遍在 60%–75% 区间，显著高于早期基于手工声学特征（如 eGeMAPS、ComParE 特征集）的基线。^{9292wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representationsarxiv.org前往参考资料 ↓在新标签页中打开|9393WavLM: Large-Scale Self-Supervised Pre-Training for Full Stack Speech Processingarxiv.org前往参考资料 ↓在新标签页中打开}

离散标签分类在情感计算中的另一条应用线是「维度—离散联合建模」：多任务学习中同时回归 valence/arousal 并分类离散情绪，利用维度标签的连续性缓解离散标签稀疏与标注者不一致的问题，这类联合模型在 IEMOCAP 上通常比纯分类模型取得更高的 UAR。^{8888Emotion Recognition from Speech: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开|8888Emotion Recognition from Speech: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

在工业级语音助手与客服质检系统中，离散情绪标签常被裁剪为更少、更业务化的类别（如「正面/中性/负面」或「平静/激动/愤怒」），而非学术界的六类基本情绪，原因是细粒度离散类别在真实噪声与跨域语音上的召回率不足以支撑业务决策。^{8888Emotion Recognition from Speech: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

在情感计算中，面部表情识别（Facial Expression Recognition, FER）是离散情绪模型最直接、最早落地的应用之一：系统把输入人脸图像或视频帧映射到 Ekman 六类基本情绪（愤怒、厌恶、恐惧、高兴、悲伤、惊讶）加中性，或映射到 facs 式的动作单元（AU）组合，再由此推断离散情绪标签。^{9494Emotion Recognition: A Comprehensive Review of Facial Expression Recognitionarxiv.org前往参考资料 ↓在新标签页中打开|9595Facial Expression Recognition: A Survey of Deep Learning Approachesarxiv.org前往参考资料 ↓在新标签页中打开}

Ekman 与 Friesen 于 1978 年发布的 FACS（Facial Action Coding System）以面部肌肉动作单元描述表情，是离散情绪模型在面部表情分析中的操作化基础；后续自动 FER 系统普遍以 FACS 的 AU 作为中间表示或标注依据。^{6363Facial Action Coding System: A Technique for the Measurement of Facial Movementpaulekman.com前往参考资料 ↓在新标签页中打开}

自动 FER 的评测基准长期以离散情绪标签为主：CK+（Extended Cohn-Kanade）数据集提供 7 类离散表情标注（6 类基本情绪加中性），是 2010 年代被广泛使用的基准之一；其标注体系直接继承离散情绪模型的类别划分。^{9797The Extended Cohn-Kanade Dataset (CK+): A complete dataset for action unit and emotion-specified expressiondoi.org前往参考资料 ↓在新标签页中打开}

2013 年 ICML 上举办的 FER2013 竞赛（Kaggle 平台）发布了约 3.5 万张 48×48 灰度人脸图像，标注为 7 类离散表情（愤怒、厌恶、恐惧、高兴、悲伤、惊讶、中性），成为深度学习时代 FER 最常用的公开基准之一。^{9898Challenges in Representation Learning: A report on three machine learning contests (FER2013)arxiv.org前往参考资料 ↓在新标签页中打开}

AffectNet（Mollahosseini 等，2017）是规模最大的自然场景面部表情数据集之一，包含超过 100 万张从互联网检索的人脸图像，其中约 45 万张经人工标注为 8 类离散情绪（6 类基本情绪加中性、轻蔑），并同时提供 valence–arousal 连续维度标注；它体现了离散标签与维度标注并存的工程实践。^{9999AffectNet: A Database for Facial Expression, Valence, and Arousal Computing in the Wildarxiv.org前往参考资料 ↓在新标签页中打开}

在方法上，FER 从手工特征（LBP、Gabor、HOG 加 SVM）转向深度卷积网络：2015 年前后，基于 CNN 的方法在 FER2013 上的准确率从约 65%–70% 提升到 70% 以上，此后注意力机制与集成方法进一步推高基准成绩；但自然场景下的跨库泛化仍显著低于同库测试。^{9898Challenges in Representation Learning: A report on three machine learning contests (FER2013)arxiv.org前往参考资料 ↓在新标签页中打开|100100Deep Facial Expression Recognition: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

在语音情绪识别（SER）中，离散模型同样是最常见的标注与输出范式：多数公开语音情绪语料（如 RAVDESS、IEMOCAP）以离散情绪类别标注，RAVDESS 包含 8 类离散情绪（中性、平静、高兴、悲伤、愤怒、恐惧、厌恶、惊讶），由演员按脚本表演录制。^{103103RAVDESS: The Ryerson Audio-Visual Database of Emotional Speech and Songdoi.org前往参考资料 ↓在新标签页中打开}

IEMOCAP（Busso 等，2008）是语音与多模态情绪识别最常用的语料之一，包含约 12 小时的音视频数据，标注采用离散类别（愤怒、高兴、悲伤、中性等）与维度评分并存的方式，体现了离散与维度两套标注体系在语音领域的并行使用。^{5858IEMOCAP: Interactive emotional dyadic motion capture databasedoi.org前往参考资料 ↓在新标签页中打开}

在语音情绪识别中，离散模型与维度模型的取舍直接影响特征工程与损失函数设计：离散输出常用交叉熵与分类指标（准确率、加权 F1），维度输出常用 CCC（一致性相关系数）与 MSE；近年多模态大模型倾向同时输出离散标签与 valence/arousal 估计。^{5858IEMOCAP: Interactive emotional dyadic motion capture databasedoi.org前往参考资料 ↓在新标签页中打开|104104Speech Emotion Recognition: A Comprehensive Review of Deep Learning Approachesarxiv.org前往参考资料 ↓在新标签页中打开}

面部表情识别与语音情绪识别的融合（多模态情感计算）常以离散情绪类别作为共同标签空间，因为跨模态对齐在离散类别上比在连续维度上更容易定义；但这也把离散模型的类别边界问题带入多模态系统。^{5858IEMOCAP: Interactive emotional dyadic motion capture databasedoi.org前往参考资料 ↓在新标签页中打开|104104Speech Emotion Recognition: A Comprehensive Review of Deep Learning Approachesarxiv.org前往参考资料 ↓在新标签页中打开}

语音情绪识别（speech emotion recognition, SER）在情感计算中通常被建模为「从语音信号推断说话人情绪类别或维度」的任务；离散情绪模型为其提供了最常用的一类标签体系，即把输出定义为若干基本情绪类别（如愤怒、高兴、悲伤、恐惧、厌恶、中性）上的分类问题。^{105105Speech emotion recognition: A reviewsciencedirect.com前往参考资料 ↓在新标签页中打开|106106Emotion recognition from speech: a reviewlink.springer.com前往参考资料 ↓在新标签页中打开}

在离散标签体系下，SER 的典型流水线是：语音信号预处理（分帧、加窗）→ 声学特征提取（如基频 F0、能量、梅尔频率倒谱系数 MFCC、语速、jitter/shimmer 等韵律与音质特征）→ 分类器（SVM、随机森林、深度神经网络等）→ 输出离散情绪类别。这一范式在 2010 年代前后的综述中被系统总结。^{105105Speech emotion recognition: A reviewsciencedirect.com前往参考资料 ↓在新标签页中打开|107107A review of emotion recognition from speechresearchgate.net前往参考资料 ↓在新标签页中打开}

公开的离散情绪语音语料是 SER 研究的基础设施，代表性资源包括柏林情感语音数据库（EMO-DB，德语，7 类离散情绪）、RAVDESS（英语，8 类情绪）和 IEMOCAP（英语，含 4 类离散情绪与维度标注）。这些语料的情绪类别集合并不统一，是跨语料研究的主要障碍之一。^{6969A German emotional speech database (EMO-DB)emodb.bilderbar.info前往参考资料 ↓在新标签页中打开|9090The Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS)journals.plos.org前往参考资料 ↓在新标签页中打开|8989IEMOCAP: Interactive emotional dyadic motion capture databaselink.springer.com前往参考资料 ↓在新标签页中打开}

自 2010 年代后期起，SER 的主流方法从手工声学特征加浅层分类器转向端到端深度学习：先用卷积网络或循环网络从频谱图/梅尔谱学习表征，再用 注意力机制 或 Transformer 结构建模时序上下文，最后在离散情绪类别上做分类。^{109109Speech Emotion Recognition Using Deep Convolutional Neural Network and Discriminant Temporal Pyramid Matchingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|110110Speech Emotion Recognition with Transformerarxiv.org前往参考资料 ↓在新标签页中打开}

大规模自监督语音预训练模型（如 wav2vec 2.0、HuBERT、WavLM）被广泛用作 SER 的特征前端，在多个离散情绪语料上取得了优于手工特征基线的结果；这类模型通常先在无标注语音上预训练，再在少量带情绪标签的数据上微调。^{9292wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representationsarxiv.org前往参考资料 ↓在新标签页中打开|9393WavLM: Large-Scale Self-Supervised Pre-Training for Full Stack Speech Processingarxiv.org前往参考资料 ↓在新标签页中打开}

在评测层面，离散情绪 SER 常用非加权平均召回率（UAR）和加权准确率（WA）作为主指标，因为情绪类别分布通常不均衡；跨语料评测（如 train on one corpus, test on another）被普遍认为比同语料交叉验证更能反映泛化能力。^{111111The INTERSPEECH 2009 Emotion Challengeisca-speech.org前往参考资料 ↓在新标签页中打开|112112Cross-corpus speech emotion recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在应用侧，离散情绪 SER 被用于呼叫中心质检、心理健康辅助筛查、人机交互与车载驾驶员状态监测等场景；这些场景通常只要求粗粒度的离散类别（如愤怒/中性/高兴），而非连续维度估计。^{114114Speech emotion recognition: A survey on applicationslink.springer.com前往参考资料 ↓在新标签页中打开}

在离散情绪模型的实证传统中，面部表情编码的基本假设是：每一种基本情绪都对应一套可观察、可跨情境识别的面部肌肉构型，因此可以通过对表情的系统编码来检验基本情绪清单是否成立。这一假设直接承接了达尔文关于情绪表达具有跨物种、跨文化普遍性的论断，也是艾克曼（Paul Ekman）等人发展面部编码系统的理论出发点。^{115115Darwin's Contributions to the Study of Emotionjournals.sagepub.com前往参考资料 ↓在新标签页中打开|116116Constants across cultures in the face and emotionpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

面部动作编码系统（Facial Action Coding System，FACS）由艾克曼与弗里森（Wallace V. Friesen）于 1978 年首次发表，是一种基于面部解剖肌肉动作、而非基于情绪标签的描述性编码系统：它把面部运动分解为动作单元（Action Unit，AU），编码者据此逐帧标注面部活动，再据此推断情绪。FACS 本身不预设情绪类别，这一点常被误解。^{6363Facial Action Coding System: A Technique for the Measurement of Facial Movementpaulekman.com前往参考资料 ↓在新标签页中打开|2626Facial Action Coding System: A Technique for the Measurement of Facial Movementen.wikipedia.org前往参考资料 ↓在新标签页中打开}

FACS 后来经过修订并配套了训练手册与信度考核，成为面部表情研究中最广泛使用的观察编码工具；其编码需要数十小时的标准化训练，并通过与专家编码的一致性测试才能获得认证，因此编码成本高、难以大规模扩展，这是它在实证研究中的主要限制之一。^{6363Facial Action Coding System: A Technique for the Measurement of Facial Movementpaulekman.com前往参考资料 ↓在新标签页中打开|117117The Facial Action Coding System: Reliability and Trainingpaulekman.com前往参考资料 ↓在新标签页中打开}

在 FACS 的 AU 组合中，与基本情绪对应的典型构型包括：快乐对应 AU6（颊部提升）+ AU12（嘴角上扬）的「杜兴式微笑」；愤怒对应 AU4（皱眉）+ AU5（上睑提升）+ AU7（眼睑收紧）+ AU23（唇部收紧）；恐惧对应 AU1+2+4+5+7+20+26 的组合。这些对应关系是离散情绪模型在面部通道上的操作化基础。^{6363Facial Action Coding System: A Technique for the Measurement of Facial Movementpaulekman.com前往参考资料 ↓在新标签页中打开|118118Basic Emotions — Handbook of Cognition and Emotiononlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

艾克曼与弗里森提出的「面部表情编码—解释」流程强调，从 AU 到情绪标签的推断并非一一映射：同一 AU 组合可对应不同情绪，同一情绪也可由不同 AU 组合表达，因此严格的离散模型研究通常要求同时报告 AU 层面的描述性编码与情绪层面的归类结果，而非只报告后者。^{6363Facial Action Coding System: A Technique for the Measurement of Facial Movementpaulekman.com前往参考资料 ↓在新标签页中打开|119119Unmasking the Face: A Guide to Recognizing Emotions from Facial Cluespaulekman.com前往参考资料 ↓在新标签页中打开}

跨文化实证是离散情绪模型最常援引的面部表情证据：艾克曼等人在新几内亚 Fore 人群与西方被试之间做的辨认实验报告了高于随机水平的跨文化识别率，被用来支持基本情绪面部表情的普遍性。^{116116Constants across cultures in the face and emotionpsycnet.apa.org前往参考资料 ↓在新标签页中打开|120120Pan-Cultural Elements in Facial Displays of Emotionscience.org前往参考资料 ↓在新标签页中打开}

除 FACS 外，面部表情研究还发展出 MAX（Maximally Discriminative Facial Movement Coding System）等面向情绪类别的编码系统，以及面向效价与唤醒度的维度化面部编码方案；前者更贴近离散模型，后者更贴近维度模型，二者的并存本身反映了离散—维度之争在测量层面的投射。^{124124Maximally Discriminative Facial Movement Coding System (MAX)sciencedirect.com前往参考资料 ↓在新标签页中打开|125125Facial expression measurement: A review of FACS and alternativesfrontiersin.org前往参考资料 ↓在新标签页中打开}

在自动化测量方面，基于计算机视觉的面部动作单元检测（如 OpenFace 等开源工具）已能在受控条件下以较高精度估计部分 AU 的强度，使大规模面部表情数据的采集成为可能；但其精度在遮挡、姿态变化与非受控光照下显著下降，且从 AU 到情绪标签的映射仍依赖人工设定的规则或分类器。^{126126OpenFace 2.0: Facial Behavior Analysis Toolkitieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|127127OpenFace — GitHub repositorygithub.com前往参考资料 ↓在新标签页中打开}

面部表情编码在离散情绪模型内部还面临「展示规则」（display rules）问题：艾克曼与弗里森指出，文化与社会情境会调节面部表情的展示与抑制，因此观察到的表情并不等于内部情绪状态，编码结果需结合情境信息解释。这一点被用来回应「表情—情绪不对应」的批评，但也削弱了表情作为基本情绪直接证据的强度。^{116116Constants across cultures in the face and emotionpsycnet.apa.org前往参考资料 ↓在新标签页中打开|119119Unmasking the Face: A Guide to Recognizing Emotions from Facial Cluespaulekman.com前往参考资料 ↓在新标签页中打开}

在测量信度上，FACS 编码的评分者间一致性通常以一致性系数报告，研究一般要求达到可接受水平以上才用于情绪推断；但由于 AU 边界判定主观性较强，不同编码团队之间的跨研究可比性仍是实际问题。^{6363Facial Action Coding System: A Technique for the Measurement of Facial Movementpaulekman.com前往参考资料 ↓在新标签页中打开|117117The Facial Action Coding System: Reliability and Trainingpaulekman.com前往参考资料 ↓在新标签页中打开}

自我报告是离散情绪模型最常用的测量手段：研究者让被试从一份基本情绪词表中勾选或评定当下体验，再以各情绪词的选中率或强度评分作为该情绪类别的指标。Ekman 的跨文化研究即采用这一范式，让被试在六种面部表情照片与六个情绪词（happiness、sadness、fear、anger、surprise、disgust）之间做匹配。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

词汇途径（lexical approach）是自我报告测量的语言学基础：它假定一种语言中若存在某个单一词项指称某情绪，则该情绪在该文化中被视为一个独立类别。这一假设直接支撑了「基本情绪清单」的编制，也解释了为何不同清单的条目数从两三种到十几种不等。^{1717The Expression of the Emotions in Man and Animalsgutenberg.org前往参考资料 ↓在新标签页中打开}

离散情绪模型在自我报告上的核心预测是：不同情绪类别的评定数据应呈现可分离的聚类结构，而非沿少数几个维度连续分布。支持者常引用被试对情绪词的自由分类与相似性判断结果，指出愤怒、恐惧、悲伤等类别在多维标度中形成相对独立的簇。^{1717The Expression of the Emotions in Man and Animalsgutenberg.org前往参考资料 ↓在新标签页中打开|1010A circumplex model of affectdoi.org前往参考资料 ↓在新标签页中打开}

自我报告测量面临明确的效度限制：它依赖被试对自身状态的内省与语言标签能力，易受社会赞许性、回忆偏差与情绪词含义的文化差异影响；跨语言翻译中「anger」「disgust」等词并不总能找到精确对应词，这会系统性改变勾选率。^{129129The role of language in emotion: predictions from psychological constructionismdoi.org前往参考资料 ↓在新标签页中打开}

为缓解词汇途径的文化偏差，研究者发展了基于自由反应的测量：让被试用自己的话描述情绪体验，再由编码者映射到基本情绪类别，或直接统计情绪词的使用频率。这类方法减少了对预设词表的依赖，但引入了编码者间一致性问题。^{129129The role of language in emotion: predictions from psychological constructionismdoi.org前往参考资料 ↓在新标签页中打开}

在情感计算中，自我报告常被用作语音情绪识别数据集的标注来源：标注者听取语音片段后从离散标签集中选择情绪类别，标注一致性（如 Cohen's kappa 或多标注者多数投票）成为数据集质量的关键指标。^{5757RAVDESS: The Ryerson Audio-Visual Database of Emotional Speech and Songdoi.org前往参考资料 ↓在新标签页中打开}

在离散情绪模型的实证检验中，生理测量被用作独立于自我报告与面部行为的「第三条通道」：若基本情绪是离散且具生物基础的自然类别，则不同情绪状态应伴随可区分、可重复的自主神经反应模式。这一思路的经典代表是 Ekman 等人关于自主神经活动与情绪的研究，以及 Levenson 等人对情绪特异性生理反应的开创性工作。^{130130Autonomic nervous system activity distinguishes among emotionsscience.org前往参考资料 ↓在新标签页中打开|131131Voluntary facial action generates emotion-specific autonomic nervous system activityonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

皮肤电活动（EDA/GSR）是离散情绪生理研究中使用最广的指标之一，其优势是对交感神经唤醒高度敏感、时间分辨率好，但局限在于它主要反映唤醒强度而非情绪效价或具体类别，因此单靠 EDA 难以区分恐惧、愤怒与喜悦等不同离散情绪。^{132132Electrodermal activity (SpringerBriefs in Electrical and Computer Engineering)link.springer.com前往参考资料 ↓在新标签页中打开}

面部肌电（EMG）是离散情绪研究中区分度较高的生理指标：皱眉肌（corrugator supercilii）活动与负性情绪（尤其愤怒与厌恶）相关，颧大肌（zygomaticus major）活动与正性情绪相关。其优点是时间分辨率高、可在无意识层面捕捉微弱反应，缺点是电极布置侵入性强、仅覆盖有限肌群，且对社交情境高度敏感。^{135135Facial electromyography: Responses of children to odor and taste stimuliacademic.oup.com前往参考资料 ↓在新标签页中打开|136136Facial EMG as a tool for inferring affective statesresearchgate.net前往参考资料 ↓在新标签页中打开}

瞳孔直径与眨眼率被用作情绪唤醒与认知负荷的间接指标，具有非侵入、可远程测量的优势，但瞳孔反应同时受光照、注视距离与任务难度强烈调制，作为离散情绪分类特征时信噪比有限。^{137137Pupil diameter as a measure of emotion and cognitive load: A reviewfrontiersin.org前往参考资料 ↓在新标签页中打开}

在测量方法学上，离散情绪的生理研究普遍采用「基线—诱发—恢复」三段式设计，以情绪影片、图片（如 IAPS）、音乐或社会性诱发为刺激，并以基线校正后的变化量作为分析对象；这一范式被批评为生态效度有限，因为实验室诱发强度通常远低于真实生活情绪。^{139139The International Affective Picture System (IAPS) in the study of emotion and attentionpsycnet.apa.org前往参考资料 ↓在新标签页中打开|140140Emotion elicitation methods: A reviewpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

生理信号的高维、非平稳与个体差异大，使得离散情绪分类在机器学习评估中常出现「被试内准确率高、被试间泛化差」的现象；跨被试分类通常需要个体校准或领域自适应，这一局限是情感计算中生理通道落地的主要障碍之一。^{141141DEAP: A Database for Emotion Analysis using Physiological Signalsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|142142A review of emotion recognition using physiological signalsmdpi.com前往参考资料 ↓在新标签页中打开}

多模态融合（生理 + 面部 + 语音 + 自我报告）被普遍认为优于单一通道，但融合带来的增益在不同数据集上差异很大，且各通道的时间尺度不一致（皮肤电以秒计、肌电以毫秒计），同步与对齐仍是方法学难点。^{143143Multimodal emotion recognition: A surveysciencedirect.com前往参考资料 ↓在新标签页中打开}

可穿戴设备（腕式 EDA、光电容积脉搏波 PPG、心率变异性）使离散情绪的生理测量从实验室走向日常场景，但其信号质量与医用级设备差距明显，且日常情境中情绪诱发因素混杂，目前更多用于唤醒度估计而非离散类别判定。^{144144Wearable affect recognition: A reviewieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|145145Consumer-grade wearable sensors for emotion recognition: A systematic reviewmdpi.com前往参考资料 ↓在新标签页中打开}

Weisfeld 在 2022 年《Evolutionary Studies in Imaginative Culture》的评论文章中，明确把 Barrett 的建构论观点作为批评对象，并强调情绪在人类社会生活与艺术中的功能角色，构成离散阵营对「情绪概念的文化建构」批评的一次正面回应。该文本身即体现了双方在「情绪是自然种类还是文化范畴」这一问题上的持续对峙。^{3737Comparative, Developmental, and Physiological Evidence for Discrete Emotions Theory - ESIC 2022DOI: 10.26613/esic/6.1.274Comparative, Developmental, and Physiological Evidence for Discrete Emotions TheoryGlenn Weis...degruyterbrill.com前往参考资料 ↓在新标签页中打开}

在情感计算与语音情绪识别等应用领域，数量分歧直接转化为工程取舍：系统设计者必须预先固定一个情绪标签集，而不同语料库采用的标签集互不兼容，使跨语料库的模型比较与迁移变得困难。^{3737Comparative, Developmental, and Physiological Evidence for Discrete Emotions Theory - ESIC 2022DOI: 10.26613/esic/6.1.274Comparative, Developmental, and Physiological Evidence for Discrete Emotions TheoryGlenn Weis...degruyterbrill.com前往参考资料 ↓在新标签页中打开}

Ekman 与 Friesen 在 1971 年发表于《Journal of Personality and Social Psychology》的「Constants across cultures in the face and emotion」中报告，新几内亚 Fore 族被试对六种面部表情的识别模式与西方被试高度一致，这一研究长期被当作基本情绪跨文化普遍性的核心证据。^{66Constants across cultures in the face and emotiondoi.org前往参考资料 ↓在新标签页中打开}

Russell 在 1994 年《Psychological Bulletin》的综述「Is there universal recognition of emotion from facial expression? A review of the cross-cultural studies」中重新检视了跨文化表情识别文献，指出多数研究在方法上存在强制选择、刺激材料来自西方表情库、被试接触过西方媒体等混淆，认为普遍性的证据强度被高估。^{2727Is there universal recognition of emotion from facial expression? A review of the cross-cultural studiesdoi.org前往参考资料 ↓在新标签页中打开}

Russell 提出的核心方法学批评之一是「强制选择」范式：被试只能从研究者给定的少数情绪标签中挑选，这会人为抬高一致率；若改用自由命名，跨文化一致率显著下降。^{2727Is there universal recognition of emotion from facial expression? A review of the cross-cultural studiesdoi.org前往参考资料 ↓在新标签页中打开}

跨文化再检验的方法学争议集中在三点：刺激材料多取自西方表情库（如 Ekman 与 Friesen 的 Pictures of Facial Affect）、被试任务多为强制选择、以及被试的西方媒体接触程度未充分控制；这些因素被认为可能系统性抬高跨文化一致率。^{2727Is there universal recognition of emotion from facial expression? A review of the cross-cultural studiesdoi.org前往参考资料 ↓在新标签页中打开|146146Perceptions of emotion from facial expressions are not culturally universal: evidence from a remote culturedoi.org前往参考资料 ↓在新标签页中打开}