本文研究了双人对话主题流随时间变化的情况，以及对话者个性差异对这一流动的影响。研究发现，个性差异，尤其是在开放性和外向性方面，显著影响对话的主题广度和语言对齐程度，进而影响对话后的情感状态。这表明高维自然语言处理方法在沟通研究中的重要性。

本文探讨了可穿戴设备和机器学习在健康监测中的应用，重点关注心脏健康、抑郁症检测和压力监测。研究强调数据集的多样性和算法的泛化能力，提出了结合生理数据和自我报告的多模态深度学习模型，以提高情感状态预测的准确性。未来研究应关注数据稀缺和模型改进。

本研究提出了一种多模态深度学习模型，结合转换器编码器和预训练语言模型，能够准确预测大学生的情感状态。经过一年的纵向研究，该模型在预测积极和消极情感方面的准确率分别为82.50%和82.76%。模型的解释性增强了其有效性，对情感计算的应用具有重要启示。

本研究探讨了通过整合用户个性和情感状态，建立自动化音乐推荐系统的方法。采用深度学习模型实时检测用户情感，提供个性化推荐，提升用户体验。研究还涉及多模态方法、冷启动问题及情感预测，展示了神经网络在音乐推荐和治疗中的潜力。