این سیستم می تواند شش احساس اولیه (پایه ای) را تشخیص دهد: شادی، غم، عصبانیت، تعجب، ترس، انزجار و حالت خنثی. به علاوه حالات دیگری در چهره وجود دارد که سیستم می تواند آن ها را مشخص کند، حالاتی مانند: تمسخر ( حالتی که در آن گوشه یکی از لب ها کمی فشرده و به سمت بالا متمایل می شود)، وضعیت ظاهری چهره ( اینکه چشم راست یا چپ باز یا بسته است، اینکه دهان باز یا بسته است، خطوط چشم باز، معمول یا جمع شده است، تعیین جهت کلی خیرگی چشم و ردیابی جهت سر فرد). سیستم FaceReader همچنین میزان ظرفیت (Valene) شخص را نیز اندازه گیری می کند که حالت عاطفی فرد مثبت است یا منفی، و برانگیختگی (Arousal ) را نشان می دهد که نشان می دهد فعال بودن شخص چگونه است. همجنین سیستم FaceReader می تواند جنس، سن، نژاد، میزان موهای صورت (ریش یا سبیل)، و اینکه او عینک به چشم دارد یا نه، را تشخیص دهد. همچنین نرم افزار این سیستم می تواند کاربران مختلف را شناسایی کند.
داده های سیستم FaceReader را می توان به ObserverXT فرستاد که یک بسته نرم افزاری جامع برای جمع آوری، آنالیز و ارائه داده های حاصل از مشاهده، است. این امکان شما را قادر می سازد که داده های FaceReader را با سایر داده ها جمع و آنالیز کنید، داده هایی مانند رویدادهای ثبت شده دستی، داده های فیزیولوژیک، داده های ردیابی چشمی. برای مثال ، چه رابطه ای میان آن چه شخص به آن می نگرد و قسمتی که در بخش احساسات فرد فعال می شود، وجود دارد.

سیستم FaceReader در بازه گسترده های از مطالعات کاربرد دارد:

      -روانشناسی:

             این که اشخاص چگونه به یک محرک خاص واکنش نشان می دهند، برای مثال در مطالعات شناختی.
      -آموزشی:

             مطاله حالت صورت دانشجویان می تواند سبب پیشرفت ابزارهای آموزشی گردد.
      -ارتباط کاربر با کامپیوتر:

             حالات صورت فرد می تواند اطلاعات ارزشمندی درباره تجربیات کاربر فراهم کند.
      -آزمودن کارایی:

             حالات عاطفی می تواند نشان دهنده راحتی در استفاده و موثر بودن ارتباط کاربر باشد.
      -مطالعات بازار:

             اینکه اشخاص چه عکس العملی درباره یک طراحی تجاری جدید نشان می دهند.
      -رفتار مصرف کننده:

             شرکت کنندگان چگونه به ارائه و عرضه در یک پنل حسی، واکنش نشان می دهند.

چالش اصلی در آنالیز حالت چهره این است که چگونه با تنوع جهت، ژست و سایه روشن های صورت عمل کند.
راه حل انتخابی دستگاه FaceReader این است که چهره ها را در سه مرحله متوالی، طبقه بندی می کند.
1. یافتن چهره: در این مرحله، سیستم مکان چهره را در تصویر می یابد. این عمل توسط روش الگوریتم طبقه بندی آبشاری ویولا جونز که برای یافتن چهره در تصویر توسعه یافته، انجام می شود.
2. مدل سازی چهره: در این مرحله از روش مدل سازی استفاده می شود که مدل ظاهری اکتیو (AAM) نامیده می شود. به کمک این روش یک مدل مصنوعی از صورت ساخته می شود که مکان 500 نقطه کلیدی در چهره فرد و بافت نواحی محصور شده میان این نقاط را نشان می دهد. این مدل از یک پایگاه داده تصاویر رونویس شده، استفاده می کند و منابع اصلی تفاوتی که میان این تصاویر یافت می شود را محاسبه می کند. مقایسه آنالیزی اجزای اصلی برای کاهش ابعاد مدل مورد استفاده قرار می گیرد. سپس این چهره جدید را می توان به عنوان نمونه ای از چهره متوسط، با استفاده از بردارها شرح داد.
3. طبقه بندی چهره: طبقه بندی حقیقی حالات چهره به کمک تعلیم دادن به یک شبکه عصبی مصنوعی، انجام می شود. برای تمرین از بالغ بر 10000 تصویر که به صورت دستی رونویس شده اند، استفاده می شود. این شبکه عصبی آموزش داده می شود تا شش حالت پایه و عمومی احساسات را که توسط اکمن (Ekman) توضیح داده شده است، طبقه بندی کند: شادی، غم، عصبانیت، تعجب، ترس، انزجار و حالت خنثی.
FaceReader می تواند حالات چهره را با دقت 90% تشخیص دهد که برای برخی احساسات درصد بالاتر و برای برخی درصد پایین تری را نشان می دهد.