基于地震心动图（SCG）的情感识别研究：EmoWear数据集的新见解与DEAP基准验证

《IEEE Transactions on Affective Computing》：Seismocardiography for Emotion Recognition: A Study on EmoWear With Insights From DEAP

　　本文针对可穿戴设备在情感识别（ER）中多模态硬件依赖性强的问题，创新性地提出利用单加速度计采集地震心动图（SCG）和加速度衍生呼吸（ADR）信号进行情绪状态分类。研究团队基于EmoWear数据集，通过验证DEAP数据集的单试次情绪分类流程，证实SCG在效价-唤醒度分类任务中达到与心电图（ECG）、血容量脉冲（BVP）相当的性能（F1分数0.587），且SCG+ADR组合首次实现了单胸部传感器的可行ER框架，为日常场景下的情感计算嵌入提供了硬件简化新路径。

　　

情绪如同无形的指挥家，深刻影响着我们的思维模式、行为决策乃至生理反应。在人工智能与人类生活深度融合的今天，让计算机理解人类情感已成为人机交互领域的前沿课题。传统的情感识别（Emotion Recognition, ER）多依赖于面部表情或语音分析，但这些外部信号易受主观掩饰干扰。相比之下，由自主神经系统（Autonomic Nervous System, ANS）调控的生理信号（如心率、呼吸频率）能够更客观地反映内在情感状态，为情感计算（Affective Computing）提供了可靠的数据基础。

然而，当前基于生理信号的情感识别技术面临着一个突出瓶颈：为实现多模态数据采集，往往需要佩戴多种传感器（如心电图ECG、呼吸带RSP等），这不仅增加了硬件成本和使用负担，也限制了技术在日常生活场景中的普及应用。能否用更简洁的传感器方案实现同等精度的情感识别？这个问题的答案将直接决定情感计算技术能否真正融入人们的日常生活。

在这一背景下，来自比利时安特卫普大学的研究团队独辟蹊径，将目光投向了地震心动图（Seismocardiography, SCG）这一新兴技术。SCG通过测量心脏机械活动在胸壁引起的微小振动来捕捉心脏活动信息，只需一个简单的胸部佩戴加速度计即可实现。更令人惊喜的是，同一加速度计还能同步提取加速度衍生呼吸（Accelerometry-Derived Respiration, ADR）信号，从而同时获取心率和呼吸两种关键生理参数。这种"一石二鸟"的传感方式，为简化情感识别系统硬件提供了全新可能。

为了验证这一创新思路，研究团队在《IEEE Transactions on Affective Computing》上发表了最新研究成果。研究首次系统评估了SCG在情感识别中的潜力，并将其与ECG、BVP等传统心脏信号进行对比，同时探索了单加速度计（SCG+ADR）实现情感识别的可行性。通过严谨的实验设计和与基准数据集DEAP的对比验证，研究为可穿戴情感识别技术的发展开辟了新方向。

关键技术方法概述

研究采用特征工程与机器学习相结合的传统方法。数据来源于两个公共数据集：DEAP（32名参与者）和EmoWear（48名参与者，最终纳入42名），均通过视频刺激诱发情绪，并采用自我评估曼尼克因（Self-Assessment Manikins, SAM）进行效价（Valence）和唤醒度（Arousal）的9点量表评分。信号处理关键步骤包括：从加速度计数据中提取SCG（通过10-20Hz带通滤波和主动脉瓣开放（Aortic valve Opening, AO）峰值检测）和ADR（0.15-0.35Hz带通滤波）；从ECG、BVP等信号中提取心率变异性（Heart Rate Variability, HRV）等特征。使用高斯朴素贝叶斯（Naive Bayes, NB）、支持向量机（Support Vector Machine, SVM）和逻辑回归（Logistic Regression, LR）三种分类器，采用留一视频交叉验证（Leave-One-Video-Out Cross Validation, LOVO CV）评估模型在二分类（高/低效价、高/低唤醒度）任务上的性能，以宏平均F1分数（macro-averaged F1 score）为主要指标。

研究结果

方法论验证与DEAP结果复现

为确保研究可靠性，团队首先完整复现了DEAP数据集原始论文中的单试次情绪分类流程。使用相同的生理信号（BVP、RSP、EDA、SKT、EMG、EOG）、特征集、高斯朴素贝叶斯分类器和留一视频交叉验证方法，在效价和唤醒度分类任务上获得了与原始研究高度一致的结果（效价F1分数：0.606 vs 0.608；唤醒度F1分数：0.542 vs 0.533）。这一成功的复现不仅验证了研究团队分析流程的可靠性，也为后续基于EmoWear数据集的创新研究奠定了坚实基础。

SCG在情感识别中的有效性得到证实

研究核心发现显示，SCG作为一种全新的情感识别信号源，表现出了与传统心脏信号相当的性能。当SCG与所有其他外周生理信号（RSP、ADR、EDA、SKT）结合时，在不同分类器下获得的宏平均F1分数与ECG、BVP为基础的结果无系统性差异。例如，使用支持向量机分类器时，SCG组合在效价分类上达到0.587的F1分数，与ECG（0.584）和BVP（0.585）十分接近。这一结果首次证实了SCG携带的情感相关信息足以支持有效的情绪状态分类，为利用心脏机械活动而非电活动进行情感识别提供了实证支持。

单加速度计方案的可行性评估

最具创新性的发现来自于SCG与ADR的组合验证，这一组合仅需单个胸部加速度计即可同时获取心率和呼吸信息。研究结果显示，SCG+ADR组合虽然性能略低于SCG+专用呼吸带（RSP）的组合，但在支持向量机和逻辑回归分类器下仍能取得显著高于基线的性能（效价分类F1分数分别为0.561和0.564，p<0.001）。这表明单加速度计方案确实可行，为极大简化情感识别系统硬件提供了技术依据。

跨被试变异性揭示个体差异

研究还发现，情感识别性能存在显著的被试间变异性。如图9的热图所示，不同被试在不同实验设置下表现出的分类性能差异明显，某些被试（如2、26、39号）在所有设置下均表现较差。这一现象印证了情感体验的主观性和个体差异性，提示未来情感识别系统可能需要考虑个性化校准以适应不同用户的生理特征。

研究结论与意义

本研究通过严谨的方法设计和系统的实验验证，得出了三个关键结论：首先，SCG可作为情感识别的可行信号源，其性能与ECG、BVP等传统心脏信号相当；其次，SCG与ADR结合的单加速度计方案能够实现有效的情感识别，为硬件简化提供了技术路径；最后，研究为新兴的EmoWear数据集建立了首个情感识别基准，为后续研究提供了参考标准。

这些发现对情感计算领域具有深远意义。从技术层面看，研究开辟了利用心脏机械信号进行情感识别的新方向，丰富了可用的生理信号源；从应用视角看，单加速度计方案大幅降低了情感识别系统的硬件复杂性和成本，增强了技术在日常生活中嵌入的可行性。加速度计作为智能手表、健身追踪器等消费电子产品的标配传感器，其用于情感识别的潜力意味着未来可能无需额外硬件即可实现持续的情感状态监测。

研究团队也坦诚指出了当前工作的局限性，包括数据集规模对深度学习模型应用的制约，以及实验室环境与真实场景的差异。未来研究方向可能包括：开发针对SCG和ADR的专用特征提取方法、探索小样本学习或迁移学习策略、研究跨被试情感识别模型、以及开发实时情感识别系统。

随着可穿戴设备的普及和传感技术的进步，基于生理信号的情感识别正逐步从实验室走向实用化。Mohammad Hasan Rahmani等人的这项研究为我们展示了一条更加简洁、低成本的技術路径，或许在不远的将来，我们能够通过日常佩戴的智能设备实现真正无缝的情感感知与交互，让人工智能不仅更加智能，也更加"懂你"。