Dec, 2023

穿戴设备解读情绪价值：我们的数据能否揭示真实感受？

PDF
TL;DR通过使用消费级可穿戴设备和自我报告测量，本研究旨在弥合实验室研究和现实场景之间的差距，评估可穿戴设备在捕捉用户情绪状态上的有效性，研究结果表明，区分高和低正面情绪有着很大潜力，该研究为移动心理健康干预领域开辟了未来研究的途径。
automatic detectionemotional statesmental health conditionswearable devicesmobile mental health interventions
发现论文，激发创造
  • WEARS：利用实时传感器数据的可穿戴情感人工智能

    使用智能手表传感器预测用户情绪，通过使用英文和区域语言视频收集数据，将问题建模为二元分类，并使用多个机器学习模型进行试验，发现多层感知器对愉快 - 不愉快情绪的分类具有最高准确率达到 93.75%。

    Aug, 2023

  • 整合可穿戴传感器数据和自报日记以进行个性化情绪预测

    本研究提出一种多模态深度学习模型，结合了转换器编码器和预训练语言模型，利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究，监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数，以及开放式的文本日记，实证结果表明该模型在提前一周预测积极和消极情感方面的准确率分别为 82.50% 和 82.76%。该模型的解释性进一步提高了其有效性。

    Mar, 2024

  • 个性化和泛化方法在使用消费级可穿戴设备进行情绪识别方面的比较：机器学习研究

    我们研究了使用可穿戴生物信号数据进行三类情绪分类（中性、压力和娱乐）的个性化和普遍化机器学习模型之间的差异，并发现个性化模型在特定情境下表现优于普遍化模型。

    Aug, 2023

  • 使用 fNIRs 和机器学习的情绪状态检测

    本研究旨在利用生理数据检测情感状态，通过功能近红外光谱法，并使用机器学习进行分类，结果显示针对冥想、娱乐和认知负荷三种情感状态的研究中，个体模型的平均准确率为 83.04%，群体模型的准确率为 84.39%，而个体无关模型的准确率为 60.57%。同时发现，通过纸笔任务可更准确地识别出认知负荷情感状态。

    Feb, 2024

  • 利用多模式现实世界智能手表数据识别糖尿病患者夫妻的情感管理

    本研究旨在使用智能手表传感器数据和自我报告情绪数据，提取不同特征并训练机器学习模型实现情绪自动识别。最终结果表明，提取的模型可识别患者的情绪，该研究有望为构建自动化情绪识别系统和情绪监测提供参考。

    Aug, 2022

  • AI 驅動的持續情緒監測器：主動式情緒跟蹤

    本研究利用经过修改的预训练 BERT 模型检测社交媒体和用户的网络浏览数据中的抑郁文本，实现了令人印象深刻的 93% 测试准确率。同时，该项目旨在结合可穿戴设备（如智能手表和脑电传感器）的生理信号，提供情绪障碍和情绪状态的长期跟踪和预后，这种综合方法有望提高抑郁症的早期检测并促进整体心理健康结果。

    Jan, 2024

  • 利用自监督学习识别穿戴设备记录的超级马里奥游戏、大学考试或体育锻炼的受试者的情绪急性发作

    通过个人感应、利用从患者的生态环境中持续收集的可穿戴设备数据被动地监测情绪障碍（MDs），这是一种有希望成为监测全球疾病负担主要决定因素的前景。本文通过自监督学习（SSL）利用无标签数据在预训练过程中学习表达，然后用于监督任务，克服了数据瓶颈，推进了从可穿戴设备数据中检测 MDs 急性发作与稳定状态的方法。

    Nov, 2023

  • 神经形态学价值和唤起估计

    使用神经形态学数据从面部预测价值和唤醒值，并将训练模型直接应用于情绪识别任务。

    Jan, 2024

  • 从移动数据中学习语言和多模态隐私保护的情绪标记

    通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

    Jun, 2021

  • 利用社交图网络进行情感预测

    通过手机感应数据和社交网络构建及机器学习算法综合分析多个用户和时序特征，利用社交网络对情感进行预测。

    Jul, 2022