基于可穿戴设备的人类流体验识别,通过使用情感数据的转移学习方法来增强,使用情感数据

科学领域:

• 人与计算机的互动.
• 情感计算是一种情感计算.
• 认知科学是一种认知科学.

背景情况:

• 流体验是一种完全吸收的积极情感状态,与提高表现和幸福感有关.
• 使用可穿戴生理传感器对流量的客观测量尚未得到充分研究,大多数研究依赖于自我报告的数据.
• 了解流动状态可以优化工作环境和个人生产力.

研究的目的:

• 使用可穿戴传感器的生理数据,自动区分流动和非流动状态.
• 确定用于流量检测的最有效的可穿戴传感器模式.
• 通过转移学习来研究情绪和流动状态之间的关系.

主要方法:

• 采集了25名受试者在算术和阅读任务中使用Empatica E4,Emotiv Epoc X EEG和Biosignalplux RespiBAN传感器收集的生理数据.
• 使用特征工程和深度特征学习来自动区分流和非流状态.
• 利用转移学习与情感识别任务 (DEAP数据集) 来提高流动识别性能.

主要成果:

• 电脑电图 (EEG) 传感器表现出最佳的个人性能,达到64.97%的准确性和64.95%的AF1得分.
• 来自所有传感器模式的数据融合显著提高了性能,达到73.63%的准确性和72.70%的AF1得分.
• 使用情绪识别的转移学习方法提高了性能,达到75.10%的准确度和74.92%的AF1得分.

结论:

• 多模体生理传感器数据有效地区分流动和非流动状态.
• 情绪与流动状态有关,情绪识别可以作为一个潜在的任务来改善流动检测.
• 可穿戴传感器技术为客观流体验评估提供了一个有希望的途径.