PhysioFormer:整合多模式生理信号和象征回归,用于可解释的情感状态预测

科学领域:

• 情感计算是一种情感计算.
• 生理信号处理 物理信号处理
• 机器学习用于心理健康

背景情况:

• 准确的情绪状态识别对于健康监测和心理干预至关重要.
• 传统的机器学习模型难以处理复杂的多模式生理数据.
• 多式联动情感计算中的深度学习应用仍然有限.

研究的目的:

• 开发一种新的深度学习模型,PhysioFormer,使用生理信号准确预测情感状态.
• 通过整合个体属性和多模式生理数据来解决个体间的变化.
• 通过符号回归来提高模型的透明度和可解释性.

主要方法:

• PhysioFormer集成了个体属性和多模式生理数据.
• 特征嵌入和情感表示模块捕获动态时间序列和多式联络信号特征.
• 符号回归用于解释性,提取生理信号和情绪状态之间的规律.

主要成果:

• 在WESAD数据集 (手腕和胸部子集) 上,PhysioFormer实现了超过99%的准确性,超过了最先进的模型.
• 灵敏度和废弃性研究证实了模型的可靠性及其组件的贡献.
• 符号回归增强了可解释性,并揭示了复杂的生理情绪状态关系.

结论:

• PhysioFormer在使用生理信号预测情绪状态方面表现出卓越的性能和可靠性.
• 该模型的可解释性组件为生理数据和情绪状态之间的关系提供了有价值的见解.
• 未来的工作包括为实时应用优化PhysioFormer,并探索更广泛的环境因素,以实现全面的情感计算.