用于从心跳端到端预测情绪的贝叶斯深度学习框架

情绪的自动预测有望彻底改变人机交互。近期的趋势涉及融合多种数据模态——音频、视觉与生理信号——来对情绪状态进行分类。然而，在实践中，在真实环境中收集生理数据目前仅限于由平价可穿戴心电监测仪所生成的心跳时间序列。此外，情绪预测的实际应用通常需要对模型输出具有一定程度的不确定性度量，以便为下游决策提供信息。我们在此提出一种端到端深度学习模型，用于从单模态心跳时间序列分类情绪效价。我们进一步提出一种贝叶斯框架，用于对这些效价预测的不确定性进行建模，并描述了一种概率化流程，可根据预期应用选择接受或拒绝模型输出。我们在两个已有数据集上对我们的框架进行了基准测试，达到了90%的峰值分类准确率。这些结果为情感计算在医疗健康等真实领域中的应用奠定了基础，这些领域高度重视数据的无创采集与预测确定性。