利用智能手机传感与基于社区的模型个性化推断进食情绪

情绪与进食事件之间的相互作用已被广泛研究，揭示了两者之间的联系。以往的研究依赖于问卷和手机自我报告来调查情绪与进食之间的关系。然而，现有文献存在几个局限性：缺乏对利用各种日常生活情境数据训练的情绪推断模型向进食等特定情境泛化的研究；缺乏使用传感器数据探索情绪与进食交叉点的研究；以及在有限标签设置下对模型个性化技术的考察不足，这是情绪推断中的一个常见挑战（即负面情绪报告远少于正面或中性报告）。在本研究中，我们利用墨西哥大学生（N_mex = 84，1843 份进食情绪报告）和八个国家（N_mul = 678，24K 份进食情绪报告）的两个数据集来考察日常进食行为和情绪，这些数据集包含被动智能手机传感和自我报告数据。我们的结果表明，通用情绪推断模型在进食等特定情境下性能下降，突显了移动传感中子情境偏移的问题。此外，我们发现群体级（非个性化）和混合（部分个性化）建模技术在常用的三分类情绪推断任务（正面、中性、负面）中表现不佳。为了克服这些局限性，我们实施了一种新颖的基于社区的个性化方法。我们的研究结果表明，使用基于社区的模型，进食情绪的推断准确率在 MEX 数据集上达到 63.8%（F1 分数为 62.5），在 MUL 数据集上达到 88.3%（F1 分数为 85.7），超越了传统方法所达到的性能。