利用可穿戴传感器数据优化情绪识别：通过随机森林超参数调优揭示身体运动与心率模式

本研究深入探讨了利用智能手表传感器数据和心率监测来基于身体运动和心率辨别个体情绪。情绪在人类生活中扮演着至关重要的角色，影响心理健康、生活质量，甚至身体和生理反应。数据来源于 Juan C. Quiroz 博士的先前研究。研究招募了 50 名参与者，他们在完成 250 米步行时佩戴智能手表和心率监测器。情绪通过视听和音频刺激诱发，参与者的情绪状态使用 PANAS 量表进行评估。研究审视了三种场景：步行前观看电影、步行前听音乐以及步行时听音乐。使用 sklearn 库中采用 'most_frequent' 策略的 DummyClassifier 建立个人基线，并采用逻辑回归和随机森林等多种模型来评估这些活动的影响。值得注意的是，采用了一种新颖的方法，即使用 RandomizedSearchCV 对随机森林模型进行超参数调优。结果表明，随机森林模型经超参数调优后取得了显著提升，在快乐 vs. 悲伤分类中获得 86.63% 的平均准确率，在快乐 vs. 中性 vs. 悲伤分类中获得 76.33% 的平均准确率。