PhysioFormer：集成多模态生理信号与符号回归的可解释情感状态预测
计算工程、金融与科学
2024-10-16 v1
摘要
大多数情感计算任务仍依赖传统方法，很少应用深度学习模型，尤其在多模态信号处理方面。鉴于对压力监测在心理健康方面的重要性，开发一个高度可靠且准确的情感计算模型至关重要。在此背景下，我们提出了一种新型模型，用于基于生理信号的情感状态预测。PhysioFormer 模型整合了个人属性和多模态生理数据，以解决个体间变异性，提高其在不同个体之间的可靠性和泛化能力。通过融合特征嵌入和情感表示模块，PhysioFormer 模型捕捉到时间序列数据和多模态信号特征的动态变化，显著提高了准确率。该模型还包括一个可解释模型，用于从符号回归中提取连接生理信号与情感状态的规律，增加了透明度和可解释性。在 WESAD 数据集的手腕和胸部子集上进行的实验确认了该模型的优异性能，实现了超过 99% 的准确率，超越了现有SOTA模型。灵敏度和消融实验进一步证明了 PhysioFormer 的可靠性，验证了其各个组成部分的贡献。符号回归的集成不仅增强了模型的可解释性，也揭示了生理信号与情感状态之间的复杂关系。未来的工作将致力于针对更大数据集和实际应用进行模型优化，特别是在更复杂的环境中。此外，进一步探索生理信号和环境因素将有助于构建更全面的情感计算系统，推动其在健康监测和心理干预中的应用。
引用
@article{arxiv.2410.11376,
title = {PhysioFormer: Integrating Multimodal Physiological Signals and Symbolic Regression for Explainable Affective State Prediction},
author = {Zhifeng Wang and Wanxuan Wu and Chunyan Zeng},
journal= {arXiv preprint arXiv:2410.11376},
year = {2024}
}
备注
45 pages