基于 PPG 的情感识别：CNN、Transformer 与 Mamba 架构的长程深度模型测量驱动比较
机器学习
2026-04-30 v1
摘要
脉搏波形 (PPG) 因其低成本和便于集成到消费级设备的优势，日益用于可穿戴式情感计算。近期的深度学习进展引入了 Transformer 等长程序列模型，以及 Mamba 等状态空间模型，这些模型在自然语言和一般时间序列任务中表现出强大的性能。然而，鉴于数据集通常较小且噪声较大，是否这些架构为 PPG 基于情感识别提供了显著的优势，仍不明确。本工作对四种深度学习架构（CNN、CNN-LSTM 混合、Transformer 和 Mamba）进行测量驱动的比较，用于从手腕式 PPG 信号中对 arousal、valence 和 relaxation 状态进行分类。所有模型均在 subject-independent 5 折交叉验证协议下评估，使用相同的预处理、分段和训练管道。我们的结果表明，Transformer 和 Mamba 模型的性能与 CNN 基线相当，但并不一致地超越它。CNN 仍然最有效，提供最高的准确率且模型尺寸最小，而 Transformer 在 Arousal 和 Relaxation 的 F1 分数方面表现更好。该研究首次评估了 Transformer 和 Mamba 模型用于 PPG 基于情感识别，为可穿戴式情感监测系统的模型选择提供了实用指导。
引用
@article{arxiv.2604.26078,
title = {PPG-Based Affect Recognition with Long-Range Deep Models: A Measurement-Driven Comparison of CNN, Transformer, and Mamba Architectures},
author = {Karim Alghoul and Hussein Al Osman and Abdulmotaleb El Saddik},
journal= {arXiv preprint arXiv:2604.26078},
year = {2026}
}