Synheart Emotion：基于生理信号的隐私保护式设备端情感识别
机器学习
2025-11-11 v1
摘要
人机交互越来越需要识别不仅是显式用户输入，还包括隐式情感状态的系统。尽管情感计算领域取得了显著进展，但大多数情感识别系统依赖于云端推理，引入了隐私漏洞和延迟限制，难以满足实时应用需求。本工作对机器学习架构进行了全面评估，以实现基于手腕部光学血容量（PPG）的设备端情感识别，系统性地比较了涵盖经典集成方法、深度神经网络和transformer的不同模型。结果表明，经典集成方法在小规模生理数据集上显著优于深度学习方法，ExtraTrees在组合特征上达到F1=0.826，在手腕唯一特征上达到F1=0.623，而transformer仅达到F1=0.509-0.577。我们部署了针对手腕唯一特征的ExtraTrees模型，通过ONNX转换进行优化，实现了4.08 MB的存储占用、0.05 ms的推理延迟和152倍的原始实现加速。此外，ONNX优化实现了平均30.5%的存储降低和40.1倍的推理加速，凸显了面向实际可穿戴设备的隐私保护设备端情感识别的可行性。
引用
@article{arxiv.2511.06231,
title = {Synheart Emotion: Privacy-Preserving On-Device Emotion Recognition from Biosignals},
author = {Henok Ademtew and Israel Goytom},
journal= {arXiv preprint arXiv:2511.06231},
year = {2025}
}
备注
Preprint submitted to the Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT)