情感穿戴：探索智能手表上的语音消息交互情感引诱
内容提要
该文综述多项情感计算研究：智能手表传感器预测情绪准确率达93.75%；EmotionPush以彩色推送传达文本情感；可穿戴设备可区分高低正面情绪；EmoSpeech与EmoPP提升情感语音合成；MoodSwipe和Mood spRing实现情感交互；BERT检测抑郁文本准确率93%；EmoUS模拟用户情绪以评估对话系统。
延伸解读
情绪预测的高准确率与场景局限
文章提到，利用智能手表传感器预测愉快与不愉快情绪，多层感知器模型达到了93.75%的准确率。这一结果展示了可穿戴设备在情绪识别上的潜力，但需注意该数据来自特定实验设置，实际应用中可能受用户差异、活动状态等因素影响，准确率未必能直接复现。
情感交互从推送通知到艺术装置
EmotionPush通过彩色推送传达文本情感，帮助用户优先处理互动；MoodSwipe则用软键盘建议符合指定情感的消息；Mood spRing将语言和语调映射为沉浸式3D动画。这些案例表明，情感计算正从单纯识别走向主动交互，但文章也指出情感连续性、多用户会话等挑战仍需解决。
语音合成与抑郁检测的技术进展
EmoSpeech和EmoPP在情感语音合成上提升了自然度和情感表达能力，而基于BERT的模型在抑郁文本检测上达到93%的准确率。文章还提到结合可穿戴设备生理信号进行长期跟踪的设想，这暗示情感计算在心理健康领域有应用前景，但实际部署仍需验证。
Q&A
智能手表预测情绪准确率有多高？
使用智能手表传感器预测用户情绪，通过英文和区域语言视频收集数据，将问题建模为二元分类，多层感知器对愉快-不愉快情绪的分类准确率达到93.75%。
EmotionPush 是什么？它有什么作用？
EmotionPush 是一种基于情感分类器的系统，可以通过手机上带有颜色的推送通知自动传达接收到的文本的情感，并帮助用户优先处理互动。
可穿戴设备在捕捉用户情绪状态方面效果如何？
通过消费级可穿戴设备和自我报告测量，研究旨在弥合实验室研究和现实场景之间的差距，评估可穿戴设备在捕捉用户情绪状态上的有效性，结果表明区分高和低正面情绪有很大潜力。
EmoSpeech 模型在情感语音合成上有什么优势？
EmoSpeech 模型在 FastSpeech2 基础上通过更改结构实现情感语音合成，在自动和人体评估中，其 MOS 得分和情感识别准确性均超过了现有模型。
MoodSwipe 是什么？它如何工作？
MoodSwipe 是一款软键盘，它使用实际对话数据来建议文本消息，以感知用户指定的情感，并自动标记数据，用于开发更高级的技术。
BERT 模型在检测抑郁文本上的准确率是多少？
利用经过修改的预训练 BERT 模型检测社交媒体和用户网络浏览数据中的抑郁文本，实现了93%的测试准确率。
EmoUS 是什么？它有什么用途？
EmoUS 是一种用户模拟器，它可以学习用户情绪并在用户目标、对话历史和用户角色的基础上生成用户情绪、语义动作和自然语言响应，可以作为探针评估各种对话系统及其对用户情绪的影响。
