使用 fNIRs 和机器学习的情绪状态检测
内容提要
该文综述基于非传感器的情感检测，涵盖情感状态、技术方法、CBLEs应用及研究趋势。未来需提升模型性能、扩充少数情感样本、识别更多情感，并改进数据采集与共享实践。相关研究还探索可穿戴传感器、半监督学习、多模态模型及脑电信号在情绪识别中的应用。
延伸解读
非传感器情感检测的现状与挑战
文章综述指出，基于非传感器的情感检测已取得明显成熟度，但仍面临模型性能不足、少数情感样本稀缺、可识别情感种类有限等问题。未来需改进数据采集与共享实践，如比较不同采集技术的准确性、确定最佳持续时间粒度、建立共享数据库并公开源代码，以推动领域发展。
可穿戴传感器与半监督学习的成本优势
针对可穿戴传感器收集生理数据的情感检测，文章提到使用半监督学习算法可减少标记成本。在公开数据集WESAD上的实验表明，半监督算法在保持准确性的同时降低了成本，是一种有效的情感状态检测方法。这为实际应用提供了经济可行的方案。
多模态融合提升情绪识别准确度
文章涉及多项研究，如使用多通道脑电图、心电图和呼吸数据训练深度学习模型进行体验质量预测，以及采用多模态模型（脸部和身体特征）持续识别婴儿情绪，证明其优于单模态模型。此外，结合ECG和EDA可有效估计认知负荷水平，显示了多模态融合的潜力。
个性化模型与开放科学实践
文章提到，个性化机器学习模型在特定情境下对三类情绪（中性、压力和娱乐）的分类表现优于普遍化模型。同时，开放科学和开放数据实践以及数据分析挑战有助于解决情感体验与生理变化之间的相似性问题，促进研究可重复性和协作。
Q&A
非传感器情感检测主要研究哪些情感状态？
文章提到非传感器情感检测研究中最常见的情感状态包括中性、压力和娱乐等，但未列出完整清单。
使用可穿戴传感器进行情感状态检测时，机器学习面临的主要问题是什么？
主要问题是需要大量已标记的生理数据，而标记成本高昂。
半监督学习如何帮助降低情感状态检测的成本？
半监督学习算法可以减少标记成本，并在公开数据集WESAD上的实验表明，它是一种价格低廉且具有准确性的有效方法。
多模态模型在婴儿情绪识别中相比单模态模型有什么优势？
在处理时间和数据缺失方面，采用多模态模型（脸部和身体特征）胜过单模态模型（仅脸部特征），能实现持续情绪识别。
个性化与普遍化机器学习模型在情绪分类中表现有何差异？
研究发现，个性化模型在特定情境下表现优于普遍化模型。
未来非传感器情感检测研究有哪些改进方向？
未来研究需提升非传感器检测模型的性能、积累更多样本来表示少数情感、识别额外的情感，并改进模型开发实践和方法，包括比较不同数据采集技术的准确性、确定最佳的持续时间粒度、建立共享的行为记录和情感标签数据库，并公开发布这些模型的源代码。
