Si possono leggere le emozioni usando soltanto l’HRV? — Verifica in 3 coorti

La variabilità della frequenza cardiaca (HRV) contiene indizi sulla regolazione autonoma. Ma, se un’IA riceve soltanto questi numeri, può riconoscere se l’emozione attuale è “piacevole” o “difficile”?

La conclusione di questa ricerca interna è limitata:

Con le informazioni derivate dall’HRV e i modelli di ricerca provati qui, non siamo riusciti a prevedere le emozioni di persone sconosciute con un’accuratezza utile in 3 coorti pubbliche.

Questo non dimostra che l’HRV non contenga alcuna informazione legata alle emozioni. Di seguito spieghiamo ciò che è stato verificato e ciò che resta ignoto.

HRV ed emozione non sono la stessa cosa

L’HRV descrive quanto varia l’intervallo da un battito al successivo. Respirazione, postura, attività, sonno, orario, farmaci, stato di salute e molti altri fattori la influenzano.

Le emozioni possono essere descritte almeno secondo 2 dimensioni:

• Valenza (valence): piacevole o spiacevole
• Attivazione (arousal): calma o eccitazione

Anche se il cuore accelera e l’HRV cambia, la causa può essere gioia, ansia, esercizio o caffeina. Una stessa risposta corporea può avere più significati, quindi assegnare un nome all’emozione soltanto dall’HRV è difficile.

Come è stato verificato?

Sono stati usati 3 dataset pubblici con etichette emotive e segnali cardiaci.

Coorte	Segnale principale	Metodo per suscitare emozioni
CASE	ECG	Video
AMIGOS	ECG	Video brevi e lunghi
DEAP	PPG al dito	Video musicali

Dagli intervalli cardiaci sono state prodotte diverse informazioni derivate dall’HRV. I dati sono stati divisi per impedire che la stessa persona comparisse sia nell’apprendimento sia nella valutazione; il modello ha quindi previsto valenza e attivazione in persone mai viste nell’apprendimento. Questa valutazione tra persone è essenziale: memorizzare le particolarità di qualcuno non rende il modello adatto a nuovi utenti.

Sono stati provati compiti di regressione continua, classificazione binaria e classificazione multiclasse dei video. I risultati delle coorti sono stati combinati statisticamente. I dettagli di implementazione — selezione delle caratteristiche, pre-elaborazione, architettura e condizioni di apprendimento — non sono pubblici perché fanno parte della tecnologia proprietaria di Feelmo. Il fatto che terzi non possano riprodurre esattamente lo stesso modello è una limitazione dello studio.

Come leggere semplicemente i risultati

Il risultato combinato per la valenza era R² = −0.40 (intervallo interno indicativo al 95% da −0.61 a −0.19). Le numerosità nominali erano CASE 30, AMIGOS 40 e DEAP 32 persone, per un totale di 102. Tuttavia CASE aveva 29 fold analizzati; il motivo dell’assenza di 1 persona non è documentato negli artefatti interni. Il totale combinato era quindi 101 fold per soggetto. Inoltre c’erano soltanto 3 coorti (k=3). L’intervallo è un’approssimazione normale basata sulla varianza di R² dei fold LOSO. È fragile con poche coorti e distribuzioni asimmetriche di R², quindi va letto come riferimento, non come certezza per una popolazione ampia.

R² indica quanta variazione emotiva il modello ha spiegato. Più è vicino a 1, meglio è; 0 è simile a un metodo semplice che risponde a tutti con la media. Un R² negativo non significa un’emozione negativa: significa che la previsione era peggiore della semplice risposta media.

La direzione del risultato era coerente nelle 3 coorti: le informazioni derivate dall’HRV e i modelli provati non si generalizzavano alle persone sconosciute durante l’apprendimento. I test rigorosi di equivalenza bilaterale non erano però conclusivi in tutte le analisi. Non possiamo quindi affermare che l’effetto reale sia esattamente zero o che ogni possibile IA fallirà.

Che cosa si può e non si può concludere

Si può concludere

• Le informazioni derivate dall’HRV e i modelli provati non si sono generalizzati a persone sconosciute nelle 3 coorti CASE, AMIGOS e DEAP
• Includere ECG e PPG non ha permesso, nelle stesse condizioni di analisi, una previsione della valenza utile nella pratica
• I prodotti che assegnano nomi di emozioni soltanto dall’HRV richiedono cautela

Non si può concludere

• Non dimostra che l’HRV non contenga alcuna informazione collegata alle emozioni
• Non dimostra che altre caratteristiche, futuri modelli fondazionali o dataset più grandi falliranno
• Non esclude una stima entro la stessa persona che combini andamento personale di lungo periodo, respirazione, movimento, voce, contesto e autovalutazioni
• Non significa neppure che l’HRV non possa offrire indizi nel considerare stati fisiologici come sonno, recupero o stress

Quali verifiche servono in seguito?

Non basta ingrandire il modello. Occorre verificare, in quest’ordine:

1. seguire le stesse persone a lungo e apprendere i cambiamenti rispetto al loro andamento personale;
2. registrare contemporaneamente il contesto che modifica l’HRV: sonno, respirazione, movimento, orario e caffeina;
3. raccogliere autovalutazioni come “piacevole/spiacevole” nello stesso momento della misurazione;
4. rivalutare le prestazioni su persone, dispositivi e ambienti non inclusi nell’apprendimento;
5. pubblicare non solo accuratezza, ma anche calibrazione, casi di errore e incertezza.

Come influenza il design di Feelmo?

Feelmo riassume sul dispositivo, mediante elaborazione proprietaria, le informazioni disponibili derivate dall’HRV e l’andamento personale precedente come visualizzazione retrospettiva. I dettagli non sono pubblici. Non deduce direttamente emozioni specifiche dall’HRV.

Una visualizzazione dell’IA non dovrebbe venire prima dell’esperienza reale della persona. Feelmo non impone un nome di emozione come fatto; la visualizzazione può invitare a verificare personalmente ciò che si prova e il contesto.

Materiali di ricerca

• Analisi interna: Paper 1 (non revisionato, prima della pubblicazione generale). Il codice e i risultati intermedi individuali non saranno pubblicati prima di completare gli audit di riproducibilità, licenze e privacy
• CASE: Sharma K, et al. A dataset of continuous affect annotations and physiological signals for emotion analysis. Scientific Data. 2019. doi:10.1038/s41597-019-0209-0
• AMIGOS: Miranda-Correa JA, et al. AMIGOS: A Dataset for Affect, Personality and Mood Research on Individuals and Groups. IEEE Transactions on Affective Computing. 2021. doi:10.1109/TAFFC.2018.2884461
• DEAP: Koelstra S, et al. DEAP: A Database for Emotion Analysis Using Physiological Signals. IEEE Transactions on Affective Computing. 2012. doi:10.1109/T-AFFC.2011.15
• Rassegna su HRV ed emozioni: Kreibig SD. Autonomic nervous system activity in emotion: A review. Biological Psychology. 2010. doi:10.1016/j.biopsycho.2010.03.010

※ Questa ricerca interna non convalida l’efficacia dell’app Feelmo.