É possível identificar emoções apenas pela VFC? — o que verificamos em três coortes

A variabilidade da frequência cardíaca (VFC) contém pistas sobre a atividade do sistema nervoso autônomo. Mas, se fornecermos apenas esses números a uma IA, ela consegue identificar emoções atuais como “alegria” ou “sofrimento”?

A conclusão desta pesquisa interna é limitada:

Com as informações derivadas da VFC e o modelo de pesquisa testados, não foi possível prever as emoções de pessoas não vistas com precisão prática em três coortes públicas.

Isso não prova que “a VFC não contém nenhuma informação sobre emoções”. A seguir, explicamos o que foi testado e o que ainda não sabemos.

Enquadramento da pesquisa

Esta é uma pesquisa interna ainda não revisada por pares, baseada na reanálise de dados públicos. Não é um método de diagnóstico médico nem um ensaio clínico da eficácia da Feelmo.

Primeiro: VFC e emoção não são a mesma coisa

A VFC descreve quanto o intervalo entre os batimentos varia. Ela é influenciada por respiração, postura, exercício, sono, horário do dia, medicamentos, condição física e muitos outros fatores.

As emoções, por sua vez, podem ser consideradas em pelo menos duas dimensões:

Valência (valence): agradável ou desagradável
Ativação (arousal): calma ou intensa

Por exemplo, mesmo quando a frequência cardíaca aumenta e a VFC muda, a causa pode ser entusiasmo, ansiedade, exercício ou cafeína. Como a mesma resposta corporal pode ter vários significados, é difícil atribuir o nome de uma emoção usando apenas a VFC.

Como fizemos a verificação?

Usamos três conjuntos públicos que contêm rótulos de emoção e sinais cardíacos.

Coorte	Sinal principal	Método usado para provocar emoções
CASE	ECG (eletrocardiograma)	Vídeos
AMIGOS	ECG (eletrocardiograma)	Vídeos curtos e longos
DEAP	PPG no dedo (fotopletismografia)	Videoclipes musicais

Produzimos várias informações derivadas da VFC a partir dos intervalos cardíacos. Em seguida, separamos os dados para que uma mesma pessoa não aparecesse ao mesmo tempo no treinamento e na avaliação, e tentamos prever valência e ativação em pessoas não vistas durante o treinamento. Essa “avaliação entre pessoas” é importante: memorizar apenas os padrões de uma pessoa não significa que o modelo funcione para um novo usuário.

Testamos várias tarefas, incluindo regressão de valores contínuos, classificação binária e classificação multiclasse de vídeos. Os resultados das coortes foram combinados estatisticamente. Detalhes de implementação, como seleção das características, pré-processamento, estrutura do modelo e condições de treinamento, não são públicos por fazerem parte da tecnologia proprietária da Feelmo. Isso impede a reprodução integral do mesmo modelo por terceiros e também é uma limitação da pesquisa.

Como interpretar o resultado de forma simples?

O resultado combinado para valência foi R² = −0,40 (intervalo interno de referência de 95%: −0,61 a −0,19). Os dados de origem tinham nominalmente 30 pessoas no CASE, 40 no AMIGOS e 32 no DEAP, totalizando 102, mas a análise do CASE continha 29 folds (o motivo de uma pessoa não ter sido incluída não está registrado nos artefatos internos). Ao todo, 101 folds de participantes entraram na combinação. Além disso, ela reúne apenas três coortes (k=3). O intervalo usa uma aproximação normal baseada na variância do R² dos folds LOSO, que é frágil quando há poucas coortes ou uma distribuição assimétrica de R². Portanto, ele deve ser tratado como referência, não como certeza para uma população ampla.

O R² indica “quanto da variação da emoção o modelo conseguiu explicar”. Valores mais próximos de 1 são melhores; 0 significa um desempenho semelhante ao método simples de responder a média para todos. Um R² negativo não significa uma emoção negativa. Significa que a previsão foi pior do que simplesmente responder a média.

Os resultados apontaram na mesma direção nas três coortes: as informações derivadas da VFC e o modelo testados não se generalizaram para pessoas não vistas durante o treinamento. Porém, nem todas as análises satisfizeram um teste bilateral rigoroso de equivalência. Assim, não podemos concluir que “o efeito verdadeiro é exatamente zero” nem que “nenhuma IA jamais conseguirá”.

O que a pesquisa permite — e não permite — afirmar?

O que permite afirmar

As informações derivadas da VFC e o modelo de pesquisa testados não se generalizaram para pessoas não vistas nas coortes CASE, AMIGOS e DEAP
Mesmo incluindo PPG além de ECG, a previsão de valência não chegou a uma precisão prática sob as mesmas condições de análise
Produtos que atribuem o nome de uma emoção olhando apenas a VFC exigem cautela

O que não permite afirmar

Não podemos dizer que a VFC não contenha nenhuma informação relacionada às emoções
Não podemos dizer que futuras características, modelos fundacionais ou conjuntos de dados maiores também fracassarão
O resultado não descarta estimativas dentro do próprio indivíduo que combinem histórico pessoal de longo prazo, respiração, movimento, voz, contexto e autorrelato
Também não mostra que a VFC seja inútil como pista ao considerar estados fisiológicos como sono, recuperação e estresse

“Não funcionou” também é um resultado importante

Em pesquisas com IA, é importante mostrar não apenas uma precisão alta, mas também em quais condições o método não se generalizou. Delimitar o que não funciona evita afirmações exageradas aos usuários e ajuda a definir os próximos dados necessários.

Quais são as próximas verificações necessárias?

Para melhorar a precisão, não basta aumentar o modelo. É necessário verificar, nesta ordem:

Acompanhar a mesma pessoa por um período longo e aprender mudanças em relação ao seu padrão habitual
Registrar ao mesmo tempo o contexto que altera a VFC, como sono, respiração, movimento, horário e cafeína
Coletar o autorrelato de “agradável/desagradável” no mesmo momento da medição
Revalidar o desempenho em pessoas, dispositivos e ambientes que não fizeram parte do treinamento
Publicar não apenas a precisão, mas também a calibração, os casos de falha e a incerteza

Como isso se reflete no desenho da Feelmo?

A Feelmo resume as informações disponíveis derivadas da VFC e as tendências anteriores da própria pessoa, por meio de processamento proprietário no dispositivo, em uma exibição para reflexão. Os detalhes não são públicos. O app não estima diretamente uma emoção específica a partir da VFC.

O importante é não colocar a exibição da IA acima do sentimento da própria pessoa. A Feelmo não determina o nome de uma emoção; ela usa a exibição do produto como ponto de partida para que a pessoa confira como realmente se sente e o que está acontecendo ao seu redor.

Materiais da pesquisa

Análise interna: Paper 1 (ainda não revisado por pares nem publicado). O código de análise e os artefatos intermediários individuais não serão publicados antes da conclusão das auditorias de reprodutibilidade, licenças e privacidade
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
Revisão sobre VFC e emoções: Kreibig SD. Autonomic nervous system activity in emotion: A review. Biological Psychology. 2010. doi:10.1016/j.biopsycho.2010.03.010

※ Esta pesquisa interna não avaliou a eficácia do app Feelmo.