仅凭 HRV 能读懂情绪吗？——在三个队列中的验证结果

心率变异性（HRV）包含有关自主神经活动的线索。那么，只把这个数值交给 AI，它能否判断一个人此刻是“愉快”还是“难受”呢？

本次内部研究得出的结论是有限的。

本研究测试的 HRV 衍生信息和研究模型，在三个公开队列中都无法以实用准确度预测未见过的人的情绪。

这并不是在证明“HRV 完全不含情绪信息”。下面依次说明研究确认了什么，还有什么尚不清楚。

研究定位

这是对已公开数据进行再分析的、未经同行评审的内部研究。它不是医学诊断方法，也不是验证 Feelmo 本身效果的临床试验。

首先，HRV 和情绪并不是同一回事

HRV 表示相邻心搏间隔的波动程度。呼吸、姿势、运动、睡眠、时段、药物和身体状况等多种因素都会影响它。

另一方面，情绪至少可以从下面两个维度理解：

  • 效价（valence）：愉快还是不愉快
  • 唤醒度（arousal）：平静还是激动

例如，即使心率加快、HRV 发生变化，原因也可能是“期待”，也可能是“焦虑”“运动”或“咖啡因”。同一种身体反应可能具有多种含义，因此很难仅凭 HRV 给情绪命名。

如何进行验证？

研究使用了三个同时含有情绪标签和心率信号的公开数据集。

队列主要信号引发情绪的方法
CASEECG（心电图）视频
AMIGOSECG（心电图）短视频和长视频
DEAP手指 PPG（光电容积脉搏波）音乐视频

研究从心搏间隔中生成多种 HRV 衍生信息，并确保同一个人的数据不会同时混入训练集和评估集，再预测训练时未见过的人的效价和唤醒度。这种“跨人评估”很重要，因为只记住同一个人的特点，并不代表模型能用于新用户。

研究测试了连续值回归、二分类和视频多分类等多种任务，并对各队列结果进行统计汇总。特征选择、预处理、模型结构和训练条件等实现细节作为 Feelmo 的专有技术未公开。因此，第三方无法完整复现同一模型，这也是本研究的局限之一。

初学者该怎样理解结果？

效价的汇总结果为 R² = −0.40（内部分析参考 95% 区间为 −0.61 至 −0.19）。原始数据名义上包括 CASE 30 人、AMIGOS 40 人和 DEAP 32 人，共 102 人，但 CASE 的分析 fold 为 29 个（内部产物没有记录 1 人未纳入的原因）。汇总中实际纳入的参与者 fold 共 101 个，而且只有三个队列（k=3）。该区间采用各 LOSO fold 的 R² 方差进行正态近似，容易受队列数量少和 R² 分布偏斜影响。因此，它应被视为参考值，而不是对广泛人群的确定性估计。

R² 表示“模型能解释多少情绪差异”。越接近 1 越好；0 表示与“对所有人都回答平均值”的简单方法相当。负 R² 并不表示负面情绪，而是表示预测效果比只回答平均值更差。

三个队列的结果方向一致，说明本研究的 HRV 衍生信息和研究模型没有泛化到训练中未见过的人。不过，并非所有分析都通过了严格的双侧等效性检验。因此，不能得出“真实效应严格为零”或“任何 AI 都不可能做到”的结论。

这项研究能说明什么、不能说明什么？

能说明的

  • 本研究测试的 HRV 衍生信息和研究模型，没有在 CASE、AMIGOS、DEAP 三个队列的未见个体条件下实现泛化
  • 即使不仅包含 ECG 还包含 PPG，在相同分析条件下也没有达到实用的效价预测水平
  • 仅凭 HRV 就断定情绪名称的产品设计需要谨慎

不能说明的

  • 不能说 HRV 完全不含与情绪有关的信息
  • 不能说未来使用其他特征、基础模型或更大数据也不可能实现
  • 该结果没有否定结合个人长期基线、呼吸、活动、声音、情境和自我记录进行个体内估计的可能性
  • 该结果也不表示 HRV 对理解睡眠、恢复、压力等生理状态毫无参考价值

“没有预测成功”也是重要结果

在 AI 研究中，除了高准确率，说明“在哪些条件下没有泛化”也很重要。明确能力边界可以避免对用户过度断言，并帮助具体确定下一步需要的数据。

下一步需要怎样的验证？

要提高准确度，仅仅把模型做大并不够。需要依次验证以下事项。

  1. 长期跟踪同一个人，学习相对其日常水平的变化
  2. 同时记录睡眠、呼吸、活动、时段、咖啡因等会改变 HRV 的情境
  3. 在测量的同一时刻收集“愉快/不愉快”的自我报告
  4. 在训练未包含的人、设备和环境中重新验证性能
  5. 不仅公开准确度，也公开校准情况、失败案例和不确定性

如何反映到 Feelmo 的设计中？

Feelmo 使用设备端专有处理，将可用的 HRV 衍生信息和用户自身的历史趋势汇总为便于回顾的产品内显示。具体细节未公开。它不会直接根据 HRV 推断某种特定情绪。

重要的是，不要把 AI 显示置于用户自身感受之上。Feelmo 不会断定情绪名称，而是让用户借助产品内显示，再确认自己的实际感受和所处情境。

研究资料

  • 内部分析：Paper 1（未经同行评审、尚未公开发布）。分析代码和个人级中间产物将在复现性、许可和隐私审核完成前保持不公开
  • 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
  • HRV 与情绪综述：Kreibig SD. Autonomic nervous system activity in emotion: A review. Biological Psychology. 2010. doi:10.1016/j.biopsycho.2010.03.010

※ 这项内部研究没有验证 Feelmo 应用的有效性。

仅凭 HRV 能读懂情绪吗？——在三个队列中的验证结果 | Feelmo Research