基于多模态融合的犬类情绪自动识别系统：提升动物福利与人犬互动的创新研究

本研究针对犬类情绪识别的主观性和局限性，开发了结合视觉、惯性和生理数据的多模态分析系统PATITA。通过特征提取和降维技术优化模型，ExtraTrees分类器在四象限情绪分类中取得0.96的F1值，为动物行为监测和福利评估提供了客观量化工具。

　　

犬类作为人类重要的伴侣动物和工作伙伴，其情绪状态直接影响行为表现和福利水平。然而，传统情绪识别方法依赖主观行为观察，存在解读偏差和场景局限。尤其在医疗辅助、搜救等高强度工作中，缺乏实时客观的情绪监测手段可能导致动物应激或效能下降。这一领域亟待开发融合多维度数据的智能化识别系统。

墨西哥国立自治大学（Universidad Nacional Autónoma de México）的研究团队创新性地构建了便携式多模态传感系统PATITA，通过同步采集心率、体温、运动姿态和视觉行为特征，结合机器学习算法实现了犬类情绪的自动化分类。相关成果发表于《Pattern Recognition Letters》，为跨物种情感计算提供了技术范式。

研究采用三项核心技术：1）定制化可穿戴设备PATITA集成光学心率传感器、三轴加速度计和红外测温模块，以252Hz高频采集腹部运动数据；2）基于DeepLabCut和YOLOv5的计算机视觉 pipeline 提取40个解剖关键点动态特征；3）采用时间序列特征提取库（TSFEL）计算时频域指标，通过随机森林筛选出112个跨模态敏感特征。实验纳入5只不同品种犬只，在玩耍、抚摸、挫折和孤立四种标准化情境下构建多维度数据库。

研究结果显示：

1. 多模态数据优势：融合生理（42%贡献度）、惯性（30%）和视觉（28%）特征的模型显著优于单模态，ExtraTrees分类器在四分类任务中F1-score达0.97，较单一视觉模型提升62%。
2. 生理信号特异性：体温变化（55%）和心率变异性成为区分高/低唤醒状态的关键指标，在挫折情境下呈现^-10.94的敏感度。
3. 运动特征价值：陀螺仪数据（占惯性特征72%）通过RMS（均方根）加速度等参数有效捕捉兴奋性行为，与玩耍状态显著相关（p<0.01）。
4. 计算效率优化：主成分分析（PCA）将原始320维特征压缩至65维，保留90%方差信息的同时使推理速度提升3倍。

讨论部分指出，该研究首次验证了腹部佩戴式传感器在自然场景下的适用性，突破了传统颈环式设备对运动数据的限制。通过引入Ekman情绪维度理论，将离散分类拓展至效价（valence）-唤醒度（arousal）连续空间，为跨物种情感建模提供普适框架。在动物辅助治疗场景中，系统可实时预警焦虑或疼痛状态；对工作犬则能优化任务分配，预防职业倦怠。

研究团队Eliaf Garcia-Loya等强调，未来需扩大样本量和品种多样性以提升泛化能力，并探索深度学习端到端架构。这项成果不仅推动动物行为学定量研究，也为开发新一代人机共融智能设备奠定基础，其技术路线可延伸至畜牧业管理、野生动物保护等领域。