一种连接自主神经活动与情绪维度的动态架构：基于光电容积描记法的实时估计

《Psychophysiology》：A Dynamic Architecture Linking Autonomic Activity to Emotional Dimensions: Real-Time Estimation From Photoplethysmography

　　

本研究介绍了一种新颖的实时情绪（或广义行为）追踪模型，能够通过估计副交感神经系统（PNS）、α-肾上腺素能交感神经系统（α-SNS）和β-肾上腺素能交感神经系统（β-SNS）的活动，独立地估计效价、动机（趋近-回避）和激活（唤醒）。这些独立的自主系统对应于不同的情绪维度：效价对应PNS，动机（趋近-回避）对应α-SNS，激活对应β-SNS。该框架通过光电容积描记法（PPG），从单个可穿戴兼容信号中实现连续、实时且可解释的情绪估计。测试模型利用心搏间期（IBI）和脉搏波或脉搏容积振幅（PVA），通过扩展卡尔曼滤波（EKF）追踪这些信号，以提取频率（VLF-UHF）和标准心率变异性（HRV）指标。这些特征通过监督部分最小二乘（PLS）回归，从行为验证指标（用于效价的面部肌电图（EMG）、用于动机的操纵杆、用于激活的眼动追踪）映射到情绪维度。维度预测达到了与传统生理模型相当的受试者内准确度水平。此外，这些情绪维度可以仅基于理论（无需训练数据）产生合理的离散情绪概率。这些发现支持一种基于独立自主系统和维度的新情绪模型，该模型能够实时功能性定义情绪。这种方法能够利用低成本可穿戴技术，在各种情境（包括实验设计、临床监测和动态评估）中进行动态情绪推断或广义行为预测。

**论文解读文章**

**研究背景与问题**
行为科学在预测人类行为方面面临重大挑战，尤其在危机干预和风险评估等高利害领域，现有模型常仅略优于随机水平。核心问题在于缺乏高时间分辨率的数据和能够捕捉行为变化方向与速率的维度结构。现有情绪追踪模型多受限于离散类别或低时间分辨率，难以实现连续、实时的动态评估。为此，研究人员提出基于三个核心情绪维度——效价（valence）、动机（趋近-回避，motivation）和激活（唤醒，activation）——的架构，这些维度随时间变化可组合描述适应性行为方向（如改善、破坏、放松、逃避）。然而，同时估计效价与动机（且不依赖自我报告）的研究极为罕见。光电容积描记法（PPG）作为一种低成本、可穿戴传感器，能同时测量心脏时序和外周阻力，非常适合用于此类维度估计。本研究旨在验证能否通过PPG衍生的自主神经系统（ANS）指标独立测量这三个情绪维度，并建立生理测量与情绪维度之间的映射模型。

**研究内容与结论**
研究人员招募了45名大学生（平均年龄19岁，60%女性，来自弗吉尼亚理工大学），通过电影片段诱发六种离散情绪（快乐、愉悦、满足、恐惧、悲伤、高趋近愤怒），同时采集PPG信号、面部肌电图（EMG）、操纵杆和眼动追踪数据。利用PPG提取心搏间期（IBI）和脉搏容积振幅（PVA），经扩展卡尔曼滤波（EKF）提取频率特征（VLF-UHF）和心率变异性指标，再通过监督部分最小二乘（PLS）回归将生理特征映射到三个情绪维度。结果表明：效价主要由副交感神经（PNS）指标预测，动机主要由α-肾上腺素能交感神经（α-SNS）指标预测，激活主要由β-肾上腺素能交感神经（β-SNS）指标预测。维度预测达到了与传统生理模型相当的受试者内准确度，且三个维度间相关性低，可基于理论产生合理离散情绪概率。该研究为实时、可解释的情绪推断提供了低成本、可穿戴的技术方案，论文发表在《Psychophysiology》。

**关键技术与方法**
主要技术方法包括：1）使用指夹式PPG传感器（BIOPAC OXY100C）采集光电容积描记信号；2）通过Elgendi方法检测收缩峰，计算心搏间期（IBI）和脉搏容积振幅（PVA）；3）利用扩展卡尔曼滤波（EKF）实时提取IBI和PVA的频率特征（VLF-UHF）及标准心率变异性指标（RMSSD、SDNN）；4）采用监督部分最小二乘（PLS）回归将生理特征映射到情绪维度，验证指标包括面部肌电图（EMG，用于效价）、操纵杆（用于动机）和眼动追踪（用于激活）。样本来源为弗吉尼亚理工大学的45名大学生，未涉及其他队列。

**研究结果**
**4.2.1 激活（Activation）**
通过PLS回归，激活维度（以眼动追踪的眼睑纵横比EAR验证）与生理特征存在显著时间对应（FDA r=0.26，p<0.001，r²=0.07）。关键特征为PVA-LF（x-loading=?0.25，VIP=1.67）、IBI（x-loading=0.54，VIP=2.14）、RMSSD（x-loading=0.65，VIP=2.58）和SDNN（x-loading=0.44，VIP=1.68），表明激活主要由β-SNS相关指标驱动。

**4.2.2 效价（Valence）**
效价维度（以面部EMG验证）的PLS回归成功，FDA相关最高（r=?0.21，p<0.001，r²=0.04）。主要特征为PVA-HF功率（x-loading=0.58，VIP=2.44）、PVA-UHF功率（x-loading=?0.36，VIP=2.21）和PVA-VLF（x-loading=0.52，VIP=1.62），表明效价与PNS活动（尤其是HF波动）相关。

**4.2.3 动机（Motivation）**
动机维度（以操纵杆验证）的PLS回归成功，但FDA置换检验仅趋势显著（r=?0.22，p<0.001，r²=0.05，中位功能相关=0.12，置换p=0.058）。主要特征为IBI-UHF（x-loading=0.53，VIP=2.06）、PVA（x-loading=0.23，VIP=1.69）和RMSSD（x-loading=?0.37，VIP=1.58），且几乎所有PVA特征均具中等VIP，表明动机与α-SNS（外周阻力）相关。

**讨论与结论**
讨论部分支持假设：效价关联PNS指标（HF变异），动机关联α-SNS指标（多数PVA域和LF变异），激活关联β-SNS指标（心率及外周阻力对心率大变化的响应）。PLS回归产生适度但可靠的功能数据相关，且维度间低相关，证实了自主系统的功能分离。本研究贡献在于：从单次PPG测量中实时、连续地估计三个情绪维度，无需校准或基线记录，且方法可解释、低成本，适用于多种场景（实验、临床、动态评估）。结论部分翻译如下：
情绪可能提供对未来情绪或行为的有效估计或预测，尤其是核心行为类型（如改善、破坏、放松、逃避）。当情绪或行为通过其功能差异（动机、效价、激活）进行测量，并持续（高时间变异性）且连续变量化（而非严格分类）时，这些预测将更为有效。本研究提出了一种新的方法，利用PPG（一种普遍用于智能手表、健身追踪器和医疗监护仪的技术）实时估计这些情绪维度。研究发现，效价主要可由PNS指标估计，动机主要由α-SNS指标估计，激活主要由β-SNS指标估计。这三个维度可组合用于对离散情绪进行基本但有效的估计。这些结果表明，情绪不仅是状态，更是沿着与功能可分离的自主影响相关的维度的动态轨迹。廉价、可解释且无创的情绪与行为预测现已触手可及，且相当一部分公众已佩戴所需设备，该方法正日益普及。