基于击键动力学的情感分类：一种双输入深度学习方法

《Scientific Reports》：Emotion classification from keystroke dynamics: a dual-input deep learning approach

　　

摘要

准确从人机交互中识别情绪对于自适应和以用户为中心的应用至关重要。传统的情感识别方法往往忽视个体行为模式，从而限制了其在不同用户群体中的有效性。我们提出了一种基于按键动力学的个性化深度学习情感识别框架，以解决这一局限性。我们的双输入神经网络架构结合了从按键同步模式中提取的时间特征和用户特定的元数据，通过特征级线性调制（FiLM）和低秩适应（LoRA）进行融合。该设计使模型能够同时捕捉通用打字模式和个体特定的行为特征。该模型在EmoSurv数据集上进行训练和评估，在五个情绪类别（中性、快乐、悲伤、平静和愤怒）上达到了约98%的准确率。实验结果表明，采用FiLM和LoRA条件的个性化双输入架构相比不区分用户的基线方法改进了性能。按类别分析进一步表明，该模型在情绪识别上更加一致。通过使用参数高效的FiLM和LoRA模块进行用户特定条件化，该框架在保持紧凑模型设计的同时引入了个性化，支持其在实时按键情感识别场景中的应用。