P 3 INN：生理 - 物理 - 心理信息神经网络用于情绪唤醒的反向解码

《IEEE Transactions on Affective Computing》：P 3 INN: Physiology-Physics-Psychology Informed Neural Network for Inverse Decoding of Emotional Arousal

　　

摘要：

从皮肤电活动（EDA）中解码情绪唤醒度是情感计算中的一项关键任务。然而，现有方法主要基于数据驱动的“黑箱”深度学习模型，缺乏对生理机制的定量可解释性。与此同时，尽管传统的EDA反演方法可以推断交感神经活动，但它们无法明确刻画交感神经活动与心理变量之间的关系。为了解决这些局限性，我们提出了一种生理-物理-心理学知情的神经网络（P3INN），该模型将基于孔阀模型的二阶微分方程作为物理约束嵌入到CNN-LSTM混合架构中，以从EDA信号中精确反演潜在的交感神经活动。此外，该模型通过引入可逆的数学映射函数，显式地捕捉了神经活动与情绪唤醒度之间的非线性关系，从而实现整个框架的端到端联合优化。在CASE和CEAP-360VR数据集上的实验结果表明，P3INN在情绪唤醒度解码性能上显著优于传统的EDA分解方法和当前最先进的深度学习模型。进一步分析发现，对数映射最能捕捉心理-神经转导机制，且模型参数揭示了神经驱动敏感性方面存在显著的性别相关生理差异。本研究不仅提高了唤醒度解码的准确性，还为计算心理生理学提供了一种高度可解释的建模范式。