[论文解读] "Making you happy makes me happy" -- Measuring Individual Mood with Smartwatches

Pascal Budner, Joscha Eirich+1 more|arXiv (Cornell University)|Nov 14, 2017

Emotion and Mood Recognition参考文献 5被引用 12

一句话总结

本论文提出了一种基于智能手表的系统，通过心率、活动、光照、GPS 和天气等生理和环境数据，利用随机森林分类器对个体情绪进行预测，该分类器基于用户自我报告的情绪记录进行训练。该系统最高可实现 94% 的准确率，并识别出生理信号和社交影响（朋友的情绪）作为情绪预测的关键因素。

ABSTRACT

We introduce a system to measure individual happiness based on interpreting body sensors on smartwatches. In our prototype system we use a Pebble smartwatch to track activity, heartrate, light level, and GPS coordinates, and extend it with external information such as weather data, humidity, and day of the week. Training our machine learning-based mood prediction system using random forests with data manually entered into the smartwatch, we achieve prediction accuracy of up to 94%. We find that besides body signals, the weather data exerts a strong influence on mood. In addition our system also allows us to identify friends who are indicators of our positive or negative mood.

研究动机与目标

• 开发一种基于智能手表传感器和外部数据的实时可穿戴系统，用于测量个体情绪。
• 研究生理信号和天气等环境因素对情绪的影响。
• 探讨社交联系人（朋友）的情绪是否可作为个体情绪的预测因子。
• 评估机器学习模型在从多模态传感器数据中预测情绪方面的性能。

提出的方法

• 系统从 Pebb 智能手表收集数据，包括心率、身体活动、环境光照和 GPS 坐标。
• 将外部数据（如天气、湿度、星期几和一天中的时间）与传感器数据整合。
• 参与者通过智能手表界面手动记录情绪，从而创建用于训练的带标签数据集。
• 使用整合后的传感器和上下文数据训练随机森林分类器以预测情绪。
• 进行特征重要性分析，以识别对情绪预测影响最大的信号。
• 通过分析参与者与其朋友之间的情绪相关性，对社交影响进行建模。

实验结果

研究问题

• RQ1 基于智能手表的系统能否利用生理和环境信号的组合准确预测个体情绪？
• RQ2 天气和湿度等外部因素如何通过可穿戴传感器测量影响情绪？
• RQ3 一个人社交联系人（朋友）的情绪在多大程度上能预测其自身情绪？
• RQ4 哪些传感器模态（如心率、活动、光照）对情绪变化的预测最具信息量？

主要发现

• 随机森林模型在使用多模态传感器和上下文数据的情况下，最高实现了 94% 的情绪预测准确率。
• 天气状况（包括温度和降水）对个体情绪具有显著影响。
• 朋友的情绪被识别为个体情绪的重要预测因子，表明存在社交情绪传染效应。
• 心率和身体活动是情绪预测中最具信息量的生理信号之一。
• 环境光照水平和一天中的时间也对模型的预测性能有显著贡献。
• 该系统成功识别出情绪变化与环境和社会因素在时间上存在相关性的模式。