精选今天0 投票
轻量级1D CNN实现软萌触感伴侣的情感触摸分类
软性、带有传感器的陪伴玩具为社交辅助技术提供了物理安全且情感直观的交互界面，但其易变形特性和多通道触觉感知使得对人类情感的可靠解读变得复杂。近日，一项发表于 arXiv 的研究提出了一套完整的开源 MATLAB 框架，用于在软性交互伴侣中实现情感触摸识别的紧凑型深度学习模型开发与验证。
核心贡献：开放数据集与轻量模型
研究团队构建了一个符合 FAIR 原则的多样化数据集，包含来自 25 名参与者（涵盖儿童、青少年和成人）的 1326 条标注手势序列，并公开提供，为情感触摸识别领域的未来研究提供了可复用资源。通过系统性地探索 468 个 CNN 模型的架构与超参数，研究确定了紧凑型**扩张一维卷积神经网络（1D CNN）**为最有效方案。其中，一个仅 13.2k 参数的模型在测试集上达到了 75% 的准确率，并在留一法交叉验证中实现了 85% 的平均准确率。
实时推理与混合策略
理论推理时间分析表明，量化部署后每个窗口仅需 3.2 MMAC，可在目标微控制器上支持 20 Hz 的实时运行。基于物理玩具流式传感器数据的 PC 端实时仿真显示，该 CNN 能够分辨出先前启发式系统无法检测的微妙社交触摸，而高强度的负面交互则更可靠地被简单的阈值逻辑捕获。研究提出的混合推理管线——即时启发式滤波后接 CNN 细粒度手势分类——被推荐为嵌入式部署策略。
行业意义与前景
该研究证明，情感上有意义且保护隐私的触摸解读在计算上已可行，可直接嵌入软性治疗伴侣中。硬件集成工作已在后续论文中讨论。这一成果为社交机器人、儿童治疗玩具及老年护理辅助设备等领域提供了低成本、低功耗的实时情感感知方案，有望推动人机交互向更自然、更亲密的形态演进。