Ein IoT-basiertes intelligentes Emotions­erkennungssystem unter Verwendung innerer Körperparameter

Warum Ihre Gefühle bald zu Vitalzeichen werden könnten

Stellen Sie sich vor, Ihre Smartwatch zeichnet stillschweigend nicht nur Schritte und Herzfrequenz auf, sondern auch, wie gestresst, gelassen oder freudig Sie sich im Laufe des Tages fühlen — und warnt Ihren Arzt, bevor Burnout oder Depression einsetzen. Dieses Papier beschreibt einen Schritt in diese Zukunft: ein intelligentes System, das innere Körpersignale liest, sie über das Internet der Dinge (IoT) überträgt und mithilfe von maschinellem Lernen in Echtzeit ermittelt, welche Emotion Sie gerade erleben.

Gefühle mithilfe des Körpers abhören

Unsere Emotionen leben nicht nur in unseren Gesichtern oder Stimmen; sie breiten sich durch unseren Körper aus. Wenn wir wütend sind, kann der Blutdruck ansteigen. Angst beschleunigt den Puls, während Traurigkeit uns verlangsamen kann. Die Forschenden dieses Projekts wollten ein System entwickeln, das diese inneren Wellen liest und in sechs gängige Gemütszustände übersetzt: neutral, glücklich, traurig, Furcht, Ärger und Überraschung. Statt Kameras oder Mikrofonen verlassen sie sich auf innere Körpermessungen — etwa Herzfrequenz, Blutdruck, Körpertemperatur, Blutzucker, Sauerstoffsättigung und Muskelaktivität — erfasst von tragbaren Sensoren und zur Analyse an ein Computersystem weitergeleitet.

Ein Wearable als Emotionsradar

Das Team entwickelte ein Armband mit mehreren Sensoren, das mit einem kleinen, Wi‑Fi-fähigen Mikrocontroller verbunden ist. Dieses Gerät sammelt gleichzeitig mehrere Datenströme: wie schnell das Herz schlägt, wie warm die Haut ist, wie viel Sauerstoff das Blut trägt, wie angespannt die Muskeln sind, wie hoch der Blutdruck liegt und wie sich der Blutzuckerspiegel verändert. Diese Signale werden drahtlos an ein nahes Telefon oder ein Gateway und von dort an cloudbasierte Server übertragen. Dort werden die Daten bereinigt — Rauschen entfernt, offensichtliche Fehler korrigiert und Einheiten normalisiert — bevor sie in lokalen und Cloud-Datenbanken gespeichert werden. Medizinische Expertinnen und Experten halfen, realistische Wertebereiche für jeden Parameter zu definieren und Regeln zu erstellen, die bestimmte Muster körperlicher Veränderungen mit wahrscheinlichen Emotionen verknüpfen, wodurch ein beschrifteter Datensatz zum Trainieren von Modellen des maschinellen Lernens entstand.

Männliche Maschinen, die Stimmungen lesen

Mit einem großen Satz beschrifteter Beispiele testeten die Forschenden elf verschiedene Methoden des maschinellen Lernens, um herauszufinden, welche am besten aus inneren Messwerten die Emotion einer Person erraten kann. Dazu gehörten bekannte Techniken wie logistische Regression, Support-Vektor-Maschinen, k‑nächste Nachbarn, neuronale Netze und mehrere Ensemble-Methoden, die viele einfache Entscheidungsbäume kombinieren. Der Random-Forest-Ansatz — eine Methode, die über viele Entscheidungsbäume abstimmt — erwies sich als überlegen. In ihrem Hauptdatensatz erkannte er die sechs Emotionen in Standardtests zu etwa 91 % korrekt und erreichte rund 93 %, wenn er strenger mittels k‑fold-Cross-Validation geprüft wurde, die Überanpassung entgegenwirken soll.

Systemtests außerhalb des Labors

Um herauszufinden, ob das Modell auch bei Personen und Situationen außerhalb seiner Trainingsdaten funktioniert, führte das Team einen externen Test mit einem weit verbreiteten Emotions-Benchmark namens DEAP durch. In diesem Versuch sahen Freiwillige sorgfältig ausgewählte Videos zur Herbeiführung unterschiedlicher Gefühle, während ihre inneren Signale mit derselben Sensoranordnung gemessen wurden. Das trainierte Random-Forest-Modell wurde dann ohne erneutes Training gebeten, diese neuen Aufzeichnungen zu klassifizieren. Es erzielte etwa 94 % Genauigkeit mit starken Werten über alle Emotionen hinweg — ein Hinweis darauf, dass das System über seine ursprüngliche Stichprobe hinaus generalisieren kann. Die Autorinnen und Autoren argumentieren, dass dies sowohl ihre Wahl der Körpersignale als auch ihr Gesamtdesign validiert, das Sensorhardware, IoT-Kommunikation, Cloud-Speicherung und intelligente Software umfasst.

Vom Forschungsprototyp zum täglichen Begleiter

Für Nicht-Fachleute ist die wichtigste Erkenntnis einfach: Die verborgenen Signale Ihres Körpers können zuverlässig offenbaren, wie Sie sich fühlen, und Computer können lernen, sie zu lesen. Diese Arbeit zeigt, dass ein Netzwerk tragbarer Sensoren, verbunden über das Internet und analysiert mit fortschrittlichen Algorithmen, Emotionen nichtinvasiv und nahezu in Echtzeit erfassen kann. Obwohl das aktuelle System Grenzen hat — etwa eine überschaubare Stichprobengröße und eine Konzentration auf nur sechs Grundemotionen — deutet es auf künftige Werkzeuge hin, die psychische Gesundheit unterstützen, digitale Erfahrungen personalisieren, einsame oder gefährdete Menschen zu Hause überwachen und smarte Umgebungen reaktionsfähiger für unser Innenleben machen könnten.

Zitation: Rashid, T., Bajwa, I.S. & Kim, J. An IoT-based smart emotion recognition system by using internal body parameters. Sci Rep 16, 7210 (2026). https://doi.org/10.1038/s41598-026-35982-9

Schlüsselwörter: Emotionserkennung, tragbare Sensoren, physiologische Signale, Internet der Dinge, maschinelles Lernen