Ein logikbasierter, wissensgetriebener bidirektionaler Multi-Attention-GRU-Rahmen zur Klassifikation von Angstleveln beim Menschen

Warum es wichtig ist, Angst im Körper zu lesen

Angst ist mehr als ein Gefühl im Magen — sie verändert Herzschlag, Schweiß und sogar Gehirnwellen. Wenn Computer diese feinen Veränderungen zuverlässig erkennen könnten, könnten Therapeutinnen und Therapeuten Angst in Echtzeit verfolgen, Autos und Roboter bei Panikreaktionen reagieren und Virtual-Reality-Anwendungen sich anpassen, um Nutzende zu schützen. Diese Studie untersucht, wie Maschinen verschiedene Angstränge bei Menschen erkennen können, indem Signale von Gehirn und Körper mit einer Form strukturierten, regelbasierten Schließens kombiniert werden, mit dem Ziel, Systeme zu entwickeln, die sowohl genau als auch für Menschen verständlich sind.

Dem Gehirn und dem Körper zuhören

Die Forschenden gehen davon aus, dass keine einzelne Messung Angst vollständig erfassen kann. Deshalb kombinieren sie mehrere Arten physiologischer Signale: elektrische Aktivität des Gehirns, Hautleitfähigkeit, die beim Schwitzen ansteigt, Veränderungen im Herzrhythmus, Atemmuster und Gesichtsausdrücke. Zwei existierende Experimentalsammlungen werden verwendet. Die eine, DEAP genannt, zeichnet Gehirn- und Körpersignale auf, während Teilnehmende Musikvideos ansehen und angeben, wie angenehm und wie intensiv sie das Erlebte empfinden. Die andere, DECAF, nutzt Hirnscans und Körpersensoren, während Menschen angstauslösende Filmszenen sehen oder Musik hören. Diese multimodalen Datensätze liefern ein reiches Bild davon, wie sich Angst über das Nervensystem verteilt zeigt.

Rohsignale in einfache Regeln überführen

Rohsignale sind laut und schwer zu interpretieren, daher destilliert das Team sie in Merkmale mit bekannten Verknüpfungen zu Emotionen. Beispielsweise berechnen sie die „frontal alpha asymmetry“, ein Muster in Gehirnwellen über der linken und rechten Stirn, das oft mit negativer Stimmung verbunden ist, und sie zählen Spitzen in der elektrischen Hautreaktion, die mit Stress zunehmen. Außerdem zerlegen sie Gehirnsignale in klassische Frequenzbänder — Delta, Theta, Alpha, Beta und Gamma — und fassen die Variabilität des Herzrhythmus zusammen. Anstatt diese kontinuierlichen Zahlen direkt in ein Black-Box-Modell zu füttern, führen sie logikbasiertes Lernen ein: Jedes Merkmal wird mithilfe statistisch gewählter Schwellen als „hoch“ oder „niedrig“ beurteilt. Aus diesen binären Bausteinen entdeckt ein als induktive Logikprogrammierung bekanntes Verfahren für Menschen lesbare IF–THEN-Regeln, etwa Kombinationen aus hoher Hautreaktion und niedriger Herzvariabilität, die zuverlässig auf Angst hinweisen.

Regeln mit Deep Learning verheiraten

Während die logischen Regeln Entscheidungen leichter nachvollziehbar machen, sind moderne Deep-Learning-Modelle besser darin, die maximale Vorhersageleistung aus komplexen Daten herauszuholen. Die Autoren behandeln daher die Logik-Ausgaben als die einzigen Eingaben für mehrere neuronale Netzarchitekturen, die für zeitlich veränderliche Signale konzipiert sind. Dazu gehören Standard-Rekurrente Netze, Long Short-Term Memory-Netze, einfachere Gated Recurrent Units und ein fortgeschrittenes Design namens bidirektionaler Multi-Attention-GRU. Letzteres betrachtet nicht nur Sequenzen vorwärts und rückwärts, sondern verwendet auch Aufmerksamkeitsmechanismen, um sich auf die informativsten Momente zu konzentrieren, etwa scharfe Spitzen in der Hautleitfähigkeit oder plötzliche Verschiebungen in den Gehirnwellen, während es geringfügige Schwankungen ignoriert.

Wie gut das System Angst liest

Um ihren Ansatz zu prüfen, vergleichen die Forschenden Modelle, die mit und ohne die logikbasierte Schicht trainiert wurden, auf denselben Eingaben. Sie bewerten sie danach, wie genau sie keine Angst von Angst trennen können und — im DEAP-Datensatz — wie gut sie vier Stufen von keiner Angst bis hoher Angst unterscheiden. Über umfangreiche Kreuzvalidierung und statistische Tests hinweg steigert das Hinzufügen logischer Regeln die Leistung konstant und macht die Ergebnisse stabiler zwischen einzelnen Test-Splits. Die herausragende Architektur, der wissensgetriebene bidirektionale Multi-Attention-GRU, erreicht etwa 96,7 Prozent Genauigkeit im DEAP-Datensatz und ähnlich hohe Werte bei Musikclips in DECAF, womit sie mehrere zuvor veröffentlichte Methoden und konventionellere maschinelle Lernverfahren übertrifft.

Was das für künftige emotionserkennende Werkzeuge bedeutet

Einfach ausgedrückt zeigt die Studie, dass Computer menschliche Angstlevels mit beeindruckender Zuverlässigkeit einschätzen können, wenn sie mehrere Körper- und Gehirnsignale lesen und diese durch klare, regelartige Wissensstrukturen interpretieren, bevor sie Deep Learning anwenden. Dieses hybride Design vereint das Beste aus beiden Welten: die Leistungsfähigkeit moderner neuronaler Netze und die Transparenz logischer Regeln, die Expertinnen und Experten einsehen und verfeinern können. Ein solcher Ansatz könnte künftige Anwendungen zur Überwachung der psychischen Gesundheit, adaptive Unterhaltung und Sicherheitssysteme untermauern, die mehr tun als nur Vermutungen über unsere Emotionen anzustellen — sie erklären, warum sie glauben, dass wir Angst haben, und ebnen so den Weg für vertrauenswürdigere und personalisierte Technologien.

Zitation: Joshva, A.A., Balasubramanian, V.K. & Murugappan, M. A logic-based knowledge-driven bidirectional multi-attention GRU framework for fear level classification in humans. Sci Rep 16, 13722 (2026). https://doi.org/10.1038/s41598-026-44151-x

Schlüsselwörter: Emotionserkennung, Angsterkennung, physiologische Signale, Tiefes Lernen, interpretierbare KI