מערכת חכמה לזיהוי רגשות מבוססת IoT באמצעות פרמטרים פנימיים של הגוף

מדוע הרגשות שלכם עלולים בקרוב להיות סימן חיוני

דמיינו שהשעון החכם שלכם עוקב בשקט לא רק אחר הצעדים וקצב הלב, אלא גם עד כמה אתם לחוצים, רגועים או שמחים במהלך היום — ומתריע לרופא שלכם לפני שבילוי יתר או דיכאון יתפתחו. מאמר זה מתאר צעד לעבר העתיד הזה: מערכת חכמה הקוראת אותות פנימיים של הגוף, משדרת אותם דרך האינטרנט של הדברים (IoT) ומיישמת למידת מכונה כדי לקבוע בזמן אמת איזו רגש אתם חווים.

להקשיב להרגשות דרך הגוף

הרגשות שלנו אינם מתמקמים רק על פנינו או בקולותינו; הם מתפשטים דרך גופנו. כשאנחנו כועסים, לחץ הדם עלול לעלות. פחד יכול להאיץ את קצב הלב, בעוד עצב עשוי להאט אותנו. החוקרים מאחורי המחקר זה שאפו לבנות מערכת שקוראת את הגלים הפנימיים האלה ומתרגמת אותם לשש מצבי רגש נפוצים: נייטרלי, שמח, עצוב, פחד, כעס והפתעה. במקום להשתמש במצלמות או במיקרופונים, הם נשענו על מדידות פנימיות — כגון קצב לב, לחץ דם, טמפרטורת גוף, רמות סוכר בדם, רוויה בחמצן ופעילות שרירית — הנלכדות בעזרת חיישנים לבישים ומועברות למערכת מחשובית לצורך ניתוח.

להפוך מכשיר לביש לרדאר רגשי

הצוות תכנן שרוול רב־חיישני המשולב עם מיקרו‑בקר קטן המצוייד ב‑Wi‑Fi. המכשיר אוסף מספר זרמי נתונים במקביל: מהירות פעימות הלב, חום העור, כמות החמצן בדם, מתח השרירים, רמת לחץ הדם ושינויים ברמת הסוכר בדם. אותות אלה משודרים אל טלפון קרוב או אל שער תקשורת ומשם לשרתי ענן. שם הנתונים מנוקים — הסרת רעשים, תיקון שגיאות ברורות ואחידות יחידות — לפני שהם נשמרים במסדי נתונים מקומיים ובענן. מומחים רפואיים סייעו להגדיר טווחים מציאותיים לכל פרמטר ולנסח כללים שמקשרים דפוסי שינוי בגוף לרגשות סבירים, וכך נבנה מאגר נתונים מתוייג לאימון מודלי למידת מכונה.

ללמד מכונות לקרוא מצבי רוח

עם מערך גדול של דוגמאות מתוייגות, החוקרים בחנו אחת־עשרה שיטות שונות של למידת מכונה כדי לראות איזו מהן מנבאת בצורה הטובה ביותר את רגש האדם מהקריאות הפנימיות שלו. אלה כללו טכניקות מוכרות כמו רגרסיה לוגיסטית, מכונות וקטורים תומכות (SVM), k‑השכנים הקרובים, רשתות נוירונים וכמה שיטות "אנשורת" (ensemble) המשלבות עצי החלטה פשוטים רבים. גישת Random Forest — שיטה המערבת הצבעה על פני עצי החלטה רבים — יצאה כטובה ביותר. על מערך הנתונים העיקרי שלהם זיהתה נכון את שש הרגשות בכ־91% מהמקרים בבדיקות סטנדרטיות, וכ־93% כאשר נבדקה ביתר קפדנות באמצעות פרוצדורת k‑fold cross‑validation שמסייעת למנוע התאמה יתרה.

מבחן המערכת מחוץ למעבדה

כדי לבדוק האם המודל יעבוד על אנשים ומצבים מעבר לנתוני האימון שלו, הצוות ערך מבחן חיצוני באמצעות מאגר בדיקה רגשי נפוץ בשם DEAP. במסגרת זו צפו המתנדבים בסרטונים שנבחרו בקפידה במטרה לעורר רגשות שונים, בעוד האותות הפנימיים שלהם נמדדו באמצעות אותה תצורת חיישנים. מודל ה‑Random Forest המאומן, מבלי לעבור אימון מחדש, נדרש לסווג את ההקלטות החדשות הללו. הוא השיג כ־94% דיוק, עם ציונים חזקים בכל הרגשות — ראיה לכך שהמערכת יכולה להכליל מעבר למדגם ההתחלתי שלה. הכותבים טוענים שזה מאשש גם את בחירת האותות הגופניים שלהם וגם את העיצוב הכולל, הכולל חומרת חיישנים, תקשורת IoT, אחסון ענני ותוכנה חכמה.

מתבנית מחקרית לחבר יומיומי

ללא‑מומחה, המסקנה המרכזית פשוטה: האותות הנסתרים של גופכם יכולים לחשוף באופן אמין כיצד אתם מרגישים, והמחשבים יכולים ללמוד לקרוא אותם. עבודה זו מראה כי רשת של חיישנים לבישים, מחוברת דרך האינטרנט ומנותחת באמצעות אלגוריתמים מתקדמים, יכולה לעקוב אחרי רגשות באופן לא פולשני ובזמן כמעט אמת. למרות שלמערכת הנוכחית יש מגבלות — כגון גודל מדגם צנוע ומיקוד רק בשש רגשות בסיסיות — היא מצביעה לעבר כלים עתידיים שעשויים לתמוך בבריאות הנפש, להתאים חוויות דיגיטליות אישית, לנטר אנשים בודדים או פגיעים בבית ולהפוך סביבות חכמות לרגישות יותר לחיים הפנימיים שלנו.

ציטוט: 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

מילות מפתח: זיהוי רגשות, חיישנים לבישים, אותות פיזיולוגיים, אינטרנט של הדברים, למידת מכונה