Een IoT-gebaseerd slim systeem voor emotieherkenning met behulp van interne lichaamsparameters

Waarom uw emoties binnenkort een vitale waarde kunnen worden

Stel u voor dat uw smartwatch niet alleen uw stappen en hartslag bijhoudt, maar ook stilletjes registreert hoe gestrest, kalm of blij u zich door de dag voelt — en uw arts waarschuwt voordat burn-out of depressie toeslaat. Dit artikel beschrijft een stap in die richting: een slim systeem dat interne lichaamsignalen uitleest, deze via het Internet of Things (IoT) verzendt en met machine learning in real time bepaalt welke emotie u ervaart.

Luisteren naar gevoelens via het lichaam

Onze emoties zitten niet alleen in ons gezicht of in onze stem; ze slaan door in ons hele lichaam. Wanneer we boos zijn, kan de bloeddruk stijgen. Angst kan de hartslag versnellen, terwijl verdriet ons kan vertragen. De onderzoekers achter deze studie wilden een systeem bouwen dat deze innerlijke signalen leest en vertaalt naar zes veelvoorkomende emotionele toestanden: neutraal, blij, verdrietig, angst, woede en verrassing. In plaats van camera’s of microfoons vertrouwen ze op interne lichaamsmetingen — zoals hartslag, bloeddruk, lichaamstemperatuur, bloedsuiker, zuurstofsaturatie en spieractiviteit — vastgelegd door draagbare sensoren en naar een computersysteem gestuurd voor analyse.

Een draagbaar apparaat omzetten in een emotieradar

Het team ontwierp een armband met meerdere sensoren, gekoppeld aan een kleine microcontroller met Wi‑Fi. Dit apparaat verzamelt meerdere datastromen tegelijk: hoe snel het hart klopt, hoe warm de huid is, hoeveel zuurstof het bloed vervoert, hoe gespannen de spieren zijn, hoe hoog de bloeddruk is en hoe de bloedsuikerspiegel fluctueert. Deze signalen worden draadloos naar een nabijgelegen telefoon of gateway gestuurd en vervolgens naar cloudservers. Daar worden de gegevens opgeschoond — ruis verwijderd, duidelijke fouten gecorrigeerd en eenheden genormaliseerd — voordat ze in lokale en clouddatabases worden opgeslagen. Medische experts hielpen bij het definiëren van realistische bereiken voor elke parameter en stelden regels op die specifieke patronen van lichaamsveranderingen koppelen aan waarschijnlijke emoties, waarmee een gelabelde dataset voor het trainen van machine-learningmodellen werd gecreëerd.

Machines leren stemming te lezen

Met een grote set gelabelde voorbeelden testten de onderzoekers elf verschillende machine-learningmethoden om te zien welke het beste de emotie van een persoon kon raden op basis van interne metingen. Daarbij werden bekende technieken gebruikt zoals logistieke regressie, support vector machines, k‑nearest neighbors, neurale netwerken en meerdere ‘ensemble’-methoden die veel eenvoudige beslisbomen combineren. De Random Forest-benadering — een methode die over veel beslisbomen heen stemt — bleek het beste. Op hun hoofddata set identificeerde hij de zes emoties in standaardtests correct in ongeveer 91% van de gevallen, en ongeveer 93% bij strengere controle met een k‑fold cross‑validatieprocedure die helpt overfitting te voorkomen.

Het systeem testen buiten het lab

Om te onderzoeken of het model ook werkt bij mensen en situaties buiten de trainingsdata voerde het team een externe test uit met een veelgebruikt emotioneel benchmarkdataset genaamd DEAP. In deze opzet keken vrijwilligers naar zorgvuldig geselecteerde video’s die verschillende gevoelens moesten oproepen, terwijl hun interne signalen met dezelfde sensorkonfiguratie werden gemeten. Het getrainde Random Forest-model, zonder opnieuw te worden getraind, werd vervolgens gevraagd deze nieuwe opnames te classificeren. Het behaalde ongeveer 94% nauwkeurigheid, met sterke scores over alle emoties — bewijs dat het systeem kan generaliseren buiten zijn oorspronkelijke steekproef. De auteurs stellen dat dit zowel hun keuze voor lichaamssignalen als hun algehele ontwerp valideert, dat sensorelektronica, IoT-communicatie, cloudopslag en intelligente software omvat.

Van onderzoeksprototype naar alledaagse metgezel

Voor niet‑specialisten is de belangrijkste conclusie eenvoudig: de verborgen signalen van uw lichaam kunnen betrouwbaar onthullen hoe u zich voelt, en computers kunnen dat leren interpreteren. Dit werk toont aan dat een netwerk van draagbare sensoren, verbonden via het internet en geanalyseerd met geavanceerde algoritmen, emoties op een niet‑invasieve manier en vrijwel in real time kan volgen. Hoewel het huidige systeem beperkingen heeft — zoals een bescheiden steekproefomvang en een focus op slechts zes basale emoties — wijst het op toekomstige hulpmiddelen die geestelijke gezondheid kunnen ondersteunen, digitale ervaringen kunnen personaliseren, eenzame of kwetsbare personen thuis kunnen monitoren en slimme omgevingen responsiever kunnen maken voor ons innerlijk leven.

Bronvermelding: 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

Trefwoorden: emotieherkenning, draagbare sensoren, fysiologische signalen, Internet of Things, machine learning