Oparty na logice, wiedzozłożony dwukierunkowy wielo‑uwagowy model GRU do klasyfikacji poziomu lęku u ludzi

Dlaczego ważne jest czytanie lęku z ciała

Lęk to coś więcej niż uczucie w dole brzucha — zmienia rytm serca, pocenie się, a nawet fale mózgowe. Gdyby komputery potrafiły wiarygodnie odczytywać te subtelne zmiany, terapeuci mogliby śledzić niepokój w czasie rzeczywistym, samochody i roboty reagowałyby na panikę, a rzeczywistość wirtualna dostosowywałaby się, by chronić użytkowników. Badanie to bada, jak nauczyć maszyny rozpoznawania różnych poziomów lęku u ludzi, łącząc sygnały mózgowe i somatyczne z rodzajem ustrukturyzowanego, regułowego rozumowania, dążąc do systemów zarówno dokładnych, jak i zrozumiałych dla człowieka.

Słuchając mózgu i ciała

Badacze wychodzą z założenia, że pojedynczy pomiar nie uchwyci w pełni lęku. Dlatego łączą kilka rodzajów sygnałów fizjologicznych: aktywność elektryczną mózgu, przewodnictwo skóry wzrastające przy poceniu się, zmiany rytmu serca, wzorce oddechowe i ruchy twarzy. Wykorzystują dwie istniejące kolekcje eksperymentalne. Jedna, nazwana DEAP, rejestruje sygnały mózgowe i fizjologiczne ludzi oglądających teledyski i oceniających, jak przyjemne oraz intensywne są odczucia. Druga, DECAF, używa skanów mózgu i czujników ciała, gdy uczestnicy oglądają sceny filmowe wywołujące lęk lub słuchają muzyki. Te multimodalne zbiory danych dają bogaty obraz tego, jak lęk ujawnia się w układzie nerwowym.

Przekształcanie surowych sygnałów w proste reguły

Surowe sygnały są hałaśliwe i trudne do interpretacji, więc zespół przekształca je w cechy o znanych powiązaniach z emocjami. Na przykład obliczają „asymetrię alfa czołową”, wzorzec fal mózgowych nad lewym i prawym czołem często związany z negatywnym nastrojem, oraz zliczają piki w przewodnictwie skóry, które zwykle rosną przy stresie. Dzielą też sygnały mózgowe na klasyczne pasma częstotliwości — delta, theta, alfa, beta i gamma — i podsumowują zmienność rytmu serca. Zamiast podawać te ciągłe wartości bezpośrednio do modelu‑czarnej skrzynki, wprowadzają uczenie oparte na logice: każdą cechę ocenia się jako „wysoka” lub „niska” przy użyciu statystycznie dobranych progów. Z tych binarnych bloków konstrukcyjnych algorytm znany jako indukcyjne programowanie logiczne odkrywa czytelne dla człowieka reguły IF–THEN, na przykład kombinacje wysokiej reakcji skórnej i niskiej zmienności rytmu serca, które wiarygodnie wskazują na lęk.

Łączenie reguł z uczeniem głębokim

Podczas gdy reguły logiczne ułatwiają zrozumienie decyzji, współczesne modele głębokiego uczenia lepiej wyciskają maksymalną moc predykcyjną z złożonych danych. Autorzy traktują więc wyjścia logiki jako jedyne wejścia do kilku architektur sieci neuronowych zaprojektowanych dla sygnałów zmiennych w czasie. Należą do nich standardowe sieci rekurencyjne, sieci long short‑term memory, prostsze jednostki GRU oraz zaawansowana konstrukcja nazwana dwukierunkowym wielo‑uwagowym GRU. Ten ostatni model nie tylko analizuje sekwencje cech wstecz i naprzód, ale też wykorzystuje mechanizmy uwagi, aby skupić się na najbardziej informatywnych momentach, takich jak ostre skoki przewodnictwa skóry czy nagłe zmiany rytmów mózgowych, ignorując przy tym drobne fluktuacje.

Jak dobrze system odczytuje lęk

Aby ocenić swoje podejście, zespół porównuje modele trenowane na tych samych wejściach z warstwą logiczną i bez niej. Testują je pod kątem zdolności rozróżnienia braku lęku od lęku, a w danych DEAP także rozróżniania czterech poziomów od braku lęku do silnego lęku. W szerokich testach krzyżowych i badaniach statystycznych dodanie reguł logicznych konsekwentnie poprawia wydajność i stabilizuje wyniki między podziałami testowymi. Wyróżniająca się architektura — wiedzozłożony dwukierunkowy wielo‑uwagowy GRU — osiąga około 96,7 procent trafności na zbiorze DEAP oraz podobnie wysokie wyniki na fragmentach muzycznych w DECAF, przewyższając kilka wcześniej opublikowanych metod i bardziej konwencjonalne techniki uczenia maszynowego.

Co to oznacza dla przyszłych narzędzi rozpoznających emocje

Mówiąc prosto, badanie pokazuje, że komputery mogą z imponującą wiarygodnością oceniać poziomy ludzkiego lęku, gdy czytają wiele sygnałów z ciała i mózgu i interpretują je za pomocą jasnych, regułowych wiedzy przed zastosowaniem uczenia głębokiego. Ta hybrydowa konstrukcja łączy zalety obu podejść: moc nowoczesnych sieci neuronowych i przejrzystość reguł logicznych, które eksperci mogą przejrzeć i udoskonalić. Takie podejście mogłoby stanowić podstawę przyszłego monitoringu zdrowia psychicznego, adaptywnej rozrywki i systemów bezpieczeństwa, które robią coś więcej niż tylko zgadują nasze emocje — wyjaśniają, dlaczego uważają, że się boimy, otwierając drogę do bardziej godnych zaufania i spersonalizowanych technologii.

Cytowanie: 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

Słowa kluczowe: rozpoznawanie emocji, wykrywanie lęku, sygnały fizjologiczne, uczenie głębokie, wyjaśnialna sztuczna inteligencja