Uma estrutura GRU bidirecional multi-atenção orientada por conhecimento e baseada em lógica para classificação de níveis de medo em humanos

Por que é importante ler o medo no corpo

O medo é mais do que uma sensação no estômago — ele reformula seu batimento cardíaco, sua sudorese e até mesmo as ondas cerebrais. Se computadores conseguissem ler de forma confiável essas sutis mudanças, terapeutas poderiam monitorar a ansiedade em tempo real, carros e robôs poderiam reagir quando pessoas entram em pânico, e realidade virtual poderia se adaptar para manter os usuários seguros. Este estudo explora como ensinar máquinas a reconhecer diferentes níveis de medo em pessoas combinando sinais do cérebro e do corpo com um tipo de raciocínio estruturado baseado em regras, visando sistemas que sejam ao mesmo tempo precisos e compreensíveis para humanos.

Ouvindo o cérebro e o corpo

Os pesquisadores partem da ideia de que nenhuma medição isolada captura plenamente o medo. Eles, portanto, reúnem vários tipos de sinais fisiológicos: atividade elétrica do cérebro, condutância da pele que aumenta quando suamos, mudanças no ritmo cardíaco, padrões de respiração e movimentos faciais. São usados dois conjuntos experimentais existentes. Um, chamado DEAP, registra sinais cerebrais e corporais de pessoas enquanto assistem a clipes musicais e avaliam quão agradáveis e quão intensos os sentem. O outro, DECAF, usa exames cerebrais e sensores corporais enquanto pessoas assistem a cenas de filme que induzem medo ou ouvem música. Esses conjuntos multimodais fornecem um retrato rico de como o medo se manifesta pelo sistema nervoso.

Transformando sinais brutos em regras simples

Sinais brutos por si só são ruidosos e difíceis de interpretar, então a equipe os destila em características com vínculos conhecidos com a emoção. Por exemplo, eles calculam a “assimetria frontal alfa”, um padrão em ondas cerebrais sobre a testa esquerda e direita frequentemente associado a humor negativo, e contam picos na resposta elétrica da pele que tendem a aumentar com o estresse. Também separam os sinais cerebrais em bandas de frequência clássicas — delta, teta, alfa, beta e gama — e resumem a variabilidade do ritmo cardíaco. Em vez de fornecer esses números contínuos diretamente a um modelo caixa-preta, eles introduzem aprendizado baseado em lógica: cada característica é julgada como “alta” ou “baixa” usando limiares escolhidos estatisticamente. A partir desses blocos binários, um algoritmo conhecido como programação lógica indutiva descobre regras IF–THEN legíveis por humanos, como combinações de alta resposta da pele e baixa variabilidade cardíaca que indicam medo de forma confiável.

Casando regras com aprendizado profundo

Enquanto as regras lógicas tornam as decisões mais fáceis de entender, modelos modernos de aprendizado profundo são melhores em extrair todo o poder preditivo de dados complexos. Os autores, portanto, tratam as saídas lógicas como as únicas entradas para várias arquiteturas de rede neural projetadas para sinais variáveis no tempo. Isso inclui redes recorrentes padrão, redes LSTM (long short-term memory), unidades recorrentes com portão mais simples (GRU) e um projeto avançado chamado GRU bidirecional multi-atenção. Esse último modelo não só olha para trás e para frente através de cada sequência de características, como também usa mecanismos de atenção para focar nos momentos mais informativos, como picos acentuados na condutância da pele ou mudanças súbitas em ritmos cerebrais, enquanto ignora flutuações menores.

Quão bem o sistema lê o medo

Para testar sua abordagem, a equipe compara modelos treinados com as mesmas entradas com e sem a camada baseada em lógica. Eles os avaliam pela precisão em separar ausência de medo de presença de medo, e nos dados DEAP, pela capacidade de distinguir quatro níveis que vão de ausência de medo a medo alto. Ao longo de extensa validação cruzada e testes estatísticos, a adição de regras lógicas aumenta consistentemente o desempenho e torna os resultados mais estáveis entre diferentes divisões de teste. A arquitetura de destaque, o GRU bidirecional multi-atenção orientado por conhecimento, alcança cerca de 96,7% de acurácia no conjunto DEAP e desempenho igualmente alto em clipes musicais no DECAF, superando vários métodos publicados anteriormente e técnicas de aprendizado de máquina mais convencionais.

O que isso significa para ferramentas futuras sensíveis às emoções

Em termos simples, o estudo mostra que computadores podem estimar níveis de medo humano com confiabilidade impressionante quando leem múltiplos sinais do corpo e do cérebro e os interpretam por meio de conhecimento claro, em forma de regras, antes de aplicar aprendizado profundo. Esse design híbrido oferece o melhor dos dois mundos: o poder das redes neurais modernas e a transparência das regras lógicas que especialistas podem inspecionar e refinar. Tal abordagem pode respaldar futuras ferramentas de monitoramento da saúde mental, entretenimento adaptativo e sistemas de segurança que fazem mais do que supor nossas emoções — eles explicam por que acreditam que estamos com medo, abrindo caminho para tecnologias mais confiáveis e personalizadas.

Citação: 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

Palavras-chave: reconhecimento de emoções, detecção de medo, sinais fisiológicos, aprendizado profundo, IA interpretável