En logikbaserad, kunskapsdriven tvåvägs multi-uppmärksamhets-GRU-ramverk för klassificering av rädslenivåer hos människor

Varför det spelar roll att läsa rädsla i kroppen

Rädsla är mer än en känsla i magen—den omformar ditt hjärtslag, din svettning och till och med dina hjärnvågor. Om datorer pålitligt kunde avläsa dessa subtila förändringar skulle terapeuter kunna följa ångest i realtid, bilar och robotar kunna reagera när människor får panik, och virtuell verklighet skulle kunna anpassa sig för att hålla användare säkra. Denna studie undersöker hur man lär maskiner att känna igen olika nivåer av rädsla hos människor genom att kombinera signaler från hjärna och kropp med en form av strukturerad, regelbaserad resonemang, med målet att skapa system som både är precisa och begripliga för människor.

Lyssna på hjärnan och kroppen

Forskarna utgår från att ingen enskild mätning kan fånga rädsla fullt ut. De samlar därför flera typer av fysiologiska signaler: elektrisk aktivitet från hjärnan, hudledning som ökar när vi svettas, förändringar i hjärtrytm, andningsmönster och ansiktsrörelser. Två befintliga experimentella datamängder används. Den ena, kallad DEAP, registrerar människors hjärn- och kroppssignaler medan de ser musikvideor och skattar hur behagligt och hur intensivt de upplever det. Den andra, DECAF, använder hjärnavbildning och kroppssensorer medan deltagare ser skrämmande filmklipp eller lyssnar på musik. Dessa multimodala dataset ger en rik bild av hur rädsla visar sig i hela nervsystemet.

Förvandla råa signaler till enkla regler

Råa signaler är bullriga och svåra att tolka, så teamet destillerar dem till funktioner med kända kopplingar till känslor. Till exempel beräknar de ”frontalt alfa-asymmetri”, ett mönster i hjärnvågor över vänster och höger panna ofta förknippat med negativ sinnesstämning, och de räknar toppar i hudens elektriska respons som tenderar att öka vid stress. De delar också upp hjärnsignaler i klassiska frekvensband—delta, theta, alfa, beta och gamma—och sammanfattar variabilitet i hjärtrytmen. Istället för att mata dessa kontinuerliga tal direkt till en svart låda inför de logikbaserat lärande: varje funktion bedöms som ”hög” eller ”låg” med statistiskt valda tröskelvärden. Från dessa binära byggstenar upptäcker en algoritm känd som induktiv logikprogrammering mänskligt läsbara OM–SÅ-regler, till exempel kombinationer av hög hudrespons och låg hjärtrytmvariabilitet som pålitligt indikerar rädsla.

Toga ihop regler med djupinlärning

Medan de logiska reglerna gör beslut enklare att förstå är moderna djupa nätverk bättre på att pressa ur varje liten del av prediktiv kraft ur komplex data. Författarna använder därför logikens utgångar som enda indata till flera neurala nätverksarkitekturer utformade för tidsvarierande signaler. Dessa inkluderar standard rekurrenta nätverk, LSTM (long short-term memory), enklare gated recurrent units samt en avancerad konstruktion kallad tvåvägs multi-uppmärksamhets-GRU. Denna sista modell tittar inte bara bakåt och framåt genom varje sekvens av funktioner, utan använder också uppmärksamhetsmekanismer för att fokusera på de mest informativa ögonblicken, såsom tydliga toppar i hudledning eller plötsliga skift i hjärnvågor, samtidigt som mindre betydelsefulla fluktuationer ignoreras.

Hur väl systemet läser rädsla

För att testa sitt tillvägagångssätt jämför teamet modeller tränade på samma indata med och utan det logikbaserade lagret. De utvärderar hur korrekt modellerna kan skilja ingen rädsla från rädsla, och i DEAP-data hur bra de särskiljer fyra nivåer från ingen rädsla till hög rädsla. Över omfattande korsvalidering och statistiska tester förbättrar tillägget av logiska regler konsekvent prestanda och gör resultaten mer stabila mellan olika testdelningar. Den framstående arkitekturen, det kunskapsdrivna tvåvägs multi-uppmärksamhets-GRU, når omkring 96,7 procent noggrannhet på DEAP-datasetet och liknande hög prestanda på musikklipp i DECAF, vilket överträffar flera tidigare publicerade metoder och mer konventionella maskininlärningstekniker.

Vad detta betyder för framtida känslo-medvetna verktyg

Enkelt uttryckt visar studien att datorer kan bedöma mänskliga rädslenivåer med imponerande tillförlitlighet när de läser flera kroppsliga och hjärnsignaler och tolkar dem genom tydliga, regel-liknande kunskaper innan de tillämpar djupinlärning. Denna hybriddesign erbjuder det bästa av två världar: kraften hos moderna neurala nätverk och transparensen i logiska regler som experter kan inspektera och förfina. Ett sådant tillvägagångssätt skulle kunna ligga till grund för framtida mentalvårdsövervakning, adaptiv underhållning och säkerhetssystem som gör mer än att gissa våra känslor—de förklarar varför de tror att vi är rädda, vilket öppnar dörren för mer trovärdiga och personliga teknologier.

Citering: 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

Nyckelord: känsloigenkänning, rädsledetektion, fysiologiska signaler, djupinlärning, tolkbar AI