清华团队发布实时理解生理与情绪基座模型

清华团队发布实时理解生理与情绪基座模型

清华大学计算机系联合医学院推出融合生理信号的情感计算模型

清华大学计算机系与医学院联合团队在六月十日发布名为PhysioMind的实时情感理解基座模型，该模型能够同时处理心率、皮肤电反应、脑电波和面部肌肉活动四项生理信号，并在零点五秒内输出情绪分类结果。PhysioMind采用多模态预训练架构，在超过五百万条标注生理数据上进行训练，涵盖静息态、运动态、压力测试和社交互动四种采集场景。模型的情绪分类粒度达到十五个细粒度类别，包括焦虑、兴奋、专注、疲惫、愉悦、困惑和愤怒等，总体分类准确率达到百分之八十九点七。

团队在公开的技术报告中详细描述了模型的训练流程和数据处理管线。生理数据采集来自三万两千名志愿者的多轮实验，每位志愿者平均提供一百四十七条带标签的生理记录。数据采集设备包括医用级脑电图仪、高精度心电图机和可穿戴式皮肤电传感器。标注过程采用双盲评分机制，由两名以上临床心理学专家独立标注后再进行一致性校验，Cohen's Kappa系数达到零点八二。训练阶段使用对比学习框架，将相同情绪状态下的不同生理信号视为正样本对，将不同情绪状态的信号视为负样本对。

PhysioMind的推理模型提供两种部署形态。云端API版本支持批量处理和实时流式输入，单次请求延迟低于两百毫秒，最大并发连接数为一千个。边缘计算版本针对移动设备优化，模型参数量压缩至一点三亿，可在搭载骁龙八点六系列芯片的设备上以每秒三十帧的速度运行。清华团队已开放云端API的免费试用配额，每个开发者账户每月可获得十万次免费调用。团队同时发布了包含预处理工具和评估指标的开源评估框架。

该模型的应用场景包括心理健康筛查、疲劳驾驶监测和用户体验评估。在与北京心理危机研究与干预中心合作的试点项目中，PhysioMind对重度抑郁倾向的筛查敏感度和特异度分别达到百分之八十六和百分之八十一。在交通领域，团队与某公交集团合作在五十辆营运车辆上部署了边缘版本模型，通过监测驾驶员的生理信号异常来预警疲劳驾驶，试点线路的事故率下降了百分之二十四。团队表示，下一步将扩展模型对儿童和老年群体的适用性，并探索跨文化场景下的情绪识别准确性。