多传感器协同网络如何捕捉我们的社交情绪？
2026-07-06
676
近年来，智能手表、健康监测手环等可穿戴设备已经深入我们的日常生活，它们在科学界被称为“体域网”（Body Sensor Networks,简称BSNs）。这项技术能够对人体的生理参数进行实时、连续的监测。然而，目前的体域网存在一个局限：它们通常只能监测单个佩戴者的数据。设想一下，如果不同人身上的智能设备能够彼此“交流”和协作，会发生什么？这篇论文提出了一种名为 C-SPINE 的新型计算框架，旨在让可穿戴设备从“个体监测”走向“群体协同”，甚至能够借此精准捕捉人们在社交互动中的微妙情绪。
随着应用场景的拓展，仅仅监测单一个体的生理数据已经无法满足日益复杂的需求。例如，在体育竞技、工厂作业或是灾害救援中，往往需要分析整个群体的协作状态。为了实现这一目标，研究人员提出了“协同体域网”（Collaborative BSNs, 简称 CBSNs）的概念。
论文中的图1清晰地展示了四种网络架构的演进：
单体-单基站 (SBSB)：常见的个人健康监测，单个设备与手机通信。
单体-多基站 (SBMB)：个人设备同时与家中多个终端（如平板、游戏机）交互。
多体-单基站 (MBSB)：例如家庭医生用一台电脑同时收集多位病人的数据。
多体-多基站 (MBMB)：最复杂的协同网络，多个用户的设备之间可以相互交流，这是未来群体协作系统的核心。
为了支持最复杂的协同工作，研究团队开发了 C-SPINE 框架。该框架就像是给可穿戴设备安装了一套“社交协议”，让它们能够感知附近的其他设备、发现彼此可以提供的服务，并将不同传感器的数据融合在一起进行联合计算。
为了验证 C-SPINE 框架的有效性，研究人员设计了一个名为 e-Shake 的社交物理交互系统。该系统的主要功能是检测两人相遇时的“握手”动作，同步分析握手瞬间的心率变化，从而推断出双方的情绪反应。
论文图11展示了该系统在人体上的硬件布局，主要包含两个核心传感器组件：
握手传感器 (HS Sensor)：佩戴在右手腕上，内置三轴加速度计，用于捕捉手部运动的物理轨迹。
心率传感器 (HR Sensor)：放置在口袋中或胸前，连接心电图（ECG）模块，用于实时监测心跳数据。
在日常生活中，我们的手部会进行各种复杂的运动。e-Shake 系统如何准确判断两个动作是“握手”而不是简单的挥手呢？得益于严谨的多传感器数据协同融合过程。论文图13详细描绘了这一逻辑严密的判定过程：
接近检测：两人的基站（如智能手机）首先通过蓝牙等通信方式探测到彼此进入了有效范围。
节点激活：基站向佩戴在手腕上的传感器发送指令，将其从低功耗状态唤醒以节省电量。
潜在握手检测：一旦一方的手腕传感器识别到类似握手的动作特征，便会向自己的基站发送信号。
广播通知：该基站随即将这一“潜在握手”信息发送给对方的基站。
协同确认：最后，双方基站交换各自的传感器特征数据（如加速度的过零率、能量值等），经过共同计算和匹配后，才最终确认这是一次真正的握手。
实验结果显示，通过这种多帧数据交换和协同决策，系统能够有效排除“假装握手”等干扰，在真实握手检测中表现出了很高的准确率。
握手不仅仅是一个物理动作，它往往伴随着社交情绪的起伏。生理学常识告诉我们，突发的情绪状态变化通常会引起心率的短暂上升。e-Shake 系统将握手事件的时间点与心率数据进行了精确的“时间轴同步”。 研究团队在一所大学的计算机实验室开展了对照实验，安排了不同熟悉程度的教授、导师和学生进行相遇握手。
论文的图18展示了系统记录下的真实心率波动图表，主要分为三种客观情况：
无明显情绪反应：心率曲线在握手前后保持平稳，未出现明显起伏。这在日常普通的社交相遇中最常见。
单方情绪反应：图表中仅有一方的心率在握手后出现明显峰值。实验发现，这种情况多出现在学生遇见教授等存在学术层级关系的场景中。
双方情绪反应：图表中两人的心率曲线都在握手瞬间或之后出现了显著跃升。这通常发生在彼此非常熟悉但已久未谋面的对象之间。
在100次相遇数据的分析中，系统通过设定的算法（如分析握手前后30秒内心率是否提升超过15%），在检测情绪反应方面达到了92%的准确率。
作者简介：Giancarlo Fortino，意大利卡拉布里亚大学计算机工程教授、博士生导师，IEEE Fellow。主要研究方向包括可穿戴计算系统、电子健康、物联网与基于智能体的计算，聚焦数字健康、智能感知系统、物联网架构与人机系统等问题。
ORCID：0000-0002-4039-891X
DOI：10.1016/j.inffus.2014.03.005
