轻量级1D CNN的设计与验证：用于软毛绒伴侣的情感触觉分类
本研究提出了一种基于MATLAB的开源框架，用于开发软交互伴侣中的情感触觉识别紧凑深度学习模型。通过468个CNN模型的系统探索，确定了13.2k参数的扩张1D CNN为最佳方案，测试准确率75%，留一法交叉验证准确率85%。混合推理管道结合瞬时启发式滤波和CNN精细分类，可在20 Hz实时运行，实现隐私保护的情感触觉解读。
软性、配备传感器的伴侣机器人（如毛绒玩具）为社交辅助技术提供了物理安全且情感直观的界面，但其可变形性和多通道触觉传感使得对人类情感的稳健解读变得复杂。为此，本研究提出了一个完整的、基于MATLAB的开源框架，用于开发和验证软交互伴侣中的情感触觉识别紧凑深度学习模型。
作为主要贡献，研究团队公开了一个多样化的、符合FAIR原则的数据集，包含从25名参与者（涵盖儿童、青少年和成人）收集的1326个标注手势序列。该数据集分为训练集、验证集和测试集，为未来情感触觉识别研究提供了可重用的资源。通过系统搜索468个CNN模型的架构和超参数（包括滤波器数量、层数、扩张率和学习率），研究发现紧凑的扩张一维卷积神经网络（1D CNN）是最有效的解决方案。最优秀的模型仅含13.2k参数，在测试集上达到75%的准确率，在留一法交叉验证中达到85%的平均准确率，显示出良好的泛化能力。
理论推理时间分析表明，量化部署后每个窗口需要3.2 MMAC（百万乘累加操作），与目标微控制器上20 Hz的实时操作兼容。在物理玩具流式传感器数据的PC实时仿真中，CNN能够分辨出先前启发式系统未能检测到的微妙社交触摸（如轻拍、抚摸），而高强度的负面互动（如拍打、拧捏）则通过简单的阈值逻辑更可靠地捕获。因此，研究提出了混合推理管道：先进行瞬时启发式滤波以快速检测高强度事件，再由CNN对剩余信号进行精细手势分类，作为嵌入式部署策略。
研究表明，情感上有意义且保护隐私的触觉解读在计算上完全可行，可直接嵌入软治疗伴侣机器人中，避免将原始传感器数据上传至云端。硬件集成和实际用户测试将在后续研究中处理，但当前结果已为低成本、低功耗的情感触觉人机交互铺平了道路。