輕量級1D CNN的設計與驗證：用於軟毛絨伴侶的情感觸覺分類
本研究提出了一種基於MATLAB的開源框架，用於開發軟交互伴侶中的情感觸覺識別緊湊深度學習模型。通過468個CNN模型的系統探索，確定了13.2k參數的擴張1D CNN為最佳方案，測試準確率75%，留一法交叉驗證準確率85%。混合推理管道結合瞬時啓發式濾波和CNN精細分類，可在20 Hz實時運行，實現隱私保護的情感觸覺解讀。
軟性、配備傳感器的伴侶機器人（如毛絨玩具）為社交輔助技術提供了物理安全且情感直觀的界面，但其可變形性和多通道觸覺傳感使得對人類情感的穩健解讀變得複雜。為此，本研究提出了一個完整的、基於MATLAB的開源框架，用於開發和驗證軟交互伴侶中的情感觸覺識別緊湊深度學習模型。
作為主要貢獻，研究團隊公開了一個多樣化的、符合FAIR原則的數據集，包含從25名參與者（涵蓋兒童、青少年和成人）收集的1326個標註手勢序列。該數據集分為訓練集、驗證集和測試集，為未來情感觸覺識別研究提供了可重用的資源。通過系統搜索468個CNN模型的架構和超參數（包括濾波器數量、層數、擴張率和學習率），研究發現緊湊的擴張一維卷積神經網絡（1D CNN）是最有效的解決方案。最優秀的模型僅含13.2k參數，在測試集上達到75%的準確率，在留一法交叉驗證中達到85%的平均準確率，顯示出良好的泛化能力。
理論推理時間分析表明，量化部署後每個窗口需要3.2 MMAC（百萬乘累加操作），與目標微控制器上20 Hz的實時操作兼容。在物理玩具流式傳感器數據的PC實時仿真中，CNN能夠分辨出先前啓發式系統未能檢測到的微妙社交觸摸（如輕拍、撫摸），而高強度的負面互動（如拍打、擰捏）則通過簡單的閾值邏輯更可靠地捕獲。因此，研究提出了混合推理管道：先進行瞬時啓發式濾波以快速檢測高強度事件，再由CNN對剩餘信號進行精細手勢分類，作為嵌入式部署策略。
研究表明，情感上有意義且保護隱私的觸覺解讀在計算上完全可行，可直接嵌入軟治療伴侶機器人中，避免將原始傳感器數據上傳至雲端。硬件集成和實際用户測試將在後續研究中處理，但當前結果已為低成本、低功耗的情感觸覺人機交互鋪平了道路。