轻量1D CNN赋能毛绒伴侣：情感触摸识别新突破

在社交辅助技术领域，柔软、可感知的伴侣设备提供了安全且直观的情感交互界面，但其可变形特性和多通道触觉传感使得对人类情感的稳健解读面临挑战。最新研究提出了一套完整的开源MATLAB框架，专门用于开发和验证软质交互伴侣中的紧凑深度学习模型，实现情感触摸识别。

该研究的主要贡献在于创建了一个符合FAIR原则的多样化数据集，包含来自25名参与者（涵盖儿童、青少年和成人）的1326个标记手势序列，为情感触摸识别研究提供了可重复使用的宝贵资源。通过对468个CNN模型进行系统架构和超参数探索，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——一个仅含13.2k参数的模型实现了75%的测试准确率和85%的平均留一交叉验证准确率。

理论推理时间分析表明，量化部署每个窗口仅需3.2 MMAC运算量，可在目标微控制器上实现20Hz的实时操作。基于PC的实时模拟实验显示，该CNN能够解析先前启发式系统无法检测的微妙社交触摸，而高强度的负面交互则能通过简单的阈值逻辑更可靠地捕获。研究提出混合推理管道作为嵌入式部署策略：即时启发式过滤后接基于CNN的精细手势分类。

这项研究证明，情感丰富且保护隐私的触摸解读在计算上完全可行，可直接嵌入软质治疗伴侣设备中。硬件集成方案将在后续研究中详细探讨，为情感计算和辅助医疗设备的发展开辟了新路径。