在情感计算和心理健康领域，准确地识别和量化人类的恐惧情绪是一项关键挑战。恐惧不仅是一种基本的生存本能，也与焦虑症、创伤后应激障碍等多种精神健康问题密切相关。然而，与喜悦、悲伤等情绪相比，利用生理信号进行恐惧水平检测的研究尚未得到广泛而深入的探索。传统的情绪识别方法多依赖于自我报告或行为观察，存在主观性强、难以实时监测等局限。而新兴的基于生理信号（如脑电、皮电）的分析方法，虽然更加客观，但往往侧重于数据驱动的“黑箱”模型，缺乏可解释性，难以将领域专家的知识融入其中，限制了其在临床诊断和干预中的应用价值。那么，能否开发一种既保持高性能，又能融合人类先验知识、具备良好解释性的恐惧水平检测模型呢？这正是发表在《Scientific Reports》上的这项研究试图回答的核心问题。
为了突破现有局限，研究团队提出了一种创新的“逻辑知识驱动的双向多注意力门控循环单元框架”。这项研究巧妙地将数据驱动的深度学习与基于符号的逻辑推理相结合。其核心思路是，先利用领域知识从多模态生理信号中提取关键特征，并基于这些特征通过归纳逻辑程序设计生成可理解的逻辑规则；随后，将这些逻辑规则作为“知识”注入到深度学习模型中，以增强模型的分类性能和可解释性。最终，通过一个精心设计的双向多注意力门控循环单元网络进行高效的恐惧水平分类。
作者开展这项研究主要运用了以下几个关键技术方法：首先是多模态生理信号的特征提取，包括从脑电图信号中计算额叶alpha波不对称性，从皮电反应信号中提取峰值等。其次是基于归纳逻辑程序设计的逻辑规则生成，用于将提取的特征转化为可解释的“如果-那么”规则。最后是深度学习的模型构建与训练，研究比较了包括长短期记忆网络、循环神经网络、门控循环单元及其增强版——双向多注意力门控循环单元在内的多种模型性能。研究所用数据来源于两个公开的情感生理信号数据库：用于情绪分析的生理信号数据集和用于解码情感生理反应的多模态数据库。
研究结果
特征提取与逻辑规则生成：
研究人员首先从脑电图信号中提取了额叶alpha波不对称性这一与情绪偏侧化相关的重要特征，并从皮电反应信号中捕获了反映交感神经兴奋度的峰值。基于这些特征，研究通过归纳逻辑程序设计方法，确定了特征特异性的阈值，并自动生成了一系列用于判断恐惧水平的逻辑规则。例如，一条规则可能表述为“如果额叶alpha波不对称性低于某个阈值且皮电反应峰值高于某个阈值，则恐惧水平高”。这个过程将隐含的生理知识显式化、符号化，为后续模型提供了可理解的决策依据。
深度学习模型性能比较：
为了验证所提框架的有效性，研究在DEAP和DECAF两个数据集上系统比较了多种深度学习模型的分类性能。结果表明，结合了逻辑规则知识的深度学习模型普遍优于纯数据驱动的基准模型。在众多模型中，双向多注意力门控循环单元架构展现了最佳性能。该模型能够同时考虑时间序列数据的过去和未来信息，并通过注意力机制聚焦于关键时间点的特征，从而更精准地捕获与恐惧相关的动态生理模式。
在DEAP与DECAF数据集上的验证：
在针对DEAP数据集的实验中，所提出的逻辑知识增强型双向多注意力门控循环单元模型取得了96.67%的极高分类准确率。在更具挑战性的多模态DECAF数据集上，研究进一步区分了不同刺激材料（音乐与电影）引发恐惧的差异。结果显示，模型对音乐刺激数据的分类准确率同样达到96.67%，而对电影刺激数据的分类准确率为86.67%。这一差异可能源于不同模态刺激所诱发生理反应的复杂度不同，但总体而言，该框架在不同数据集和刺激类型上都表现出了优越且稳定的性能，证明了其良好的泛化能力和实用性。
结论与讨论
本研究成功构建并验证了一个逻辑知识驱动的双向多注意力门控循环单元框架，用于从多模态生理信号中高精度、可解释地检测人类恐惧水平。该工作的主要结论与重要意义体现在以下几个方面：
首先，它证实了将符号主义与连接主义人工智能范式相结合，在情感计算领域的巨大潜力。通过归纳逻辑程序设计生成的逻辑规则，有效嵌入了领域知识（如特定生理特征与情绪状态的关联），使得深度学习模型不再是“黑箱”，其决策过程变得部分可追溯、可解释。这对于需要高可信度的临床辅助诊断场景至关重要。
其次，该框架实现了高性能与可解释性的统一。在DEAP和DECAF数据集上达到的顶尖分类准确率（最高96.67%）表明，注入逻辑知识不仅没有损害模型的判别能力，反而通过提供强约束和引导，可能提升了模型对恐惧关键特征的捕捉效率。双向多注意力门控循环单元的采用，则进一步优化了对生理信号时空动态特征的建模能力。
最后，这项研究为恐惧相关精神健康问题的理解与管理提供了新的方法论工具。所提出的技术能够以可扩展的方式，实时监测个体的恐惧水平变化，有望应用于焦虑障碍的疗效评估、暴露疗法的进程监控、或适应性的情绪调节干预系统。它超越了传统单一数据驱动的方法，通过融合计算智能与知识推理，推动情感计算向更可靠、更人性化、更易于与临床实践结合的方向发展。未来，该框架可扩展至其他离散或连续情绪状态的检测，并为开发下一代智能心理保健系统奠定坚实的技术基础。
