本文档为《IEEE Transactions on Affective Computing》期刊于2023年7-9月刊载的一篇系统性文献综述（systematic literature review, SLR）论文，题为《Emotion Recognition for Everyday Life Using Physiological Signals from Wearables》。作者团队来自波兰弗罗茨瓦夫理工大学（Wrocław University of Science and Technology）人工智能系和电子与光子测量系，包括Stanisław Saganowski、Bartosz Perz、Adam G. Polak（IEEE会员）及Przemysław Kazienko（IEEE高级会员）。研究得到波兰国家科学中心等机构资助。

研究主题与学术背景

论文聚焦”基于可穿戴设备生理信号的自然场景情绪识别”这一新兴交叉领域，属于情感计算（affective computing）与普适计算（pervasive computing）的融合方向。传统情绪识别研究多局限于实验室环境，通过预设刺激（如图片、视频）诱发标准化情绪反应。然而，真实生活中的情绪具有动态性、复杂性及上下文依赖性，现有技术难以直接迁移应用。随着智能手表（smartwatch）、智能手环（smart band）等可穿戴设备的普及，持续监测日常生理信号成为可能，这为突破实验室环境限制提供了技术基础。

核心内容与主要观点

1. 系统性文献综述的方法学创新

作者团队遵循PRISMA标准，从Scopus、Web of Science等数据库初筛3,051篇文献，最终纳入符合严格入选标准的34篇（占比1.1%）。区别于既往综述，本研究确立三项创新性筛选标准：
- 设备适用性：仅纳入支持日常使用（如无线、便携、非侵入）的可穿戴设备
- 信号类型：必须包含至少一种生理信号（如EDA皮肤电活动、PPG光电容积图）
- 研究设计：排除单情绪识别、小样本（人）及脑电图（EEG）设备研究

2. 实验室与自然场景研究的范式对比

论文构建了”实验室-野外”（lab-field）二元分析框架，系统比较两种环境下的研究设计差异：
- 实验室研究优势：控制干扰因素（如环境温湿度）、精确刺激呈现时间、使用医疗级设备（如Biopac系统）
- 自然场景挑战：
(1) 真实情绪触发机制未知需开发新型自评估触发方法（如事件触发、随机触发）
(2) 运动伪迹（motion artifacts）导致信号质量下降
(3) 缺乏标准化验证流程（需个性化建模与跨被试验证）
(4) 数据稀疏性问题（用户可能忘记佩戴设备）

3. 情绪识别七类研究场景分类

基于34项研究的深度分析，作者提出首个情绪识别场景分类体系：
- 实验室场景（5类）：刺激标注法（研究者预先标注情绪类型）、联合标注法（刺激标注+被试自评）、任务诱发法（数学测试等标准化任务）、专家观察法（临床专家编码）、混合触发法
- 自然场景（2类）：约束环境法（限定活动如公园散步）、真实生活法（完全自由活动）
典型案例包括：Schmidt等人（2019）通过智能手表连续监测情绪状态，结合生态瞬时评估法（Ecological Momentary Assessment, EMA）收集数据。

4. 从心理学模型到机器学习任务的转化困境

研究揭示当前领域存在”心理学模型简化”问题：
- 76%研究自定义情绪模型，偏离经典理论（如Ekman六分类模型、Russell环状模型）
- 维度模型（如效价-唤醒度valence-arousal）常被降维为分类问题，丧失情感连续特性
- 多任务学习（multi-task learning）应用不足，仅1项研究同时识别情绪、压力、焦虑

5. 关键技术挑战与解决方案

论文总结五大核心挑战及应对策略：
- 信号质量问题：推荐使用混合滤波（如小波变换+ICA）处理运动伪迹
- 特征工程瓶颈：时频域特征（如HRV心率变异性非线性指标）优于单一时域特征
- 算法泛化性：跨被试验证（leave-one-subject-out, LOSO）准确率平均下降12-15%
- 个性化建模：迁移学习（transfer learning）可提升新用户识别精度8-10%
- 实时性要求：轻量化模型（如TinyML）在嵌入式设备实现<200ms延迟

学术价值与实践意义

本文献综述的突出贡献体现在三方面：
1. 方法论价值：建立首个面向自然场景情绪识别研究的标准化评估框架，提出设备适用性、信号可靠性、验证严谨性等量化指标。
2. 技术指导价值：通过Emognition开源门户（https://emognition.github.io）共享SLR结果、数据集和工具链，推动研究可重复性。
3. 应用前瞻价值：指出未来方向应包括(1)多模态融合（生理+行为信号）、(2)情境感知（context-awareness）建模、(3)隐私保护联邦学习框架。

重要发现与创新点

1. 设备选型结论：Empatica E4（皮肤电活动监测）与Microsoft Band 2（多模态传感）为当前最优选型，但智能手表将成为主流平台。
   
2. 算法性能基准：在跨被试验证下，最佳模型准确率为68.2%（CNN-LSTM混合架构），显著高于传统SVM（58.4%）。
   
3. 理论创新：提出”生理信号滞后响应模型”：皮肤电反应（SCR）峰值滞后刺激3-5秒，而HRV变化即时响应，这对滑动窗口（sliding window）设计具有指导意义。
   

局限性讨论

作者指出三大待解决问题：
1. 长期佩戴舒适性与数据完整性的矛盾
2. 个体生理差异导致的模型偏差
3. 缺乏大规模纵向研究（当前最大样本量仅201人）

该综述为可穿戴设备在心理健康监测、人机交互优化等场景的应用提供了理论基石与技术路线图，被列为当期期刊推荐论文（Recommended by Associate Editor E.P. Scilingo）。