Emotion recognition is benefitting from the latest research into physiological monitoring and wireless communications, among other remarkable achievements. These technologies can indeed provide solutions to protect vulnerable people in scenarios such as personal assaults, the abuse of children or the elderly, gender violence or sexual aggression. Cyberphysical systems using smart sensors, artificial intelligence and wearable and inconspicuous devices can serve as bodyguards to detect these risky situations (through fear-related emotion detection) and automatically trigger a protection protocol. As expected, these systems should be trained and customized for each user to ensure the best possible performance, which undoubtedly requires a gender perspective. This paper presents a specialized fear recognition system for women based on a reduced set of physiological signals. The architecture proposed is characterized by the usage of three physiological sensors, lightweight binary classification and the conjunction of linear (temporal and frequency) and non-linear features. Moreover, a binary fear mapping strategy between dimensional and discrete emotional information based on emotional self-report data is implemented to avoid emotional bias. The architecture is evaluated using a public multi-modal physiological dataset with two approaches (subject-dependent and subject-independent models) focusing on the female participants. As a result, the proposal outperforms the state-of-the-art in fear recognition, achieving a recognition rate of up to 96.33% for the subject-dependent model.

中文翻译：

---

使用减少的生理信号集的女性耳朵识别

情感识别受益于对生理监测和无线通信的最新研究，以及其他令人瞩目的成就。这些技术确实可以提供解决方案，以在诸如人身攻击，虐待儿童或老人，性别暴力或性侵害等情况下保护弱势人群。使用智能传感器，人工智能以及可穿戴和不起眼的设备的网络物理系统可以充当保镖来检测这些危险情况（通过与恐惧相关的情绪检测）并自动触发保护协议。不出所料，应该为每个用户培训和定制这些系统，以确保获得最佳性能，这无疑需要性别观点。本文提出了一种基于减少的生理信号集的女性专用恐惧识别系统。所提出的架构的特点是使用三个生理传感器，轻量级二进制分类以及线性（时间和频率）和非线性特征的结合。此外，基于情感自我报告数据，在维度和离散情感信息之间实施了一种二元恐惧映射策略，以避免情感偏见。使用公共多模式生理数据集，以关注女性参与者的两种方法（受试者相关模型和受试者无关模型）对体系结构进行评估。结果，该建议在恐惧识别方面的表现优于最新技术，对于依赖受试者的模型，识别率高达96.33％。所提出的架构的特点是使用三个生理传感器，轻量级二进制分类以及线性（时间和频率）和非线性特征的结合。此外，基于情感自我报告数据，在维度和离散情感信息之间实施了一种二元恐惧映射策略，以避免情感偏见。使用公共多模式生理数据集，以关注女性参与者的两种方法（受试者相关模型和受试者无关模型）对体系结构进行评估。结果，该建议在恐惧识别方面的表现优于最新技术，对于依赖受试者的模型，识别率高达96.33％。所提出的架构的特点是使用三个生理传感器，轻量级二进制分类以及线性（时间和频率）和非线性特征的结合。此外，基于情感自我报告数据，在维度和离散情感信息之间实施了一种二元恐惧映射策略，以避免情感偏见。使用公共多模式生理数据集，以关注女性参与者的两种方法（受试者相关模型和受试者无关模型）对体系结构进行评估。结果，该建议在恐惧识别方面的表现优于最新技术，对于依赖受试者的模型，识别率高达96.33％。轻量级二进制分类以及线性（时间和频率）和非线性特征的结合。此外，基于情感自我报告数据，在维度和离散情感信息之间实施了一种二元恐惧映射策略，以避免情感偏见。使用公共多模式生理数据集，以关注女性参与者的两种方法（受试者相关模型和受试者无关模型）对体系结构进行评估。结果，该建议在恐惧识别方面的表现优于最新技术，对于依赖受试者的模型，识别率高达96.33％。轻量级二进制分类以及线性（时间和频率）和非线性特征的结合。此外，基于情感自我报告数据，在维度和离散情感信息之间实施了一种二元恐惧映射策略，以避免情感偏见。使用公共多模式生理数据集，以关注女性参与者的两种方法（受试者相关模型和受试者无关模型）对体系结构进行评估。结果，该建议在恐惧识别方面的表现优于最新技术，对于依赖受试者的模型，识别率高达96.33％。实施了基于情绪自我报告数据的在维度和离散情绪信息之间的二元恐惧映射策略，以避免情绪偏见。使用公共多模式生理数据集，以关注女性参与者的两种方法（受试者相关模型和受试者无关模型）对体系结构进行评估。结果，该建议在恐惧识别方面的表现优于最新技术，对于依赖受试者的模型，识别率高达96.33％。实施了基于情绪自我报告数据的在维度和离散情绪信息之间的二元恐惧映射策略，以避免情绪偏见。使用公共多模式生理数据集，以关注女性参与者的两种方法（受试者相关模型和受试者无关模型）对体系结构进行评估。结果，该建议在恐惧识别方面的表现优于最新技术，对于依赖受试者的模型，识别率高达96.33％。