如何用智能手錶獲得的數據來預測情緒？（下）_風聞

編者按

本期推送的是Peter A Gloor等人在JOURNAL OF SYSTEMS SCIENCE AND SYSTEMS ENGINEERING上發表的ARISTOTLE SAID “HAPPINESS IS A STATE OF ACTIVITY”——PREDICTING MOOD THROUGH BODY SENSING WITH SMARTWATCHES一文的下篇。該文章介紹了通過使用連接智能手錶的身體感應應用程序測量和預測幸福的狀態。研究中收集個人的情緒狀態，並將其與身體感應數據（如加速度、心率、光照水平數據和位置）關聯起來，他們發現快樂和活躍度與心跳和光照水平呈負相關。當人們在週末活動更激烈，感覺不太活躍時，往往會更快樂。還發現，責任心低、神經質強、隨和度高的人更容易快樂。此外，較低的經驗開放度和較高的愉悦感和責任感可以預測更多的信息。同時，還發現追蹤人們的地理座標可能在預測快樂和激活方面起着重要的作用。

這是社論前沿第S1451次推送

微信號：shelunqianyan

01

實驗設置和研究變量

樣本

實驗從2016年12月19日到2017年2月3日開始，共有17人戴着智能手錶。樣本包括研究生、研究人員、教職員工、顧問和商業界領袖，年齡從23歲到56歲不等。他們的國籍是德國、瑞士和美國。下載Happimeter應用程序時，參與者同意參與此項研究，並通過智能手機發送指令。參與者每天通過智能手錶的振動進行4-7次調查，並被提示輸入他們的情緒狀態。

但也意識到，與隨機抽樣相比，自願應答樣本存在偏差，因為一些預期人羣的成員不太可能被包括在內。同時，研究的目標不是推斷身體傳感器會如何影響這些人。研究旨在探索一種基於智能手錶記錄的數據識別情緒變化的新方法。

測量

研究在兩個維度上實現了一個四結果網格“愉悦”和“活躍”，依賴於情感的包圍模型（Posner, Russell人， 2005）。基於“高愉悦低愉悦”和“高活躍低活躍”兩個維度，構建了一個系統。與幸福相關的情緒狀態的例子有：感覺內容、平靜、放鬆；活躍的感覺以感覺警覺、興奮等狀態為例(Posner, Russell等人，2005)。

類似於情感的迂迴模型，假設所有的情緒狀態都可以理解為兩個維度的線性組合，一個與價格有關，另一個與喚醒或警覺有關（Barrett ，2006；Rafaeli，Rogers等人，2007）。我們的模型，如圖3所示，反映了特定情緒與這兩個連續體中的激活模式相關的假設。正如Posner、Russell等人提出的那樣（2005）快樂可以被概念化為“一種情緒狀態，它是與正價或快樂相關的神經系統中的強烈激活以及與覺醒相關的神經系統中的適度激活的產物。除快樂之外的情感狀態同樣來自同一個兩個神經生理系統，但激活的程度不同”。

（温馨提示：點擊查看大圖）

研究收集了四種不同的情緒狀態，分別是兩個層次的愉悦和兩個層次的活躍度。這類似於likamwa和liu等人（2013）在構建moodscope時所採用的方法，moodscope是一種基於智能手機使用方式測量用户心理狀態的傳感器。

在圖3所示的四個結果網格中，根據Russell（1980）和Posner等人（2005）研究的結果，將幸福定位在一個非常接近高快樂的角度上。如Russell（1980）所證明的，情感空間是雙極性的，相反的位置大約為180°：“從7.8°開始快樂，我們可以看到，在這一點上，角度的增加對應於活躍的增加和愉悦的輕微減少”。

本研究把幸福當作一個二元變量，不快樂的記為0，快樂的記為1。圖3展示了四個結果網格，這是Russell（1980）和Posner等人（2005）提出的模型的組合，他們認為幸福與高度快樂是一致的。

情緒狀態是一個分類變量，用於對快樂和活躍的四種可能組合進行分類。如果快樂和活躍都是1，則情緒狀態的值為1；如果兩個因變量得分均為0，則情緒狀態的值為4；如果快樂為0，活躍為1，則情緒狀態的值為3；如果活躍為0，且快樂為1，則情緒狀態的值為2。

其他變量由智能手錶直接記錄。在測量時，環境光照水平，範圍從0到5。BPM測量每分鐘的平均心跳次數。加速度表示人在物理空間中的移動幅度，VMC（矢量幅度計數）是智能手錶記錄的總移動量的一種度量：更劇烈的移動產生更高的VMC值。

第一個控制變量是基於記錄的時間，代表了週末和節假日之間的區別。在實驗期間，有兩個主要的節日：聖誕節和除夕夜。測量每分鐘的平均心跳次數也顯示了它在數據記錄方面的實用性。事實上，可能會發生智能手錶傳感器傳輸的數值不完全可靠的情況，原因可能有幾個，包括內部故障、電池電量不足或個人在收集數據時沒有佩戴智能手錶。

其他控制變量為年齡、性別和體重（以千克表示）。平均年齡29歲，平均體重72公斤（157磅）。大約30%的受訪者是男性。性別是一個有趣的變量，因為它可以洞察智能手錶技術的不同用途，一項關於性別和信息獲取的滿足感的研究（Zhang&Rau，2015）也印證了這一點。分享個人數據，如體重和年齡，可能會讓人感到不舒服；因此，實驗數據是完全匿名的，並且在分析中從未與個人姓名相關聯。

過去的研究表明，幸福感還受其他幾個因素的影響，如性格（Cheng & Furnham，2001；Demir &Weitekamp，2007；Tkach & Lyubomirsky，2006）。因此，該研究要求受訪者完成5大人格測試，以評估他們的人格特徵（McCrae&Costa，2003）。本研究採用五因素人格模型，並根據國際人格項目庫（Goldberg，Johnson等人，2006）。特別是，本次研究使用了IPIP-NEO的120項版本，涵蓋了傳統的五大領域，即神經質、外向、認真、隨和和和開放的經驗（Johnson ，2014）。

（温馨提示：點擊查看大圖）

​

03

結論

兩個因變量——幸福感和活躍度——都與心跳呈顯著負相關，這可能表明快樂的人更放鬆。這似乎與關於幸福和創造力的研究相一致，研究表明，幸福的人更放鬆，更樂於接受新的體驗，這有助於提高創造力（Pannells&Claxton ，2008）。快樂和活躍與光的水平呈負相關，這是由於漫射光可能起到鎮靜作用，因為昏暗的光通常與工作後的放鬆有關（Meier，Robinson等人，2007）。

觀察人格特質，發現與人的愉悦性呈正相關，這表明人越善良和合作，他們就會越快樂和活躍。我們還發現VMC（矢量幅度計數）與心跳、活動和光照水平呈正相關。這並不奇怪，因為環境中光線的增加可能導致身體運動的更多變化，心跳加快和更多的活動（Meier，Robinson等人，2007；Xu&Labroo，2014）。當人們移動得更劇烈時，似乎也會更快樂，儘管與加速度的相關性很低。這兩個因變量之間具有高度的相關性。最後，似乎人們在週末感覺不太活躍，這可以歸因於生活節奏的放鬆。

在表2a和表2b中，首先分別顯示每個因變量的空模型（幸福和激活）；在模型2、3和4中，測試控制變量的影響；在模型5中，測試傳感器數據的預測能力；最後，在模型6中，結合了重要的預測變量以獲得最佳模型。研究中沒有一起測試所有的人格特徵，因為當在同一模型中包含神經質和體驗開放性時，發現了一個多重共線性問題（它們在樣本中呈現出很高的負相關性）。

（温馨提示：點擊查看大圖）

比較模型1和模型6，AIC和BIC分數都顯著降低。當心跳和光照水平較低，加速度和VMC較高時，快樂和活躍度似乎都較高。然而，從加速度計數據（VMC和加速度）中推斷出的變量有一個非常小的，幾乎可以忽略不計的影響大小。在人格特徵方面，責任心和神經質較低、隨和性較高的人更容易快樂。另一方面，較低的經驗開放度和較高的愉悦感和責任感可以預測更多的活躍度。週末的活躍率似乎也較低，男性受訪者的活躍率平均較高。研究中沒有看到年齡、體重和運動性對因變量的影響。

考慮到科恩卡帕（Cohen’s Kappa）的良好價值，這些結果很有希望，取決於受訪者的位置。除去位置參數（緯度，經度和海拔），分類模型的準確性仍然很好，但下降到了較低的值，如表3所示。因此，我們保持追蹤受訪者確切位置並在未來研究中對這些位置進行分類的重要性。

（温馨提示：點擊查看大圖）

04

討論

研究結果支持通過智能手錶收集的測量數據的有效性，智能手錶用於探索一些促進幸福和活躍的因素。研究的主要目標不是確定哪些因素對幸福感的影響最具預測價值。積極心理學領域有大量的文獻，旨在揭示幸福的助推器（Argyle，2001；Lyubomirsky，King等人，2005）。在這項研究中，確定了一些積極幸福感和幸福感的關鍵觸發因素，這些可以通過更大的樣本進行進一步的探索，包括頻繁的運動、心跳、室內照明的變化，樂於助人、善待他人的傾向，以及特定的經緯度。本研究的另一個貢獻是探索傳統與非傳統幸福相關變量之間的關係。例如，更高的宜人性和幸福感之間的緊密聯繫證實了先前在積極心理學中的研究表明，表現利他主義或善良的行為會促進幸福感。在Lyubomirsky等人（2005）的研究中，每週做五種行為，尤其是一天做五種行為，對幸福感有明顯的促進作用。同樣，Seligman（2004）發現，通過培養樂觀、善良、慷慨、獨創性和幽默等“內在特徵”，個人可以發展出持久的幸福水平。我們還發現低責任感的人比其他人更快樂。同樣的研究發現，有證據表明，責任心比外向性更能預測生活滿意度。關於人格和自我報告健康的文獻也發現神經質和責任感與慢性病（Goodwin & Friedman， 2006）和身體健康（Lóckenhoff，Sutin等人，2008）有關。

此外，研究還發現，更高的宜人性和責任心可以預測高活躍率。這可以解釋為，高度自覺的個人傾向於有組織、嚴格、有紀律、可靠、有條不紊，這可能導致比其他人對環境因素更加警覺、警惕和關注。另一方面，人們發現，和藹可親的人在涉及挫折感的情況下能夠更好地控制憤怒和負面影響，而且他們在解決衝突過程中經常發揮作用；這可以解釋為什麼他們比其他人更容易感到興奮和警覺（Costa、McCrae等人，1991；Graziano，Jensen Campbell等人，1996）。

雖然研究結果似乎與之前探索幸福決定因素的研究一致，但本實驗的附加價值是應用創新的方法和工具，這些方法和工具具有重要的實際貢獻。如今，健康計劃已成為普遍現象，90%以上的大中型公司採取了一些措施，提供某種激勵（通常是金錢激勵），以改善員工健康，降低與健康保險索賠相關的僱主成本（Cawley&Price， 2013）。本研究提供了一些見解，可以被人力資源經理用來增加這些計劃的無形收益，利用“幸福感”作為對員工的額外激勵。除了為報告和分享個人數據而掙錢外，員工還可以有機會反思自己的幸福水平，並瞭解哪些因素是影響幸福的主要因素。方法和應用為員工解釋與公司共享的數據提供了新的途徑。更多地控制共享數據的感覺和他們獲得的可操作的洞察力可能是增加參加和使用健康計劃的人比例的一個額外因素。控制變量，即年齡、體重和運動，對感覺快樂或興奮沒有影響。令人驚訝的是運動性的結果，因為運動和鍛鍊與增加幸福感有關（Argyle，2001；Hills&Argyle，1998）。

本研究對室內照明效果的研究結果與之前的研究結果一致，即光線會增強情緒反應。在一項研究中，Xu和Labroo（2014）證明了光是熱感知的基礎，而熱感知反過來會觸發熱情緒系統。因此，關小燈可以減少情緒，導致更理性的決定。與Xu和Labroo（2014）的發現不同，關於明亮環境與清醒或活躍之間不太可能存在的聯繫，相關結果似乎表明，感到更放鬆和不活躍的個體是被昏暗光線包圍的原因造成的。

05

侷限與未來研究

本研究能夠收集的控制變量僅限於年齡、性別、體重、運動性、個性特徵、週末與節假日以及GPS座標（緯度、經度和海拔）。在未來，還計劃包括基於以下變量，例如：個人與誰共度時光，他們是工作還是退休，生病還是健康，以及有助於控制照明和報告情緒之間相關性的天氣條件。在最初的實驗中，無法對位置進行分類，以確定特定的座標是否對應於每個人的特定位置（家、工作場所、大學或圖書館）。這可能是未來研究的一個建議，以測試特定地點對快樂和活躍度的影響或控制。另一個侷限是非隨機選擇的小樣本（17名參與者），建議在更大的隨機選擇樣本上進行該實驗，包括不同年齡和來自同質羣體的人，控制其他變量，如工作、精神病史和婚姻狀況。

本研究的方法在將來的應用可能有助於更準確地自動測量情緒狀態的變化，目標是將此方法與分析個人參與的社交網絡相結合，並調查哪些關係能改善幸福感。該方法也有一定的市場應用價值，如評價顧客對廣告的反應和店鋪佈局的效果。

正如Christakis和Fowler（2013）在他們關於友誼、家庭、配偶、鄰居和同事關係的研究中所證明的那樣，被幾個快樂的人包圍的人——他們也是社交網絡的核心——更有可能在未來快樂。他們的研究尤其重要，因為它顯示了幸福是如何在各種各樣的社會關係中傳播的。

亞里士多德説過“幸福是一種活動狀態”。正如在此研究中發現的，快樂的人更積極。