研究论文
面向毛绒玩具的轻量 1D CNN，可识别情感触觉交互
研究提出 13.2k 参数的紧凑 1D CNN，用于毛绒玩具的多通道触觉情感分类，测试准确率 75%，可在微控制器上实时…
2026.07.21 · 周二约 2 分钟阅读
arXiv 上发表的一项研究提出了一套面向软体毛绒玩具的轻量级深度学习框架，用于识别用户在触摸毛绒伴侣时传递的情感信号。研究团队在 25 名参与者（涵盖儿童、青少年和成人）身上采集了 1326 条标注手势序列，构建了一个 FAIR 兼容的数据集，并将其开源，供后续情感触觉研究复用。
模型设计：紧凑 1D 膨胀卷积
研究团队系统探索了 468 个 CNN 架构与超参数组合，最终选定紧凑型膨胀一维卷积神经网络（1D CNN）作为核心方案。最佳模型仅含约 1.32 万参数，在测试集上达到 75% 准确率，在留一受试者交叉验证（LOSO-CV）下取得 85% 的平均准确率。作者指出，膨胀卷积有助于在不显著增加参数量的前提下扩大感受野，适合处理多通道触觉时序信号。
推理与嵌入式部署
论文给出理论推理分析：量化部署后每个推理窗口约需 3.2 MMAC（百万乘加运算），与目标微控制器上 20 Hz 的实时运行需求相匹配。研究者还基于 PC 端实时仿真平台，让物理毛绒玩具流式传输传感器数据。结果显示：
- CNN 能识别出原有启发式系统遗漏的细微社交性触摸；
- 高力度负向交互则由简单阈值逻辑捕获更可靠。
据此，论文提出一种混合推理流水线——先由启发式规则做瞬时过滤，再由 CNN 负责精细手势分类——作为嵌入式部署策略。
研究意义与局限
该工作表明，在软体治疗陪伴设备内部直接嵌入具备隐私保护特性的情感触觉解读算法，在算力上是可行的。数据集的公开为后续研究提供了可复用基准。不过，研究也坦承，当前方案在硬件集成层面的验证留待未来工作完成。作者强调，混合策略意味着 CNN 并非万能替代品，而是与传统信号处理互补。