当我们聆听一段动人心弦的音乐、欣赏一幅震撼人心的画作时，一种难以言喻的酥麻感从脊背蔓延至全身 —— 这种被称为 “寒颤”（frisson）的现象，不仅是审美体验的极致表达，更隐藏着可被科学解码的遗传密码。2026 年发表于 PLOS Genetics 的一项大规模基因组研究揭示，约 30% 的寒颤敏感性差异可归因于家族遗传因素，其中约四分之一源于常见 DNA 单核苷酸多态性（SNP）的贡献。这一发现为情感计算领域打开了新的视角：将遗传学机制与生物信号工程相结合，或许能够构建更精准的 AI 情绪识别系统。
遗传机制：从基因到审美情感的生物学路径
该项涉及约 15600 名荷兰参与者的研究表明，音乐、诗歌与视觉艺术引发的寒颤之间存在显著的中等程度遗传相关性（r≈0.58），意味着部分人群对不同艺术形式的强烈情感反应具有共享的遗传基础。这一发现挑战了传统认知中音乐寒颤与视觉艺术寒颤相互独立的观点，揭示了存在一种更为基础的 “审美情感敏感性” 特质，其根源可追溯至特定的遗传变异。进一步分析发现，开放性人格特质（Openness to Experience）的多基因指数与寒颤易感性呈显著正相关，解释了遗传如何通过影响人格特质间接塑造审美体验 —— 具有更高开放性得分的人群往往对艺术有更深入的注意力投入和情感共鸣。
值得注意的是，遗传因素仅解释了约 30% 的个体差异，剩余 70% 的变异来源于非遗传因素，包括音乐训练、文化背景、个人经历与当下情绪状态等。这提示我们，AI 系统在模拟或识别审美情感时，不应仅依赖静态的生理特征，还需动态整合环境与上下文信息。
生物信号工程：情感计算的核心技术底座
情感计算（Affective Computing）领域已发展出成熟的生物信号采集与处理管线，为将遗传学洞见转化为工程实践提供了坚实基础。当前主流的生理信号采集包括以下几类：心电（ECG）或光电容积脉搏波（PPG）用于提取心率与心率变异性（HRV），直接反映自主神经系统的 arousal 水平；皮肤电活动（EDA/GSR）测量由汗腺活动驱动的皮肤电导变化，是交感神经激活的敏感指标；脑电图（EEG）捕捉大脑各频段的节律活动，如 θ/β 比值与注意力、情感效价的关联；呼吸率与深度则反映放松、焦虑与认知负荷状态；面部肌电（EMG）与眼动信号可捕获微表情与注视模式。
典型的情感识别流程包括：情绪建模（常采用效价 - 唤醒度连续空间或离散分类）、情感诱发（通过视频、VR 环境或交互任务获取标注数据）、预处理（滤波去噪、运动伪影校正）、特征提取（时域、频域与非线形特征）、机器学习分类 / 回归（支持向量机、神经网络、自编码器）以及多模态融合。实验表明，融合多种生理信号的系统在识别准确率上显著优于单模态方案。
工程化路径：从遗传学到 AI 情绪模型的桥梁
将寒颤研究的遗传学发现转化为可落地的工程参数，需要构建从生物标记到特征工程的完整映射。首先，可建立 “审美情感敏感性” 多基因评分（PGS）作为用户特质输入，在模型初始化时调整先验概率分布 —— 高 PGS 用户对艺术内容的情感反应阈值更低，系统应相应提升情感标签的置信度阈值。其次，开放性人格特质的遗传关联提示我们，注意力投入是寒颤触发的关键认知机制，AI 系统可通过眼动追踪或 EEG 信号实时监测用户的注意力水平，当检测到高注意力聚焦时提高对微弱情感信号的响应灵敏度。
在传感器选型与部署参数上，建议采用以下配置组合：用于连续监测的可穿戴设备至少包含 PPG（采样率≥64Hz）与 EDA 传感器（采样率≥4Hz），满足心率变异性与皮肤电导特征的提取需求；如需捕获高阶情感特征，头戴式 EEG 设备（32 通道以上，采样率≥250Hz）是必要的；采集窗口长度建议不低于 30 秒以确保 HRV 指标的稳定性，EDA 分析则需 5 秒滑动窗口进行峰值检测。在算法层面，针对寒颤这类偶发、高强度的情感事件，推荐采用时序卷积网络（TCN）或 Transformer 架构建模生理信号的动态变化，配合注意力机制识别关键情感时刻。
实践要点：参数、阈值与监控清单
对于计划将审美情感识别纳入 AI 系统的工程团队，以下参数清单具有直接参考价值：心率变异性（HRV）指标中，RMSSD（相邻 NN 间期差值均方根）低于 20ms 通常指示低唤醒状态，50ms 以上反映高度情绪波动；皮肤电反应（SCR）幅度超过 0.1μS 视为显著情绪激活事件；EEG 的 θ 波（4-8Hz）功率与 β 波（13-30Hz）功率之比高于 1.5 时，关联较强的情感投入状态。系统监控层面需关注信号质量指数（SQI），PPG 信号 SQI 低于 0.6 或 EDA 信号基线漂移超过 0.5μS 时应触发数据重采或算法降级。
综合来看，艺术诱发寒颤的遗传学研究为情感计算提供了坚实的生物学理论基础，而生物信号工程的成熟管线则为将理论转化为实践铺设了可行路径。未来的 AI 情绪识别系统若能在传统特征工程基础上纳入遗传敏感性评分与注意力状态监测，将有望实现对个体审美情感反应的更精准预测与更自然的人机交互体验。
资料来源：PLOS Genetics, "Genetic underpinnings of chills from art and music" (2026); PMC, "A Review of Emotion Recognition Using Physiological Signals"