94、面向消费级可穿戴设备的改进型独立于受试者的压力检测模型

面向消费级可穿戴设备的改进型独立于受试者的压力检测模型

1. 引言

近年来，传感器技术的发展使得消费级和医疗级可穿戴设备得以普及，这推动了个人传感研究，其应用涵盖自我量化、生活日志记录和医疗保健等领域。同时，也催生了许多大型多模态个人数据集，包含被动视觉捕捉、移动设备上下文、生理数据等不同类型的数据。然而，在多模态个人数据集中，虽然记录了多种数据源，但目前研究主要集中在视觉及相关元数据（如语义位置、日常生活活动、日期和时间）的组合上，而生理信号常被忽视。

消费级健康追踪可穿戴设备（如Empatica E4腕带、Fitbit传感器、Garmin手表）越来越能够实时捕捉生理信号，这为开发自动情绪识别系统和自动压力检测模型提供了可能。但目前该领域的研究仍受一些挑战的限制。

构建压力检测模型有两种传统方法，即独立于受试者的模型和依赖于受试者的模型。依赖于受试者的压力检测模型假设每个人对压力刺激的生理反应不同，压力监测系统需要适应个体的压力模式，因此使用个体自身数据训练的模型可能更准确。不过，独立于受试者的模型对于消费级应用场景更具实用性和成本效益。为了解决相关问题，我们研究了消费级可穿戴设备记录的生理数据在自动压力检测中的应用，并提出了一种提高独立于受试者的压力检测准确性的新模型。

本文的主要贡献如下：
1. 通过大量实验证明，融合消费级可穿戴设备的多个传感器源可提高压力检测模型的准确性，优于单独使用每个信号。
2. 提出了一种生物信号处理管道和一种新的训练方法，用于独立于受试者的模型学习EDA、BVP、ST及其融合的压力/非压力模式。
3. 所提出的模型优于传统机器学习方法，在相同实验数据集上比现有最先进的模型准确率高1.63%。 </