本文介绍了一份多年的被动监测数据集，用于支持进行跨数据集评估行为建模算法的泛化性能，并提供 18 种算法在抑郁症检测任务上的基准结果。结果表明，先前的抑郁症检测算法和领域泛化技术都有潜力但需要进一步研究才能实现充分的跨数据集泛化能力。

Nov, 2022

描述了一个数据收集活动和由智能手机传感器得出的数据集，该数据集作为包含 45K 多个数据样本的 CSV 文件集合发布，每个样本由 1332 个与物理和虚拟传感器相关的特征组成，包括动作传感器、运行应用、附近设备和天气条件。此外，每个数据样本都与描述用户活动和传感实验中的情境（例如工作、就餐和运动活动）的基本真实标签相关联。为了避免引入数据收集过程中的任何偏差，我们在野外进行了传感实验，即使用志愿者的设备，并且没有限制用户行为。因此，收集的数据集对于定义和评估移动环境中根据用户情境变化调整行为的各种新颖背景感知解决方案（算法和协议）是一个有用的真实数据来源。

Jul, 2023

研究使用可穿戴传感器收集并分析不同职业（护士和医生）的生理和行为数据，从而提出了一种基于任务角色的多任务深度学习模型，能够预测他们隔天多维度的健康和幸福状况，并找到与心率、睡眠和工作班次等相关的特征。

Jun, 2021

每日监测的紧迫性与重要性日益凸显，本研究提出了一种利用生理信号和环境信息的实时监测系统来追踪和预测每日压力水平的方法，并通过集成智能标签方法来优化压力检测的机器学习模型。实验结果显示，利用脉搏波图和环境信息结合的随机森林分类器，F1 得分可达到 70%，较仅使用脉搏波图的 56% 得分更为显著。

Dec, 2023

本文介绍了一种基于传感器和软件的远程教育学生监测平台，旨在通过获取生物特征和行为数据解决远程评估中学生监测的现有挑战，并提供了包含基本传感器和高级传感器数据的初始数据库，以帮助提高异常检测的能力。

Dec, 2019

通过分析根据被动捕捉的数据预测日常自我报告的压力和 PHQ-9 抑郁评分，我们发现 WiFi 特征（编码移动模式）和电话日志特征（编码与睡眠模式相关的信息）对于压力和抑郁预测提供了显著信息。

Oct, 2023

通过使用前沿的可穿戴监测技术，该研究在 FP1 通道的脑电图数据和次要职业学生的心率变异性数据上进行高精度、高时间分辨率的认知负荷评估，综合分析这两个关键生理指标，研究其在评估次要职业学生认知负荷中的应用价值以及在不同任务中的效用。该研究设计了两个实验证明了所提出方法的有效性：首先，使用 N-Back 任务开发的随机森林分类模型能够对处于不同认知负荷水平下的次要职业学生的生理信号特征进行精确解码，实现了 97% 的分类准确率。随后，在国家计算机等级考试中应用该分类模型进行交叉任务实验，展示了该方法在不同学习环境中的显著适用性和跨任务的可转移性。该研究具有高可移植性，对于优化次要职业教育中的教学资源配置以及认知负荷评估方法和监测具有重要的理论和实践意义。目前，研究结果正在学校进行试行实施。

Jun, 2024

通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

Jun, 2021

使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

Nov, 2023

通过使用自我监督学习方法，基于由可穿戴消费设备收集的大规模脉搏波和心电图数据，构建了一种能够编码参与者人口统计数据和健康状况信息的计算模型。这是第一项使用大规模数据集构建基础模型的研究，有望减少对标注数据的依赖，并提升未来可穿戴设备的效用。

Dec, 2023