本研究提出了一种声音压力检测的方法，通过将说话人嵌入到混合 BYOL-S 特征中，解决了个体差异性的问题，对于不同类型的压力和语言，表现出了很好的性能。

Jun, 2023

本文介绍了使用可穿戴设备通过皮肤电和心率等多模态生理数据获取个性化的压力识别方法，基于多任务学习的神经网络方法能够成功应用在真实驾驶和模拟驾驶的数据中。

Nov, 2017

使用穿戴设备收集的生物信号数据进行压力预测，通过个性化的自监督学习方法，基于神经网络模型实现了较少标注数据即可达到等效结果，从而辅助移动感知技术在诸如压力等复杂、异质和主观主题上精准度健康评估系统。

Aug, 2023

该研究提出了一种基于多模态人工智能的框架，以监测一个人的工作行为和压力水平，并发现导致精神紧张和疲劳的个性化独特行为模式，从而检测和分类压力，准确率为 96.09％，可以帮助社区大众，特别是在 COVID-19 当前时间工作久坐人群监测和识别压力水平。

Jun, 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

利用可穿戴生物信号数据开发了一种多模式个性化应激预测系统，使用自监督学习模型进行预训练，并在少量注释数据下优于非自监督学习模型。该模型具有个性化的预测能力，可应用于使用复杂多模态数据流进行各种周期性健康事件的个性化预测。

Jul, 2023

本文研究了使用可穿戴传感器收集生理数据来探测情感状态的方法，指出了使用机器学习算法对已标记的生理数据进行情感状态检测的方法存在的问题，提出了使用半监督学习算法来减少标记成本的解决方案，并通过在公开数据集 WESAD 进行实验比较了半监督算法和全监督算法的性能，结果表明半监督算法是一种价格低廉且具有准确性的检测情感状态的有效方法。

Jun, 2022

本研究使用德语说话者的 Ulm-TSST 数据集，通过使用音频 - 视觉记录和生物信号特征来预测情绪唤醒和价值评估的水平，利用 LSTM 和自我注意机制来捕捉其复杂的时序依赖关系，并借助迟到融合策略进一步提高其识别性能。

Oct, 2021

该综述系统评估了机器学习在检测、预测和分析心理压力及相关心理障碍方面的应用。研究发现，支持向量机、神经网络和随机森林模型在所有算法中表现出色，生理参数如心率和皮肤反应是用于压力预测的常见参数，降维技术在训练机器学习算法之前是一个关键步骤。该综述还指出了研究领域的重要空白和未来发展方向。

Aug, 2023

本研究综合评估了文献中存在的重要主观和客观人体应激检测技术。特别是，使用可穿戴传感器和非穿戴传感器获得数据的心理、生理、物理和行为测量方法被详细研究，从而为未来的研究提供参考建议，利用人工智能技术实现有效检测人类应激状态。

Feb, 2022