综述当前利用可穿戴设备和机器学习技术监测与检测压力的研究，概括了公开的应力数据集、机器学习技术和未来研究方向。纵观文献，指出存在诸如标记方案、统计功效、压力生物标志物的有效性、广义能力等方面的问题。未来的研究会继续提供改进，随着新的、更丰富的数据集变得可用，现有的机器学习模型的泛化仍需要进一步研究。

Sep, 2022

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

本研究讨论了在野外利用未标记的可穿戴传感器数据进行压力检测的方法，该方法结合了数据增强技术、自编码器和半监督学习等方法，通过实验验证，相较于基准监督学习模型，可以将压力分类性能提高 7.7% 到 13.8%。

Feb, 2022

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

我们研究了使用可穿戴生物信号数据进行三类情绪分类（中性、压力和娱乐）的个性化和普遍化机器学习模型之间的差异，并发现个性化模型在特定情境下表现优于普遍化模型。

Aug, 2023

本研究探讨了基于心电图 (ECG) 的深度学习模型和基于手工特征 HRV 的应力识别模型对应力数据的概括能力，并发现 HRV 模型在不同数据集上的表现显著优于深度学习模型。

Oct, 2022

使用机器学习技术检测焦虑和压力的效果已得到证明，本研究通过对心电图 (ECG) 和电脑皮肤反应 (EDA) 信号提取的特征进行统计回归分析以及跨数据集验证的方法，第一次对焦虑和高度兴奋情绪之间的关系进行了跨数据集评估，发现模型可能更多地识别情绪激发而非压力。

Jan, 2024

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

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

通过比较不同程度的噪音对生理唤醒分类问题分类模型的影响，该研究探讨了为什么和如何以前的方法失败，并分析了噪音对每个模型结构的影响，从而开发出对噪音环境具有鲁棒性的模型，适合于日常生活的喧嚣。

Jun, 2023