Apr, 2023

面向个性化压力监测的主动强化学习在日常环境中的应用

PDF
TL;DR本文提出了一种上下文感知的主动学习策略，并开发了一个多层传感器边缘云平台，以捕获生理信号并即时处理，以及收集标签并重新训练检测模型。结果表明，所提出的上下文感知主动学习技术相对于基于随机策略和传统主动学习策略，在使用者查询方面分别减少 88％和 32％，同时达到理想的检测性能。
sensor-based monitoringpersonalizationfine-grain stress detectionactive learning strategywearable sensors
发现论文，激发创造
  • 基于可穿戴设备和移动技术的日常环境下上下文感知的压力监测

    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

  • 压力移动传感的个性化使用自我监督学习

    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

  • 基于可穿戴设备的野外瞬时压力检测的半监督学习和数据增强

    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

  • 个性化预测多模态时间序列数据上经常性压力事件的自监督学习

    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

  • 可推广的机器学习用于来自可穿戴设备的压力监测：系统性文献综述

    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

  • 使用部分标记的生理数据的半监督生成对抗网络进行压力检测

    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

  • 使用生理信号的多任务神经网络进行个性化驾驶员压力检测

    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

  • 多模态机器学习在压力检测中的应用

    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

  • 基于手机数据、天气状况和个体特征的每日压力识别

    通过分析用户的移动电话活动和额外指标，如天气条件和人格特征等数据，我们提出了一种替代方法，可靠地识别日常压力水平，并且高效易实现。

    Oct, 2014

  • 利用自监督学习识别穿戴设备记录的超级马里奥游戏、大学考试或体育锻炼的受试者的情绪急性发作

    通过个人感应、利用从患者的生态环境中持续收集的可穿戴设备数据被动地监测情绪障碍（MDs），这是一种有希望成为监测全球疾病负担主要决定因素的前景。本文通过自监督学习（SSL）利用无标签数据在预训练过程中学习表达，然后用于监督任务，克服了数据瓶颈，推进了从可穿戴设备数据中检测 MDs 急性发作与稳定状态的方法。

    Nov, 2023