Jun, 2023

基于机器学习的焦虑检测中噪声效应的比较研究

PDF
TL;DR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。
wearable health devicesanxiety detectionreal-world conditionsmachine learning modelsnoise
发现论文，激发创造
  • 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

  • 探究焦虑的生理特征的普适性

    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

  • 个性化和泛化方法在使用消费级可穿戴设备进行情绪识别方面的比较：机器学习研究

    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

  • 可穿戴和不可穿戴传感器数据的心理压力检测：综述

    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

  • 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

  • 基于新合成数据集训练的集成机器学习模型在使用可穿戴设备进行压力预测时具有良好的泛化能力

    本文提出了一种使用多个数据集结合模型集成方法，并将其应用于压力检测的方法，该方法的表现优于仅基于单个小数据集训练的模型。

    Sep, 2022

  • 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

  • 环境噪声对阿尔茨海默病语音检测的影响：你应该让婴儿哭吗？

    通过分析 15 种环境噪音对四个机器学习模型的影响，发现有些类型的噪音有助于提高阿尔茨海默病检测模型的准确性，推荐在实际应用中利用这些噪音来取得最佳性能。

    Mar, 2022

  • 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

  • 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