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
使用智能手表传感器预测用户情绪,通过使用英文和区域语言视频收集数据,将问题建模为二元分类,并使用多个机器学习模型进行试验,发现多层感知器对愉快 - 不愉快情绪的分类具有最高准确率达到 93.75%。
Aug, 2023
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
研究论文探讨了针对自闭症谱系障碍儿童的数字化移动治疗中情绪识别和唤起的挑战,通过模型个性化训练来提高情绪识别模型在数字化健康疗法中的性能。
Sep, 2023
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
本研究提出一种多模态深度学习模型,结合了转换器编码器和预训练语言模型,利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究,监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数,以及开放式的文本日记,实证结果表明该模型在提前一周预测积极和消极情感方面的准确率分别为 82.50% 和 82.76%。该模型的解释性进一步提高了其有效性。
Mar, 2024
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
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
通过使用消费级可穿戴设备和自我报告测量,本研究旨在弥合实验室研究和现实场景之间的差距,评估可穿戴设备在捕捉用户情绪状态上的有效性,研究结果表明,区分高和低正面情绪有着很大潜力,该研究为移动心理健康干预领域开辟了未来研究的途径。
Dec, 2023
本研究探索了一种新的情感识别方法,通过选择适用于生理干扰的特征和机器学习模型来提高情感识别的精确性,研究结果表明这种方法能够在非受干扰的情况下实现高达 73.35%的情感分类准确度,可以消除单一体力活动对情感识别的影响。
Nov, 2018