智能电子教练的压力评估
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
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
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
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
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
本文介绍一种数据驱动的 6 阶段方法,用于建立具有同情心的人工智能(EAI),该方法可从原始聊天日志数据中检测关键情感状态,识别常见的序列和情感调节策略,并将其推广以使其适用于干预系统,应用于 (严肃) 视频游戏之中。
Feb, 2023
通过计算逻辑、决策、压力传播等等三个部分的组合模型监测人类任务组和自动化机器的压力状态,以识别可能导致任务失败的情况,同时提出了决策表和决策图等数据结构工具以适用于人机协同。
Nov, 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
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