研究使用可穿戴传感器收集并分析不同职业（护士和医生）的生理和行为数据，从而提出了一种基于任务角色的多任务深度学习模型，能够预测他们隔天多维度的健康和幸福状况，并找到与心率、睡眠和工作班次等相关的特征。

Jun, 2021

本文提出了以问卷为基础的聊天机器人心理健康评估方法，并针对一些开放式领域聊天机器人进行了评估，发现它们存在严重的心理健康问题，希望引起研究者的关注，从而提高聊天机器人在积极情感交互方面的能力。

Jan, 2022

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

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

通过自然语言处理和机器学习分类器，本研究以Reddit学术社群为对象，检测和分析与压力相关的帖子，发现Bag of Words与Logistic Regression分类器结合在压力检测上效果最佳，准确率达到77.78%，F1得分为0.79。研究结果表明，与本科生、研究生和博士生等学术层次相比，教授在Reddit社群中的帖子和评论是最具压力的。本研究对于了解学术社群压力水平具有重要意义，可以帮助学术机构和在线社群有效地解决这一问题。

Dec, 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

本研究介绍了一种基于传感器和上下文信息的增强应激学习算法，利用智能手表和智能手机的Photoplethysmography数据进行强化压力检测，提高压力检测的效率和准确性。

Jul, 2024

我们引入了一种个性化上下文感知的干预选择算法（PCAR），通过一项野外实验评估其在移动健康微干预中的表现，发现PCAR干预选择在增强移动健康微干预的参与度和功效方面表现出优越性，并确定了关键时机来减轻压力。

Jul, 2024

本研究解决了心理健康聊天机器人的安全性和可靠性评估的不足，提出了一种包含100个基准问题和理想回应的评估框架，并通过心理健康专家的验证。研究显示，采用实时数据访问的代理方法在评估准确性上优于其他方法，为心理健康聊天机器人的安全性和可靠性提供了显著提升的方案。

Aug, 2024

本研究解决了职业倦怠检测中的数据和方法不一致问题，提出了一种基于自然语言处理的文本分析新方法。通过收集真实世界的匿名数据集及整合多种模型，研究显示当前的AI方法在实际应用中需与临床专家密切协作，并强调使用更多真实数据的重要性以提升模型的效果。

Sep, 2024