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

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

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

通过Beam AI SDK，可以使用手机自拍摄像头实时监测用户的脉冲波，以Baevsky压力指数评估用户的压力状态，评测结果表明该技术在心率测试方面的准确率达到99.2％，比竞争方法的误差率低近一倍，可以帮助移动应用程序进行内容决策。

Oct, 2022

本研究探讨了基于心电图 (ECG) 的深度学习模型和基于手工特征 HRV 的应力识别模型对应力数据的概括能力，并发现 HRV 模型在不同数据集上的表现显著优于深度学习模型。

Oct, 2022

该研究使用心率变异性指标以及光电容积描记传感器技术，综合信号处理和机器学习技术来准确推断心率变异性，能在少于1ms的推断时间内保证13.0%至9.1%的误差，使其更适用于小型嵌入式设备和未来的医疗保健监测应用中。

Mar, 2023

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

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

利用心率变异性（HRV）特征进行自动应激检测已经得到显著推广，它利用不引人注意的可穿戴传感器测量信号，如心电图（ECG）或血容量脉搏（BVP）。然而，通过这些生理信号检测应激存在相当大的挑战，因为记录的信号受到感知的应激强度和测量设备等因素的影响。本研究旨在探索基于HRV特征训练的机器学习模型在二分类应激检测中的通用性，并确定对通用性具有最重要影响的数据集特征。我们利用四个公开可得到的应激数据集（WESAD，SWELL-KW，ForDigitStress，VerBIO），这些数据集在应激诱发技术、应激强度和传感器设备等方面具有差异。通过交叉数据集评估方法，我们探究了哪些特征对模型的通用性影响最大。研究结果揭示了影响模型通用性的一个关键因素：应激类型。当应激类型保持一致时，模型在不同数据集上表现良好。而应激强度或测量设备品牌等因素对交叉数据集性能的影响较小。根据我们的发现，我们建议在新环境中部署基于HRV的应激模型时匹配应激类型。据我们所知，这是第一项系统研究HRV-based应激模型的跨数据集适用性影响因素。

May, 2024

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