- 元学习和数据增强用于压力测试预测模型
本文提出了一种名为 MAST(元学习和数据增强用于压力测试)的新型框架,旨在对单变量时间序列预测模型中的压力进行建模和表征,重点关注其在出现大误差的条件下的表现;该方法基于一组统计时间序列特征,通过元学习预测给定时间序列上给定模型表现不佳的 - 深度学习用于因果推断:异质处理效应估计体系结构的比较
通过开发一个全连接的神经网络,实现了 Bayesian Causal Forest 算法的神经网络因果推断架构,并将该方法应用于研究应激对睡眠的影响,展示了在模拟环境中性能的提升。
- 测量心理健康的非典型情绪:计算方法调查
对非典型情绪(如压力、抑郁和投入度)的分析比常见的情绪(如幸福、悲伤、恐惧和愤怒)更为复杂和不常见。这篇论文介绍了计算方法用于分析压力、抑郁和投入度的先前研究和最新技术,探讨了常用的数据集、输入模式、数据处理技术和信息融合方法,并概述了应用 - 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 - 分析不同被动采集数据对于预测压力和抑郁的贡献
通过分析根据被动捕捉的数据预测日常自我报告的压力和 PHQ-9 抑郁评分,我们发现 WiFi 特征(编码移动模式)和电话日志特征(编码与睡眠模式相关的信息)对于压力和抑郁预测提供了显著信息。
- 辅助居家生活的思辩感知环境智能系统
提出了一个用于舒缓压力的老年人辅助居住环境下的反思架构,实现环境感知、规划能力和对环境的上下文感知,通过对实验案例研究进行验证,表明反思功能已有效实现其目标。
- 社交媒体中识别压力和抑郁的多任务学习
该研究使用两个数据集,提出了两个多任务学习框架,使用抑郁症和压力作为主要和辅助任务,旨在利用社交媒体挖掘抑郁和压力信息,实现其早期识别。实验显示,该方法相比于传统单任务学习和迁移学习有多重优势。
- 有限发射次数下近场 iToF LIDAR 深度提高
利用单个调制频率的较少原始数据样本和传感器灰度输出来减少激光组件的应力和功耗,我们研究了两种不同方法以恢复 LiDAR 的整个深度范围。
- ICML基于心电图的压力检测模型的普适性
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。
- 移动设备实时监测用户压力、心率和心率变异性
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 - 手工制作与可学习的混合音频表示,用于认知和身体负荷下的语音分析
本文提出了一种使用手工特征和基于数据驱动深度神经网络表示的自监督音频表示方法,用于检测语音中负荷相关的压力。此方法在多个数据集中展现优异性能,胜过传统数字信号处理方法和最新的基于深度神经网络的声音表示学习方法。
- AAAI社交媒体揭示中国城乡压力差异
本文从微博的用户中研究表达压力的语言差异现象,发现在控制了社会经济和性别差异的情况下,中国的城乡居民在表达压力时具有很大的差异,且这种差异是城乡地区的不同环境和生活方式导致的。
- ACLMUSER:利用情感识别作为辅助任务的多模态压力检测
本研究探讨利用情感识别作为辅助任务以提高应对压力的检测,提出 MUSER 模型并针对该模型设计基于速度的动态采样策略的多任务学习算法,在 Multimodal Stressed Emotion(MuSE)数据集上的表现达到了最新的最佳结果。
- Dreaddit: 社交媒体中的压力分析 Reddit 数据集
这篇论文介绍了一份新的文本语料库 Dreaddit,该语料库包含来自五个不同类别 Reddit 社群的 19 万条帖子,用于识别长篇社交媒体数据中的压力表征,并提出了基于监督学习的方法。
- 众包集体情感智能
该研究提出了一种利用集体智慧协助个人重新评估应对压力的方法,并通过两个实验验证了它的可行性,基于此可以通过众包获取共情方法。