通过使用半监督学习来减轻野生压力监测密集标签的负担
Osman Tugay Başaran1, Yekta Said Can2, Elisabeth André2
1Computer and Communication Systems (CCS) Labs, Telecommunication Networks Group (TKN), Department of Electrical Engineering and Computer Science, Technische Universität Berlin, Berlin, Germany.
Frontiers in psychology
|January 22, 2024
概括
半监督学习 (SSL) 模型通过可穿戴设备改善压力识别. SSL模型以较少的标记数据实现高精度,从而推进现实世界的压力监测.
科学领域:
- 计算科学 计算科学
- 心理学 心理学 心理学
- 生物医学工程 生物医学工程
背景情况:
- 压力显著影响个人福祉和生活质量.
- 可穿戴设备通过机器学习收集生理数据用于压力监测.
- 精确的数据标签用于压力识别模型是现实应用中的一个主要挑战.
研究的目的:
- 为压力识别提出和评估半监督学习 (SSL) 模型.
- 为了应对与压力相关的研究中有限的标记数据的挑战.
- 将SSL模型的性能与监督和无监督学习方法进行比较.
主要方法:
- 实施半监督学习 (SSL) 模型用于压力识别.
- 利用可穿戴设备数据,包括心率变化,运动和皮电活动.
- 与基于深度学习的监督模型和基于集群的无监督模型进行比较.
主要成果:
- 通过标签传播 (LP) 增强数据训练的分类器,SSL模型实现了77%的准确性.
- 使用SSL的深度自动编码网络实现了76%的准确性.
- SSL模型在无监督方法中表现出优异的性能,并且与有限的标记数据的监督方法相比,结果可比.
结论:
- SSL模型提供了一个可行的解决方案,用于精确的压力识别,减少标签工作.
- 这些发现支持开发更高效,更精确的压力监测系统.
- 这项研究促进了对压力的理解,将其视为一种自然过程,而不仅仅是疾病.


