基于机器学习的检测来自身体姿势和运动的急性心理社会压力

科学领域:

• 心理生理学 心理生理学
• 行为神经科学 行为神经科学
• 机器学习应用 机器学习应用

背景情况:

• 了解急性压力反应对于破译压力机制至关重要.
• 目前的压力评估依赖于主观的自我报告或复杂的实验室生物标志物.
• 身体运动受到负面情绪和威胁状况的影响,这表明它们具有压力评估的潜力.

研究的目的:

• 调查急性心理社会压力与可观察到的身体姿势和运动之间的关系.
• 探索使用运动数据用于客观检测急性应激的可行性.

主要方法:

• 收集了来自59名参与者的全身运动数据,这些数据来自两项使用基于惯性测量单位 (IMU) 的运动捕捉套装的研究.
• 参与者接受了特里尔社会压力测试 (TSST) 和随机顺序的对照条件 (友好-TSST).
• 训练有素的机器学习模型,以仅基于收集的运动数据来检测急性压力.

主要成果:

• 急性心理社会压力诱导导致可重现的结行为,其特点是总体运动减少和不动的时间增加.
• 机器学习管道在从移动数据中检测急性压力方面取得了显著的准确性 (为了简洁性而省略了特定的准确性).
• 这项研究提供了第一个系统的证据,证明身体的姿势和运动可以客观地表明暴露于急性心理社会压力.

结论:

• 身体运动分析,特别是"结"行为,为检测急性心理社会压力提供了一种新的客观方法.
• 运动信息可以作为现有的压力生物标志物的宝贵补充,为人类应激反应提供更全面的理解.
• 需要进一步验证,但这种方法对推进压力评估方法有前途.