一种机器学习方法用于在自由生活环境中使用可穿戴传感器检测压力

科学领域:

• 生理学 生理学 生理学
• 计算机科学 计算机科学
• 医疗信息学 医疗信息学

背景情况:

• 压力会对身体和精神健康产生负面影响,需要及早检测.
• 可穿戴式传感器为压力检测提供了对生命体征的非侵入性,持续监测.
• 现有的研究主要集中在受控环境中的压力数据上.

研究的目的:

• 提出和评估一种基于机器学习的方法,用于使用可穿戴传感器数据在自由生活环境中检测压力.
• 为了比较各种机器学习模型的性能,用于压力分类.
• 调查数据平衡技术 (SMOTE) 对应力分类准确性的影响.

主要方法:

• 使用SWEET数据集,包括240名受试者的心电图 (ECG),皮肤温度 (ST) 和皮肤导电 (SC).
• 评估K-最近邻居 (KNN),支持向量分类 (SVC),决策树 (DT),随机森林 (RF) 和XGBoost (XGB) 模型.
• 在二进制和多类分类场景中评估模型,无论是否使用合成少数群体过量采样技术 (SMOTE).

主要成果:

• 随机森林在没有SMOTE的情况下实现了98.29%的准确性和97.89%的F1分数.
• 在SMOTE的二进制分类中,K-Nearest Neighbors (KNN) 的表现最好 (95.70%的准确性和F1得分).
• 随机森林在没有SMOTE的三级分类中脱而出 (97.98%的准确率,97.22%的F1得分),而XGBoost在SMOTE (98.98%的准确率和F1得分) 领先.

结论:

• 机器学习模型通过可穿戴传感器数据有效地检测自由生活环境中的压力.
• 模型选择和预处理技术显著影响应力分类性能.
• 该研究强调了可穿戴技术和人工智能在实时压力管理方面的潜力.