在可穿戴传感器测量中用于压力检测的可解释的深度学习方法

科学领域:

• 计算神经科学是一种计算神经科学.
• 情感计算是一种情感计算.
• 可穿戴技术是可穿戴的技术.

背景情况:

• 压力对人类健康产生重大影响.
• 可穿戴式传感器和深度学习为检测情绪状态提供了新的途径.
• 准确,实时的压力检测可以在关键情况下减轻健康风险.

研究的目的:

• 为自动压力检测提出一个可解释的深度学习方法.
• 为了利用来自Empatica E4腕带的生理传感器数据.
• 为了应对传感器测量中低数据模式的挑战.

主要方法:

• 开发了一个长期短期记忆 (LSTM) 网络,增强了条件GAN (LSTM DGE) 的深度生成组合.
• 采用集成梯度 (IG) 来实现模型可解释性,识别关键预测特征.
• 与最先进的基于专家的压力检测方法进行性能比较.

主要成果:

• LSTM DGE 模型实现了卓越的性能,在回忆率上表现比最先进的模型高3%,精度高7.18%.
• 综合梯度分析揭示了模型识别的应力特征 (电皮活性) 和已建立的文献之间的显著重叠.
• 证明了该模型能够为压力检测提供可解释的见解的能力.

结论:

• 拟议的LSTM DGE模型提供了使用可穿戴传感器数据进行压力检测的有效和可解释的方法.
• 通过集成梯度的可解释性验证了模型对生理学相关特征的依赖.
• 这种方法对在现实世界应用中推进压力监测具有前景.