将焦虑检测从受控条件下的多模式可穿戴设备扩展到现实世界的环境中.

科学领域:

• 生物医学工程 生物医学工程
• 机器学习应用 机器学习应用
• 可穿戴技术可穿戴技术

背景情况:

• 机器学习 (ML) 模型越来越多地与可穿戴技术一起用于健康监测.
• 在受控环境中训练的模型在应用于真实世界的数据时,由于环境噪音和变异性,经常面临挑战.

研究的目的:

• 通过使用可穿戴传感器数据在现实环境中对基于特征的ML模型的性能进行定量评估.
• 调查这些模型对各种环境噪声的稳定性,并分析转移学习的影响.

主要方法:

• 使用基于特征的ML模型 (XGBoost,决策树) 与来自年轻成年人的真实数据.
• 使用标准数据集 (例如WESAD) 分析转移学习的有效性,以适应复杂的场景.
• 检查的特征在诸如皮电活动 (EDA) 和心电图 (ECG) 等生理信号中的重要性.

主要成果:

• 基于特征的模型,特别是XGBoost和决策树,表现出显著的弹性,并在不同的噪音水平上保持了准确性.
• 转移学习显示了模型适应现实世界复杂性的潜力,但也显示了模型适应现实世界的局限性.
• 整合多种生理数据类型 (EDA,ECG) 显著提高了模型的稳定性.

结论:

• 基于特征的ML模型显示出对可穿戴技术的实际应用有很大的希望.
• 了解信号贡献和解决环境噪声对于提高模型有效性至关重要.
• 多模体生理数据集成是强大的现实世界ML模型性能的关键.