基于变压器的电皮活动分解用于现实世界的心理健康应用

科学领域:

• 生物医学工程 生物医学工程
• 生理信号处理 生理信号处理
• 机器学习用于健康

背景情况:

• 在识别情绪和生理生物标志物方面,电皮活动 (EDA) 分解成相位和强力成分至关重要.
• 现有的方法面临着来自可穿戴设备的杂,自然数据的挑战.
• 准确的分解对于可靠的生物信号分析至关重要.

研究的目的:

• 为了比较EDA信号分解的知识驱动,统计和深度学习方法.
• 介绍和评估Feel Transformer,这是一种用于无监督EDA分解的新型深度学习模型.
• 评估模型在现实世界上的性能,来自可穿戴传感器的噪音数据.

主要方法:

• 感觉变压器的开发,这是一个基于变压器的模型,改编自Autoformer.
• 实施聚合和趋势移除机制,以实现生理上有意义的分解.
• 与Ledalab,cvxEDA和常规损耗等既有方法进行比较分析.

主要成果:

• 感觉变压器在特征忠实性 (例如SCR频率,振幅,音调斜率) 和对噪声的稳定性之间取得了很强的平衡.
• 该模型有效地分离了相位和色调组件,而不需要明确的监督.
• 在野外数据上验证了性能,在关键指标上表现优于或与传统方法相匹配.

结论:

• 感觉变压器提供了一种强大而有效的方法来分解电皮活动信号.
• 它能够处理杂的现实数据的能力使其适合于可穿戴生物传感器应用.
• 潜在的应用包括实时压力预测,数字心理健康和生理预测.