为学校提供心理健康支持,使用使用深度学习的可穿戴生物传感器监测

科学领域:

• 可穿戴技术是可穿戴的技术.
• 心理状态监测 心理状态监测
• 生物医学信号处理

背景情况:

• 校园心理健康支持系统需要智能感知和识别学生的心理健康.
• 微电机系统 (MEMS) 传感器对于开发可穿戴健康监测解决方案至关重要.
• 多模态行为-生理信号融合是准确的心理状态评估的一个新兴领域.

研究的目的:

• 为智能校园心理健康监测提出基于注意力的多式心理状态网络 (MAP-Net).
• 开发一个标准化的MEMS数据处理流程,用于提取行为生理标记.
• 通过多源信号的动态加权建模,提高心理状态变化检测的准确性.

主要方法:

• 构建了一个标准化的微电机系统 (MEMS) 数据处理流程.
• 提取行为生理标记,如光谱能量和样本.
• 设计了一个深度特征提取结构,其中包含了用于多式联络信号融合的注意力机制.

主要成果:

• 通过三种模式输入,MAP-Net实现了高精度 (96.88%),回忆 (94.21%) 和F1得分 (94.91%).
• 在异常检测率 (91.43%) 和警告准确性 (93.12%) 中表现出最佳性能.
• 展现出优越的长期稳定性,在1500分钟内仅有3.2%的精度下降,超过了MulT和MDNN-Stress.

结论:

• 在校园心理健康监测中,MAP-Net被证明是有效和可靠的.
• 该模型为可扩展的心理健康监测和预警系统提供了坚实的技术基础.
• 这项研究支持校园环境中的及时干预策略.