使用时间频率分析和机器学习框架进行压力检测

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 心理生理学 心理生理学

背景情况:

• 慢性压力会对身体和精神健康产生负面影响,导致抑郁症和心脏病等疾病.
• 早期发现压力对于减轻不良健康影响至关重要.
• 生理信号为压力评估提供了客观的措施.

研究的目的:

• 开发和验证基于机器学习 (ML) 的模型,以准确有效地识别压力.
• 探索节拍间隔 (IBI) 和电皮活动 (EDA) 信号在压力检测中的实用性.
• 为了减少压力识别模型的计算要求.

主要方法:

• 使用K-EmoCon和WESAD数据集,通过Empatica E4腕带获取IBI和EDA信号.
• 使用集体实证模式分解 (EEMD) 和希尔伯特变换 (HT) 提取的时间频率特征.
• 采用传统的ML模型,包括k-最近邻居 (k-NN),以即时频率 (IF) 为输入.

主要成果:

• 该k-NN模型实现了高性能,精度约为99.85%和F1得分为99.87%.
• 拟议的方法显示了较低的计算功率要求,适用于资源有限的环境.
• 通过Fitbit智能手表的实时数据进行验证,证实了该模型的效率和性能提升.

结论:

• 基于ML的模型有效地使用IBI和EDA信号高精度地识别压力.
• 该方法为实时压力监测提供了一种计算效率高的方法.
• 这项研究通过早期发现压力,有助于积极主动地管理心理和身体健康.