生物信号诱导的情绪监测和焦虑的检测:基于回归的随机森林随机森林的传感器驱动方法
Adwitiya Mukhopadhyay1, Divyashree D P1, Ramya C A1
1Amrita School of Computing, Amrita Vishwa Vidyapeetham, Mysuru campus, Karnataka, India.
MethodsX
|December 2, 2025
概括
这项研究引入了一项新的心理健康保健计划,使用心率 (HR) 和电磁皮肤反应 (GSR) 等生理数据来准确检测焦虑. 基于回归的随机森林 (RBRF) 算法实现了95%的准确性,改善了心理健康监测.
科学领域:
- 数字健康数字健康
- 计算精神病学是一种计算精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 全球越来越多的心理健康问题需要创新的诊断和管理策略.
- 目前的心理健康评估可能是主观的,缺乏持续监测.
- 整合生理数据提供了对心理健康的客观实时洞察.
研究的目的:
- 开发和验证一个新的医疗保健计划,以积极预测和管理焦虑.
- 调查整合生理传感器数据与精神健康评估先进算法的有效性.
- 提高精神卫生保健服务的准确性和可访问性.
主要方法:
- 使用非侵入式传感器收集生理数据,包括心率 (HR) 和电动皮肤反应 (GSR).
- 开发和应用一个新的基于回归的随机森林 (RBRF) 数据分析算法.
- 在大型数据集上对RBRF算法的性能进行实证验证.
主要成果:
- RBRF算法表现出高准确度,在识别焦虑时达到95%.
- 该研究成功地整合了用于心理健康监测的生理数据.
- 基于传感器的数据分析证明在理解焦虑的生理相关性方面是有效的.
结论:
- 开发的基于传感器的方法,由RBRF算法提供动力,显示了早期焦虑检测和管理的巨大潜力.
- 这种新的医疗保健计划可以为个人提供主动心理健康监测工具.
- 这些发现强调了技术和数据科学在推进精神卫生保健准确性和有效性方面的变革性影响.
