实施压力生物标志物和开发基于深度神经网络的多心理状态分类模型

科学领域:

• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学
• 可穿戴技术可穿戴技术

背景情况:

• 压力监测对公共健康至关重要.
• 现有的方法通常依赖于间接措施或有限的数据集.
• 可穿戴生物传感器为持续的,现实世界的压力评估提供了潜力.

研究的目的:

• 开发和评估一种深度学习模型,用于从大规模生物信号数据中预测压力水平.
• 评估模型解释与压力相关的生理模式的能力.
• 为了确定一个变压器模型是否可以准确地复制来自可穿戴设备的应力指数.

主要方法:

• 利用了来自西市居民的~137,000个纵向生物信号测量.
• 集成的静态机器学习 (随机森林,LightGBM) 和深度学习 (LSTM,变压器) 模型.
• 雇佣了夏普利添加式扩展 (SHAP) 和变压器注意力可视化,以实现可解释性.

主要成果:

• 变压器模型在大型数据集上实现了~98%的分类准确性.
• 该模型成功捕获了短期生物信号波动和长期时间结构.
• 模型解释性方法量化了生物标记者的贡献,并揭示了时间相互作用.

结论:

• 深度学习模型,特别是变压器,可以有效地从可穿戴生物信号数据中预测压力水平.
• 这项研究为大规模的基于可穿戴设备的压力监测提供了方法论基础.
• 证明了使用设备衍生数据的综合应力监测系统的工程可行性.