针对IoMT环境的生物识别数据进行轻量化压力监测
Carlos Montoya-Peña1, Juan Francisco Gaitán-Guerrero2, Macarena Espinilla2
1Faculty of Engineering, Don Bosco University, School of Electronics, Soyapango, 1874, El Salvador.
Computer methods and programs in biomedicine
|February 20, 2026
概括
这项研究开发了一种轻量级的框架,用于在资源有限的设备上使用机器学习来检测压力. 6个特征的缩减组实现了高准确性,使医疗物联网应用程序的高效,个性化压力监测成为可能.
科学领域:
- 生理反应机制 生理反应机制
- 机器学习在医疗保健中的应用.
- 医疗事物的互联网 (IoMT)
背景情况:
- 长时间的压力会对身体和精神健康产生负面影响,需要早期检测.
- 现有的压力检测方法通常需要大量的数据和计算,限制了它们在边缘计算环境中的使用.
- 在IoMT中,资源有限的设备需要轻量级和高效的应力检测模型.
研究的目的:
- 为基于边缘的IoMT部署量身定制的压力检测提出一个轻量级和高效的方法框架.
- 为了评估各种机器学习算法的性能,使用减少的特征集来检测压力.
- 为了在具有有限计算能力的设备上实现准确和个性化的压力检测.
主要方法:
- 通过使用WESAD数据集中的心率变量 (HRV) 和呼吸系统特征,评估了8个监督机器学习算法.
- 采用了两阶段的框架,将人口层面的培训与特定学科的适应相结合.
- 模型性能通过逐渐减少维度来评估,使用 15,10,8,6 和 4 个特征的特征子集.
主要成果:
- 具体对象的适应在评估模型中显著提高了应激检测性能.
- XGBoost在10个特征中实现了最高的平衡精度 (95.1%±4.7%),超过了所有15个特征的性能.
- 较少的一组6个特征被确定为最佳,没有显著的性能损失,并保持高概率超过其他模型.
结论:
- 精确和个性化的压力检测可以通过减少功能集来实现,适合实时部署.
- 拟议的框架使可穿戴和基于IoMT的监控系统能够使用高效和可解释的机器学习模型.
- 轻量级应力检测模型可用于边缘计算,推进IoMT功能.
