arXiv cs.AI· Eric Oliver, Sagnik Dakshit·· 10 小时前AI 评分22
基于 WESAD 数据集的压力检测跨模态研究
Cross-Modality Investigation on WESAD Stress Classification
AI 导读
研究用 Transformer 模型在 WESAD 数据集上基于 ECG、EDA、EMG、RESP、TEMP 和 3 轴 ACC 信号做压力检测，单模态模型取得 99.73% 至 99.95% 的准确率、精确率和召回率。研究进一步考察跨模态表现，并通过学习到的嵌入空间 2D 可视化和基于数据方差的定量分析加以解释。
正文 · AI 翻译
摘要：深度学习的日益普及推动了其在医疗保健领域的广泛应用，AI 与传感器技术的进步提升了诊断、治疗和监测水平。在移动健康领域，AI 驱动的工具能够实现压力等状况的早期诊断与持续监测。可穿戴技术和多模态生理数据使压力检测日益可行，但模型效果取决于数据质量、数量和模态。本研究基于 WESAD 数据集开发用于压力检测的 transformer 模型，训练数据包括心电图（ECG）、皮肤电活动（EDA）、肌电图（EMG）、呼吸频率（RESP）、温度（TEMP）和三轴加速度计（ACC）信号。结果表明，单模态 transformer 在分析生理信号方面效果显著，在压力检测中达到最先进性能，准确率、精确率和召回率在 $99.73\%$ 至 $99.95\%$ 之间。此外，本研究还探索了跨模态性能，并通过学习到的嵌入空间的二维可视化和基于数据方差的定量分析对此进行了解释。尽管压力检测与监测领域已有大量研究，但这些模型在不同模态间的鲁棒性和泛化能力尚未得到探索。本研究是解释压力检测嵌入空间的初步尝试之一，为跨模态性能提供了有价值的信息。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2502.18733 [cs.LG] |
| （或 arXiv:2502.18733v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2502.18733 由 DataCite 颁发 arXiv DOI |
提交历史
来自：Sagnik Dakshit [查看邮箱]
[v1]
2025年2月26日 星期三 01:04:58 UTC（1,219 KB）
[v2]
2026年11月10日 星期二 14:59:21 UTC（885 KB）
来源：arXiv cs.AI · arxiv.org