Ai-driven multi-model stress detection using physiological dynamics

doi:10.1186/s13634-026-01313-3

Ai-driven multi-model stress detection using physiological dynamics

2026-03-01

0

PRE

AI

M

Manikandaprabhu Perumalsamy *

DOI：10.1186/s13634-026-01313-3

原文链接

原文求助

摘要

En 中文

压力是一种复杂的身心状况，极大地影响健康、生活质量和生产力，并与多种身心疾病的发展直接相关。本研究介绍了一种基于WESAD数据集的多模态数据集级压力分类框架，用于同步心电图（ECG）、肌电图（EMG）和血容量脉搏（BVP）信号，该数据集记录了15名受试者在受控实验室环境中的数据。所提出的流程结合了生理相关的预处理、自适应分段、特征级多模态融合和机器学习分类，以模拟心血管、肌肉和血管压力反应。处理了超过6000万个原始样本以形成37,498个多模态窗口，并通过严格的留一受试者交叉验证（LOSO）协议进行交叉验证，以确保对受试者的独立评估。在此评估中，逻辑回归在受控数据集条件下证明了方法学上的可行性。与深度学习方法相比，经典机器学习模型在LOSO条件下表现出竞争性的稳定性，尽管性能可能因更大或更多样化的数据集而异。通过类别加权和多数投票窗口标记解决了类别不平衡问题（11.5%的样本为压力样本）。计算机分析具有低推理延迟（0.183毫秒）和高吞吐量（5,464窗口/秒），表明在受控数据集条件下具有离线可行性，但不意味着准备好用于实时或硬件部署。该框架提供了可解释的生理特征，可用于工作场所心理健康研究、远程压力测量和高压力工作研究。在方法论层面，本研究与可持续发展目标3（良好健康与福祉）和可持续发展目标8（体面工作和经济增长）相关，因为它为压力分析研究提供了可复现的基础。

Keyword:

Multimodal stress detection

Exploratory framework

Physiological signals

LOSO cross-validation

Wearable sensors

Cross-device fusion

Good Health and Well-Being

Decent Work and Economic Growth

Sustainable Development Goals

Ai-driven multi-model stress detection using physiological dynamics

摘要

期刊

机构

引用论文