.png){kind=icon}
返回
Deep learning-based stress detection using multimodal biosignals
.png){kind=icon}
OA
AI
DOI：10.1007/s41060-026-01270-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
压力相关的健康问题推动了对敏感、实时监测设备的需求，这些设备能够在自然环境中捕捉心理生理压力动态。本研究提出了一种基于深度学习的压力检测系统，结合了大学学生在心理课程和考试中经历受控压力时同步采集的生理信号和调查数据。我们分析了两种复杂度不同的模型：一种基于深度神经网络（DNN）的模型用于静态生理模式，另一种基于长短期记忆网络（LSTM）的模型用于捕捉生物信号的时间依赖性。DNN模型（准确率86.42%）的性能不及LSTM模型（准确率94.14%）。统计结果显示压力与性别（女性：μ=2.2，男性：μ=2.7，p<0.05）和吸烟（吸烟者：μ=3.7，非吸烟者：μ=2.2，p<0.05）存在关联，学业因素也影响了压力感知。压力评分与自我报告测量结果一致，验证了模型的可靠性。
Keyword:
Psychological experiments
Stress response
Biosignals
Multivariate approximation model
LSTM
期刊
I
IF:
2.8
论文数:
1.0K
被引数:
1.3K
机构
引用论文
A systematic study of the class imbalance problem in convolutional neural networks卷积神经网络中类不平衡问题的系统研究.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Stress detection through wearable EEG technology: A signal-based approach通过可穿戴EEG技术进行压力检测：一种基于信号的方法
PREAI
分享收藏Developing an explainable Deep Neural Network for stress detection using biosignals and human-engineered features开发一种用于压力检测的可解释深度神经网络，利用生物信号和人工工程特征
PREAI
分享收藏分享收藏
查看更多内容