AdaptStress：基于多变量稀疏生理信号的在线自适应可解释个性化压力预测
机器学习
2026-02-24 v1 人工智能
摘要
连续压力预测可能有助于生活方式干预。本文提出一种新颖的、可解释且个性化的压力预测方法，利用来自消费级智能手表的生理数据。我们开发了一种时间序列预测模型，利用包括心率变异性、活动模式和睡眠指标在内的多变量特征，用于预测 16 个时间范围内的压力水平（历史窗口：3、5、7、9 天；预测窗口：1、3、5、7 天）。我们的评估涉及 16 名受试者，监测 10-15 周。我们在 16 名受试者上进行评估，比较了最新时间序列模型（Informer、TimesNet、PatchTST）和传统基线模型（CNN、LSTM、CNN-LSTM）在多个时间范围内的表现。在最佳设置下（5 天输入、1 天预测），该模型的 MSE 为 0.053、MAE 为 0.190、RMSE 为 0.226。与基线模型比较显示，该模型在所有条件下均优于 TimesNet、PatchTST、CNN-LSTM、LSTM 和 CNN，分别实现了 36.9%、25.5% 和 21.5% 的性能提升。根据可解释性分析，睡眠指标是最主要且最一致的压力预测因素（重要性：1.1，一致性：0.9-1.0），而活动特征显示出较大的个体间变异性（0.1-0.2）。最显著的是，该模型捕获了在相同特征在不同用户中可能产生相反作用的个体特定模式，验证了其个性化能力。这些发现表明，结合自适应和可解释的深度学习，消费级可穿戴设备能够为实际场景中的可扩展、连续、可解释的心理健康监测提供相关压力评估基础。
引用
@article{arxiv.2602.18521,
title = {AdaptStress: Online Adaptive Learning for Interpretable and Personalized Stress Prediction Using Multivariate and Sparse Physiological Signals},
author = {Xueyi Wang and Claudine J. C. Lamoth and Elisabeth Wilhelm},
journal= {arXiv preprint arXiv:2602.18521},
year = {2026}
}