一种基于压力数据的物联网生活方式疾病分类优化混合解决方案

压力、焦虑和紧张都是日常生活中高风险的健康状态。以往，压力水平是通过与人交谈并了解他们最近或过去的经历来确定的。通常，压力是由很久以前发生的事件引起的，但有时也由未知因素触发。这是一项具有挑战性的复杂任务，但最近的研究进展为自动化这一任务提供了许多机会。这些技术的基本特征是皮肤电活动(EDA)和心率值(HRV)。我们利用加速度计测量身体运动来解决这一挑战。所提出的新方法采用一项测试，测量受试者的心电图(ECG)、皮肤电值(GSV)、HRV值以及身体运动，以便利用信息物理系统为现代生活方式压力疾病的检测提供一种低成本且省时的解决方案。本研究提供了一种新的生活方式疾病分类混合模型，该模型在挑选最佳特征集的同时减少了执行时间，并提高了分类准确率。所开发的方法能够通过使用WESAD（可穿戴压力与情感数据集）数据集来处理类别不平衡问题。该新模型使用网格搜索(GS)方法选择一组优化的超参数，并结合使用基于相关系数的递归特征消除(CoC-RFE)方法进行最优特征选择，并以梯度提升作为估计器对数据集进行分类，从而实现了高准确率，并有助于提供智能、准确和高质量的医疗保健系统。为了证明所提方法的有效性和实用性，将其性能与其他成熟的机器学习模型进行了比较。