DeStress：基于心率变异性数据利用深度学习无监督识别消防员心理应激
机器学习
2019-12-02 v1 信号处理
机器学习
摘要
在这项工作中，我们研究了多种无监督方法，基于无标签的心率变异性数据识别消防员学员的心理应激。我们收集了参与演练的近100名消防员学员的RR间期时间序列数据。为了进行无监督应激检测，我们探索并比较了三种方法：1）基于人工设计时域和频域特征的传统K-Means聚类；2）卷积自编码器；3）长短期记忆（LSTM）自编码器，后两者均在原始RRI测量值上训练，并结合DBSCAN聚类和K近邻分类。我们证明，K-Means结合人工设计特征无法捕捉数据中有意义的结构。另一方面，卷积和LSTM自编码器倾向于从数据中提取不同的结构，指向具有不同簇大小的不同聚类。我们尝试利用文献中报道的心理应激HRV标记来识别真实的应激与正常簇。我们证明，卷积自编码器产生的聚类能够一致且成功地区分应激与正常样本，这通过若干已确立的生理应激标记（如RMSSD、Max-HR、Mean-HR和LF-HF比值）得到了验证。
引用
@article{arxiv.1911.13213,
title = {DeStress: Deep Learning for Unsupervised Identification of Mental Stress in Firefighters from Heart-rate Variability (HRV) Data},
author = {Ali Oskooei and Sophie Mai Chau and Jonas Weiss and Arvind Sridhar and María Rodríguez Martínez and Bruno Michel},
journal= {arXiv preprint arXiv:1911.13213},
year = {2019}
}