面向日常压力监控的性能提升与用户参与度：基于上下文感知的主动强化学习方法
机器学习
2024-07-12 v1
摘要
在快节奏的社会中，准确监测压力水平至关重要。基于传感器的压力监控系统通常需要大量数据来训练有效的模型。然而，针对个性化和交互式场景，仍需要针对个体进行特定化建模。传统方法如生态瞬时评估（Ecological Momentary Assessments, EMAs）能够评估压力，但在不施加用户负担的情况下收集高效数据方面尚未取得突破。挑战在于及时发送 EMAs，尤其是在压力期间，如何平衡监控效率与用户便利性。本文引入了一种新颖的上下文感知主动强化学习（RL）算法，用于基于来自智能手表的 Photoplethysmography（PPG）数据和来自智能手机的上下文数据的压力检测。我们的方法动态选择最佳时机部署 EMAs，利用用户的即时上下文信息，以最大化标签准确性并最小化入侵性。在离线环境中执行最初的研究，以细化标签收集过程，旨在提高准确性同时降低用户负担。随后，我们集成了实时标签收集机制，转向在线方法。这一转变导致了 11% 的压力检测效率提升。纳入上下文数据后，模型准确率提升了 4%。个人化研究表明，AUC-ROC 分数提升了 10%，表明对压力水平的区分更加明显。这一研究标志着个人化、由上下文驱动的实时压力监控方法的重大进展。
引用
@article{arxiv.2407.08215,
title = {Enhancing Performance and User Engagement in Everyday Stress Monitoring: A Context-Aware Active Reinforcement Learning Approach},
author = {Seyed Amir Hossein Aqajari and Ziyu Wang and Ali Tazarv and Sina Labbaf and Salar Jafarlou and Brenda Nguyen and Nikil Dutt and Marco Levorato and Amir M. Rahmani},
journal= {arXiv preprint arXiv:2407.08215},
year = {2024}
}