从多模态可穿戴数据中提取用于无感压力状态筛查的数字生物标志物
机器学习
2023-03-09 v1 人机交互
信号处理
摘要
随着可穿戴技术的发展，一种新型医疗数据已成为有价值的医学信息。这些数据提供了关于个体生理和心理状态（如活动水平、情绪、压力和认知健康）的有意义信息。这些生物标志物被称为数字生物标志物，因为它们是从集成各种传感器的数字设备收集的。在本研究中，我们通过检查从手机和智能手表收集的数据，探索与压力模态相关的数字生物标志物。我们在Tesserae数据集上利用机器学习技术，具体而言是随机森林（Random Forest），来提取压力生物标志物。利用特征选择技术，我们使用来自可穿戴设备的天气、活动、心率（HR）、压力、睡眠和位置（工作-家庭）测量来确定最重要的压力相关生物标志物。我们相信，我们通过来自不同设备的大范围特征，为解释压力生物标志物做出了贡献。此外，我们用最重要的特征对5种不同压力水平进行分类，结果表明通过调整类别不平衡并添加与人格特征相关的额外特征，我们能够实现85%的总体类别准确率。与相关研究相比，我们在日常场景中使用数字生物标志物识别压力状态取得了相似甚至更好的结果，且目标类别数更多。
引用
@article{arxiv.2303.04484,
title = {Extracting Digital Biomarkers for Unobtrusive Stress State Screening from Multimodal Wearable Data},
author = {Berrenur Saylam and Özlem Durmaz İncel},
journal= {arXiv preprint arXiv:2303.04484},
year = {2023}
}