基于腕部光电容积描记传感器的特征增强混合CNN用于压力识别
信号处理
2021-08-09 v1 机器学习
摘要
压力是一种损害心理健康并对身体健康造成严重后果的生理状态。此外，COVID-19大流行增加了全球人群的压力水平。因此，持续监测和检测压力十分必要。可穿戴设备的最新进展使得监测多种与压力相关的生理信号成为可能。其中，智能手表等腕部可穿戴设备因其使用方便而最为流行。光电容积描记（PPG）传感器是几乎所有消费级腕部智能手表中最普遍的传感器。因此，本文聚焦于使用基于腕部的PPG传感器采集血容量脉搏（BVP）信号来检测压力，该方法可适用于消费级腕表。此外，现有前沿工作要么使用经典机器学习算法借助手工特征检测压力，要么使用卷积神经网络（CNN）等深度学习算法自动提取特征。本文提出一种新颖的混合CNN（H-CNN）分类器，利用手工特征和CNN自动提取的特征，基于BVP信号检测压力。在基准WESAD数据集上的评估表明，对于三分类（基线 vs. 压力 vs. 娱乐），我们提出的H-CNN分别比传统分类器和普通CNN的准确率高出5%和7%，宏F1分数高出10%和7%。对于二分类（压力 vs. 非压力），我们提出的H-CNN分别比传统分类器和普通CNN的准确率高出3%和约5%，宏F1分数高出约3%和约7%。
引用
@article{arxiv.2108.03166,
title = {Feature Augmented Hybrid CNN for Stress Recognition Using Wrist-based Photoplethysmography Sensor},
author = {Nafiul Rashid and Luke Chen and Manik Dautta and Abel Jimenez and Peter Tseng and Mohammad Abdullah Al Faruque},
journal= {arXiv preprint arXiv:2108.03166},
year = {2021}
}
备注
4 pages, 3 figures, to be published in 43rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2021