人类异质性不变压力感知

压力影响身心健康，可穿戴设备已被广泛用于通过生理信号检测日常压力。然而，由于个体差异和健康状况等因素，这些信号会有所不同，使得机器学习模型难以泛化。为了应对这些挑战，我们提出了人类异质性不变压力感知，这是一种领域泛化方法，旨在通过消除特定个体的差异来寻找压力信号中的一致模式。这有助于模型在训练期间未见过的不同人群、环境和压力类型中表现得更准确。其新颖之处在于提出了一种称为逐人子网络剪枝交集的新技术，以专注于个体间的共享特征，同时在训练期间利用连续标签来防止过拟合。该研究特别关注患有阿片类药物使用障碍的人群——在该群体中，压力反应会根据其每日服药时间发生剧烈变化。由于压力通常会引发渴求，一个能够很好适应这些变化的模型可以支持更好的 OUD 康复与恢复。我们在七个不同的压力数据集上测试了 HHISS——其中四个是我们自己收集的，三个是公开数据集。四个来自实验室环境，一个来自受控的真实世界环境（驾驶），两个来自无任何约束的真实世界野外数据集。这是第一项评估压力检测模型在如此广泛数据范围内表现的研究。结果表明，HHISS 始终优于最先进的基线方法，证明了其在现实世界使用中的有效性和实用性。消融研究、实证论证和运行时评估证实了 HHISS 在敏感的现实世界应用中用于移动压力感知的可行性与可扩展性。