通过时间嵌入从不规则自报告中学习纵向压力动态
机器学习
2025-09-03 v1
摘要
移动和可穿戴传感技术的广泛采用使得对情感、情绪障碍和压力的持续与个性化监测成为可能。当与生态瞬时评估（EMA）问卷相结合时，这些系统为探索人类行为的纵向建模提供了强大机会。然而，来自缺失数据和不规则自报告时间的问题，使得对人类状态和行为的预测具有挑战性。在本研究中，我们研究了利用时间嵌入来捕捉生态瞬时评估序列中的时间依赖关系。我们提出了一种新型时间嵌入方法 Ema2Vec，旨在有效处理不规则间隔的自报告，并在纵向压力预测的新任务上对其进行评估。我们的方法优于依赖固定大小每日窗口的标准压力预测基线，以及直接在纵向序列上训练但没有时间感知表示的模型。这些发现强调了在建模不规则采样纵向数据时纳入时间嵌入的重要性。
引用
@article{arxiv.2509.01569,
title = {Learning Longitudinal Stress Dynamics from Irregular Self-Reports via Time Embeddings},
author = {Louis Simon and Mohamed Chetouani},
journal= {arXiv preprint arXiv:2509.01569},
year = {2025}
}