基于机器学习与腕带传感器及情境特征的老龄人焦虑检测

本文探索了一种使用简易腕带传感器（如皮肤电活动（EDA）与光电容积描记（PPG））以及基于情境的特征进行老龄人焦虑检测的新方法。所提出的焦虑检测方法将单一生理信号的特征与实验性的基于情境的特征相结合，以提升焦虑检测模型的性能。本工作的实验数据来自一项为期一年、针对41名60–80岁健康老年人（26名女性、15名男性，平均年龄为73.36±5.25）在特里尔社会压力测试（TSST）协议下的实验。焦虑水平真值取自状态-特质焦虑问卷（STAI），其被视为测量感知焦虑的金标准。EDA与血容量脉搏（BVP）信号分别通过腕戴式EDA与PPG传感器记录。从EDA与BVP信号中计算了47个特征，其中最终筛选出24个显著相关的特征用于分析。实验研究的各阶段被编码为唯一整数以生成情境特征向量。将单一传感器的特征与情境特征向量组合，用于训练机器学习模型以区分焦虑与非焦虑状态。结果与分析表明，结合情境特征与生理特征的EDA与BVP机器学习模型，相较仅使用生理特征的模型分别取得了3.37%与6.41%更高的准确率。此外，对EDA与BVP信号进行了端到端处理仿真以实现实时焦虑水平检测。本工作证明了所提焦虑检测方法在利用低成本消费级设备促进老龄人长期焦虑监测方面的实用性。