医疗保健中的压力监测：基于可穿戴传感器数据的集成机器学习框架
机器学习
2025-07-11 v1 分布式、并行与集群计算
摘要
医疗保健专业人员，尤其是护士，在疫情期间面临的职业压力 elevated，成为值得关注的议题。虽然可穿戴传感器为实时压力监测提供了前景，但现有研究往往缺乏完整的数据集和稳健的分析框架。本研究通过引入包括生理信号、皮肤电活动、心率和皮肤温度的多模态数据集来弥补这些不足。通过系统文献综述，确定了先前压力检测方法的局限性，尤其是在处理类别不平衡和优化模型泛化性方面的挑战。为克服这些挑战，对数据集采用合成少数过采样技术 (SMOTE) 进行预处理，确保压力状态的平衡表示。评估了包括随机森林、XGBoost 和多层感知器 (MLP) 在内的高级机器学习模型，并将其组合成堆叠分类器，以利用其集体预测优势。通过使用公开数据集和可重复的分析管道，本工作推动了可部署压力监测系统的开发，为维护医护人员的心理健康提供了实际意义。未来的研究方向包括增加人口统计多样性并探索边缘计算实现以实现低延迟压力警报。
引用
@article{arxiv.2507.07589,
title = {Stress Monitoring in Healthcare: An Ensemble Machine Learning Framework Using Wearable Sensor Data},
author = {Arpana Sinhal and Anay Sinhal and Amit Sinhal},
journal= {arXiv preprint arXiv:2507.07589},
year = {2025}
}