压力源类型很重要！——探索影响生理压力检测跨数据集泛化能力的因素

使用心率变异性（HRV）特征进行自动压力检测已经获得了显著关注，因为它利用了测量心电图（ECG）或血容量脉搏（BVP）等信号的非侵入式可穿戴传感器。然而，通过此类生理信号检测压力面临着相当大的挑战，因为记录信号的变化受到感知压力强度和测量设备等因素的影响。因此，在一个数据集上开发的压力检测模型可能在不同条件下收集的未见数据上表现不佳。为了应对这一挑战，本研究探讨了基于HRV特征进行二分类压力检测的机器学习模型的泛化能力。我们的目标不仅仅是评估泛化性能；我们旨在确定对泛化能力影响最大的数据集特征。我们利用了四个公开可用的压力数据集（WESAD、SWELL-KW、ForDigitStress、VerBIO），这些数据集在压力诱发技术、压力强度和传感器设备等至少一个特征上有所不同。采用跨数据集评估方法，我们探讨了哪些特征强烈影响模型泛化能力。我们的发现揭示了一个影响模型泛化能力的关键因素：压力源类型。当压力源类型（例如，我们案例中的社会压力）保持一致时，模型在数据集间取得了良好的性能。压力强度或测量设备品牌等因素对跨数据集性能的影响很小。基于我们的发现，我们建议在将基于HRV的压力模型部署到新环境时匹配压力源类型。据我们所知，这是第一项系统研究影响基于HRV的压力模型跨数据集适用性因素的工作。