基于 Transformer 的电皮肤活性电信号分解用于现实世界的心理健康应用
信号处理
2025-06-10 v1 机器学习
摘要
将电皮肤活性电信号（EDA）分解为相性（短期、刺激关联反应）和潮汐性（较长期基线）分量是从中提取有意义情绪和生理生物标志物的关键。本研究对知识驱动、统计和深度学习方法进行比较分析，聚焦于来自可穿戴设备的野外数据。在此基础上，作者提出了 Feel Transformer—a novel Transformer-based model adapted from the Autoformer architecture，旨在无需显式监督地分离相性和潮汐性分量。该模型利用池化和趋势移除机制以强制实现生理学上有意义的分解。与 Ledalab、cvxEDA 和常规拐点法相比，Feel Transformer 在保持特征忠实性（潮汐反应频率、幅度及潮汐斜率）同时对噪声敏感的现实数据鲁健性方面取得平衡。该模型展示了在压力预测、数字心理健康干预和生理预测等未来应用中的潜力。
引用
@article{arxiv.2506.06378,
title = {Transformer-Based Decomposition of Electrodermal Activity for Real-World Mental Health Applications},
author = {Charalampos Tsirmpas and Stasinos Konstantopoulos and Dimitris Andrikopoulos and Konstantina Kyriakouli and Panagiotis Fatouros},
journal= {arXiv preprint arXiv:2506.06378},
year = {2025}
}