基于迁移学习的智能手表状态焦虑预测方法 WatchAnxiety
机器学习
2025-09-18 v1 计算机与社会
摘要
社交焦虑是一种常见的精神健康状况，与在学术、社交和职业领域的显著功能挑战相关。其核心特征是社交情境中升高的即时（状态）焦虑，但此类焦虑在一天内波动的测量或预测工作有限。捕捉这些日内动态对于设计实时、个人化干预措施（如即时自适应干预，Just-In-Time Adaptive Interventions, JITAIs）至关重要。为填补这一空白，我们与91名社交焦虑大学生（剔除后为72名）合作，采用我们定制的智能手表系统进行研究，平均持续9.03天（标准差2.95天）。受试者每天接受7次生态情境测评（EMA）以报告状态焦虑。我们在超过10,000天的外部心率数据上构建基线模型，将其表示迁移到本数据集，并进行微调以生成概率性预测。这些预测与人格水平度量结合后由一个元学习器整合。我们的管道在数据集中实现了60.4%的平衡准确率，用于状态焦虑检测。为评估泛化性，我们将训练方法应用于TILES-18数据集的独立保留集——该数据集用于预训练。在10,095次一次每日EMA上，我们的方法实现了59.1%的平衡准确率，超越先前工作至少7%。
引用
@article{arxiv.2509.13725,
title = {WatchAnxiety: A Transfer Learning Approach for State Anxiety Prediction from Smartwatch Data},
author = {Md Sabbir Ahmed and Noah French and Mark Rucker and Zhiyuan Wang and Taylor Myers-Brower and Kaitlyn Petz and Mehdi Boukhechba and Bethany A. Teachman and Laura E. Barnes},
journal= {arXiv preprint arXiv:2509.13725},
year = {2025}
}