为何非线性模型至关重要：基于可穿戴生理信号的认知负荷、压力与运动统一分析
信号处理
2025-12-09 v1
摘要
可穿戴生理信号表现出强烈的非线性和subject-dependent行为，挑战传统的线性模型。本研究对认知负荷、压力和体力运动识别进行统一评估，使用了三个公开的 Empatica E4 数据集。在所有条件下，非线性机器学习模型始终优于线性基线，实现 0.89--0.98 的准确率和 0.96--0.99 的 ROC-AUC，而线性模型保持在 0.70--0.73 以下的 AUC。尽管留出被试验证揭示了显著的个体间变异，但非线性模型仍保持适度的跨person 泛化。消融和统计分析确认了多模态融合的必要性，尤其是 EDA、温度和 ACC，而 SHAP 可解释性验证了这些发现，通过揭示跨任务的生理学有意义特征贡献。总体而言，结果表明生理状态识别本质上是非线性的，并为指导开发更稳健的可穿戴健康监测系统提供了统一基准。
引用
@article{arxiv.2512.06099,
title = {Why Nonlinear Models Matter: Unified Analysis of Cognitive Load, Stress, and Exercise Using Wearable Physiological Signals},
author = {Khondakar Ashik Shahriar},
journal= {arXiv preprint arXiv:2512.06099},
year = {2025}
}
备注
28 pages, 8 tables, 13 figures