一种使用 Empatica E4 手环和机器学习技术进行压力检测的方法

在面对具有挑战性的情况时，人体可能会经历显著程度的焦虑和痛苦。为了预防与压力相关的并发症，及时识别压力症状至关重要，因此需要进行连续的压力监测。可穿戴设备提供了一种实时且持续的数据收集方式，有助于实现个性化的压力监测。基于我们的数据预处理方案，本研究提议使用机器学习算法（Random Forest、SVM 和 Logistic Regression）分析从 Empatica E4 手环获取的信号，以确定上述技术在区分压力与非压力情境中的有效性。从 29 名受试者中采集了光电容积描记和皮电活动信号，提取了 27 个特征，随后将这些特征输入三种不同的机器学习算法进行二元分类。在 WEKA 上应用卡方检验和 Pearson 相关系数进行特征重要性排序后，使用 MATLAB 进行分析，结果表明 Random Forest 模型在使用所有特征时具有最高的稳定性（准确率为 76.5%）。此外，应用卡方检验进行特征选择的 Random Forest 在基于精确率、召回率和 F1 分数（分别为 71%、60%、65%）的压力评估方面取得了一致的结果。