AI结合智能手机传感器 可预测人类压力水平

传感网络 智能手机

为了帮助实现学生学业和社会压力背后的巨大原因,马萨诸塞大学计算机科学学院的研究人员建立了一个模型,基于手机传感器和问卷数据,使用人工智能预测压力水平

私信 关注

  大学生正承受着很大的压力。他们不仅要完成作业并参加课外活动,还需要为考试做准备并提交工作申请。不幸的是,有充分证据表明压力会对人类的幸福产生破坏性影响。如果没有得到适当的治疗,压力会导致心脏病,干扰记忆和认知功能,甚至压抑人体免疫系统。

AI结合智能手机传感器 可预测人类压力水平

  为了帮助实现学生学业和社会压力背后的巨大原因,马萨诸塞大学计算机科学学院的研究人员建立了一个模型,基于手机传感器和问卷数据,使用人工智能预测压力水平,从中位数到中位数以下。据报道,他们的模型具有最先进的效率,与利用睡眠模式、对话、位置、活动与心理健康相关的数据等信息的基线相比,获得了45.1%的改善。

  “随着可穿戴设备的日益普及,利用这些设备收集的生理数据来预测佩戴者心理状态(例如情绪和压力)的能力表明了很好的临床应用,但这样的任务极具挑战性,”研究人员表明,“不过,目前通过在智能手机等可穿戴设备中引入高质量的强大传感器,以合理的准确度高效收集生理和行为数据已经变得可以承受。”

  他们的AI模型:CALM-Net(跨个人活动LSTM多任务自动编码器网络),收集时间序列数据并且可以破译其中包含的时间模式。更重要的是,它允许模型的个性化和时间序列数据的结合,这可以在更多学生参与时提高效率。此外,他们的系统推导和测量睡眠等级、睡眠量、一周中的一天以及下一个项目截止日期之前的剩余时间等事项。

AI结合智能手机传感器 可预测人类压力水平

训练模型的语料库在达特茅斯进行

  模型训练的语料库学生生活在达特茅斯进行,并由Android应用程序提供便利。在为期十周的时间里,每天都会记录48位学生的压力信息,包括生态瞬时评估(例如,实时问卷答案)和被动传感,如音频(语音、噪音、沉默) ,活动(跑步、步行),智能手机锁状态和手机电池充电水平每10秒。

  在测试中,网络基于两个用于比较的模型的最先进性能。研究人员将其直接归因于时间序列形式的数据构建。

  研究人员解释道:“CALM-Net融合精细时态信息和高级协变量的能力,以及能够为每个学生解读个性化模式而不会过度拟合的架构,有助于提高其性能。这种方法改善了所有评估模型的性能,表明压力指标通常可以使用个性化层进行更好的建模。”

作者最近更新

参与评论

评论

推荐阅读

新建收藏夹

请选择举报内容

是否在举报的同时屏蔽该用户