Personalisierte Stressvorhersage mit tragbaren Geräten

Chronischer Stress kann sowohl der physischen als auch der psychischen Gesundheit ernsthaft schaden. Neue tragbare Geräte ermöglichen es uns, Körpersignale zu verfolgen, die helfen können, Stress vorherzusagen und zu managen. Stress vorherzusagen ist jedoch knifflig, da uns oft ausreichend beschriftete Daten fehlen und die Daten in unterschiedlichen Formen vorliegen können. Um diese Herausforderungen zu bewältigen, haben wir ein personalisiertes System entwickelt, das Stress mithilfe von Daten aus tragbaren Geräten vorhersagt. Wir verwenden eine Methode namens Selbstüberwachtes Lernen (SSL), die es unseren Modellen ermöglicht, aus den eigenen Daten einer Person zu lernen, bevor sie sich auf die spezifische Aufgabe der Stressvorhersage konzentrieren. Unsere Tests haben gezeigt, dass Modelle, die SSL verwenden, besser abgeschnitten haben als solche, die es nicht tun, und das alles mit weniger als 5% der verfügbaren Labels. Das bedeutet, dass unsere Methode sich an jeden Benutzer mit sehr wenigen benötigten Labels anpassen kann.

#Bedeutung der Stressvorhersage

Chronischer Stress kann zu schwerwiegenden Gesundheitsproblemen führen, darunter Angstzustände, Depressionen und Herzkrankheiten. Die ständige Ausschüttung von Stresshormonen steht in Verbindung mit psychischen Gesundheitsstörungen und kann das Immunsystem schwächen, wodurch Menschen anfälliger für Krankheiten werden. Daher kann es entscheidend sein, Wege zu finden, um Stress vorherzusagen, um diese Gesundheitsprobleme zu verhindern.

Die Stressdetektion mithilfe biologischer Signale gewinnt unter Gesundheitsfachleuten an Interesse, da sie Echtzeiteinblicke in das Stressniveau einer Person bieten kann. Häufig verwendete Signale für diesen Zweck sind die Herzaktivität (EKG), Hautreaktionen (GSR), Muskelaktivität (EMG), Hauttemperatur und Atemfrequenzen.

#Herausforderungen bei der Stressvorhersage

Eine grosse Schwierigkeit bei der Vorhersage von Stress aus mehreren biologischen Signalen besteht darin, die richtigen Merkmale zu erstellen. Traditionelle Methoden des maschinellen Lernens erfordern die manuelle Erstellung von Merkmalen, was inkonsistent sein kann und möglicherweise nicht gut bei komplexen und subjektiven Erfahrungen wie Stress funktioniert. Deep-Learning-Modelle können automatisch Muster in den Daten finden, was den Prozess vereinfacht.

Eine weitere Herausforderung ist es, qualitativ hochwertige Labels für die Daten zu bekommen, was kostspielig und zeitaufwendig sein kann. Stressereignisse sind schwer zu kennzeichnen, da sie von persönlichen Erfahrungen abhängen, was zu spärlichen Daten führt. Das macht es schwierig, ein zuverlässiges Modell zur Stressvorhersage zu erstellen.

Um diese Herausforderungen zu überwinden, schlagen wir vor, eine personalisierte Methode des selbstüberwachten Lernens zu verwenden. Durch das Training separater Modelle für jede Person und die Nutzung von SSL können wir von Nutzern mit nur wenigen Labels lernen. Wir sammeln Daten aus mehreren Quellen und analysieren Stress anhand verschiedener Signale wie Hautreaktionen, Herzfrequenz und Bewegung.

#Unsere Beiträge

1. Wir bewerten Stressvorhersagemodelle, die mehrere Biologische Signale verwenden.
2. Wir erkunden, wie personalisierte Modelle funktionieren, wenn sie selbstüberwachtes Lernen verwenden.
3. Wir vergleichen Modelle, die SSL-Vortraining nutzen, mit solchen, die es nicht tun, um zu sehen, wie die Personalisierung die Vorhersagen verbessert.

#Verwandte Arbeiten

Das Feld der Stressvorhersage aus biologischen Signalen wächst. Frühere Arbeiten haben einige Erfolge gezeigt, aber es gibt noch Verbesserungsbedarf. Einige Forscher haben sich darauf konzentriert, Radartechnologie zur Stressdetektion zu verwenden, während andere biologische Signale wie Atemmuster und Herzfrequenzen genutzt haben.

Selbstüberwachtes Lernen wurde kürzlich in den Bereich der Stressvorhersage eingeführt. Einige Studien haben kontrastives Lernen verwendet, um Stress zu klassifizieren, aber diese Methode kann viel Datenmanipulation erfordern. Unser Ansatz konzentriert sich mehr auf die Verwendung von Rohdaten ohne umfangreiche Änderungen.

Multimodale Lerntechniken sind entscheidend, wenn es darum geht, verschiedene biologische Signale zu verarbeiten, die von tragbaren Geräten erfasst werden. Einige Studien haben beispielsweise erfolgreich verschiedene Signale kombiniert, um Stresslevel mit erheblicher Genauigkeit zu bestimmen. Unser Ansatz unterscheidet sich dadurch, dass er selbstüberwachtes Lernen mit der Idee integriert, individuelle Modelle für jeden Benutzer zu trainieren.

#Personalisierter Stressvorhersage-Rahmen

Unser Rahmen zur Vorhersage von Stress besteht darin, rohe Signale in überlappende Segmente zu unterteilen und ein Modell zu verwenden, das aus diesen Segmenten lernt, bevor es sich auf die Stressvorhersage konzentriert. Wir vergleichen diesen Rahmen mit einem vollständig überwachten Modell, das kein SSL beinhaltet.

Ziel ist es, ein Modell zu erstellen, das Stress genau vorhersagen kann, indem es sechs verschiedene biologische Signale analysiert: elektrodermale Aktivität (EDA), EKG, EMG, Temperatur, Atmung und Beschleunigung. Der Trainingsprozess erfolgt in zwei Phasen: Zuerst liegt der Fokus auf dem Lernen allgemeiner Merkmale, und dann wird das Modell für die spezifische Aufgabe der Stressvorhersage optimiert.

#Datensammlung

Wir haben einen öffentlichen Datensatz namens WESAD verwendet, der Daten von Teilnehmern enthält, die zwei tragbare Geräte verwendet haben. Jeder Teilnehmer trug Geräte, die sechs biologische Signale verfolgten. Neben den physiologischen Daten füllten die Teilnehmer Fragebögen über ihren emotionalen Zustand während der Überwachung aus.

Die Antworten der Teilnehmer auf angstbezogene Fragen wurden auf einer vierstufigen Skala bewertet, was uns ermöglichte, eine Vielzahl von stressbezogenen Daten zu sammeln. Durch die Berücksichtigung dieser Antworten konnten wir ein differenzierteres Verständnis der Stresslevels entwickeln.

#Label-Repräsentation

Im WESAD-Datensatz wurden die Antworten auf Angstfragen von diskreten Kategorien in kontinuierliche Werte umgewandelt. Anstatt die Stressdetektion als einfache Klassifikation zu behandeln, gingen wir sie als Regressionsaufgabe an. Diese Umwandlung ermöglicht eine detailliertere Analyse der Stressintensität, sodass unser Modell präzisere Vorhersagen treffen kann.

#Selbstüberwachtes Lernen von Biosignal-Repräsentationen

Selbstüberwachtes Lernen ermöglicht es uns, bedeutungsvolle Informationen aus Daten zu gewinnen, ohne im Vorfeld Labels benötigt werden. Durch das Training separater Modelle für jede Person können wir die einzigartigen Muster und Trends jedes Nutzers erfassen.

Wir trainieren unsere Modelle, indem wir die biologischen Signale in Fenster fester Grösse segmentieren. Dieser Prozess erstellt Datenpunkte, aus denen das Modell lernen kann, mit dem Ziel, zukünftige Datenpunkte basierend auf vergangenen Daten vorherzusagen.

#Stressvorhersage-Aufgabe

In der zweiten Phase unseres Lernprozesses verwenden wir die anfänglichen Signale und die Antworten der Teilnehmer, um Stresslevels vorherzusagen. In dieser Phase nutzen wir feste Schichten aus dem vortrainierten Netzwerk, um wesentliche Merkmale zu extrahieren, die bei der Stressvorhersage helfen.

Das Modell kombiniert Informationen aus allen Biosignalen in einer einzigen Darstellung, um die Genauigkeit bei der Stressvorhersage zu verbessern. Wir trainieren das Modell, um die Differenz zwischen den vorhergesagten und tatsächlichen Stresslevels zu minimieren.

#Experimentelle Verfahren

Um die Effektivität unseres Ansatzes zu bewerten, verglichen wir Modelle, die selbstüberwachtes Lernen nutzten, mit solchen, die nur mit beschrifteten Daten trainiert wurden. Wir verwendeten einen Datensatz, der aus zahlreichen Datenpunkten verschiedener Biosignale besteht, um die Modellleistung angemessen zu bewerten.

Die Modelle wurden mit einem reservierten Datensatz überprüft, nachdem das Training abgeschlossen war. So konnten wir sehen, wie gut die Modelle Stress basierend auf neuen Informationen vorhersagen konnten.

#Ergebnisse und Bewertung

Wir haben die Modellleistung mithilfe von Wurzel-Mittelwert-Quadrat-Fehler (RMSE) gemessen, der angibt, wie eng die Vorhersagen den tatsächlichen Stresslevels entsprechen. Unsere Ergebnisse zeigen, dass das selbstüberwachte Vortraining zu signifikant niedrigeren RMSE-Werten führt als Modelle, die ohne diesen Schritt trainiert wurden.

Selbst mit nur einer kleinen Anzahl an beschrifteten Datenpunkten schnitt das selbstüberwachte Modell konstant besser ab als sein überwachtes Gegenstück. Das deutet darauf hin, dass SSL effektiv komplexe und subjektive Ergebnisse wie Stress lernen kann, während weniger Labels benötigt werden.

#Fazit

Unsere Forschung führt einen neuen Weg ein, um Deep Learning zur Vorhersage von Stress durch multiple biologische Signale zu nutzen. Durch die Anwendung von selbstüberwachtem Lernen können wir Modelle erstellen, die sich an individuelle Muster anpassen, was die Stressvorhersagen genauer und personalisierter macht, mit weniger Bedarf an umfangreicher Kennzeichnung.

Dieser Ansatz eröffnet neue Möglichkeiten zur Bewältigung stressbezogener Herausforderungen im Gesundheitswesen und anderen Bereichen. Unsere Erkenntnisse legen nahe, dass personalisiertes Lernen erheblich verbessern kann, wie wir Stress verstehen und managen, und bieten ein wertvolles Werkzeug für zukünftige Anwendungen im Bereich psychischer Gesundheit und Wohlbefinden.

Angesichts der vielversprechenden Ergebnisse ist eine weitere Untersuchung in realen Umgebungen notwendig, um das Potenzial unseres Ansatzes besser zu bewerten und unser Verständnis der Stressvorhersage mithilfe tragbarer Technologien zu verfeinern.