- 6 次围观
本文提出了一种用于基于时间序列的生理压力检测的两阶段隐式特征工程流程，该流程使用皮电活动（EDA）信号。在第一阶段，我们基于60秒的上下文窗口，对未来EDA信号在短时预测范围（3、5和10秒）内的三个描述性统计量进行预测。在第二阶段，使用一个轻量级线性分类器根据这些预测统计量检测压力。我们评估了三种覆盖不同领域专业知识谱系的预测架构：面向特定领域的双向长短期记忆（BiLSTM）循环神经网络、Amazon Chronos T5时间序列基础模型的零样本与微调变体，以及应用于人工设计生理特征的表格先验数据拟合网络（TabPFN）。在公开可用的可穿戴压力与情感检测（WESAD）数据集上的实验表明，该数据集包含来自15名受试者在基线和压力条件下采集的胸部佩戴式多模态生理信号，面向特定领域的BiLSTM实现了最高的分类性能，其受试者工作特征曲线下面积（AUC）取值范围为0.913至0.962。TabPFN次之，AUC为0.853–0.869，而Chronos各变体的AUC为0.528–0.744。值得注意的是，使用预测特征的模型始终优于使用由真实未来信号导出的oracle特征的模型，后者代表理论上的性能上界，这表明通过学习到的序列表征实现了有效的噪声过滤。无论训练深度如何，Chronos模型都很快达到性能饱和，这凸显了对连续生理时间序列进行标记化所面临的挑战。所提出的方法通过将预测作为一种强有力的归纳偏置加以利用，推动了可穿戴压力监测中的隐式特征工程，从而提升了鲁棒性，并为基础模型在生理信号上的局限性提供了见解。
本文提出了一个两阶段流程，用于基于时间序列的生理压力检测中、利用皮电活动（EDA）信号进行隐式特征工程。
在第一阶段，我们基于一个60秒的上下文窗口，对未来EDA信号在短时间范围（3、5和10秒）内的三个描述性统计量进行预测。在第二阶段，一个轻量级线性分类器利用这些预测得到的统计量进行压力检测。我们评估了三种覆盖不同领域专业知识谱系的预测架构：面向特定领域的双向长短期记忆（BiLSTM）循环神经网络、Amazon Chronos T5时间序列基础模型的零样本与微调变体，以及应用于人工设计生理特征的表格型先验数据拟合网络（TabPFN）。在公开可用的 Wearable Stress and Affect Detection（WESAD）数据集上的实验表明，该数据集包含来自15名受试者在基线和压力条件下采集的胸戴式多模态生理信号。结果显示，面向特定领域的BiLSTM取得了最高的分类性能，其受试者工作特征曲线下面积（AUC）范围为0.913至0.962。TabPFN次之，AUC为0.853–0.869，而Chronos各变体的AUC为0.528–0.744。值得注意的是，使用预测特征的模型始终优于使用基于真实未来信号得到的理想特征（oracle features）的模型，后者代表理论上的性能上界；这一结果表明，通过学习得到的序列表征能够有效滤除噪声。无论训练深度如何，Chronos模型的性能都很快达到饱和，这凸显了对连续生理时间序列进行标记化所面临的挑战。所提出的方法通过将预测作为一种强有力的归纳偏置加以利用，推动了可穿戴压力监测中的隐式特征工程发展，从而提高了鲁棒性，并为基础模型在生理信号上的局限性提供了见解。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.24.740621v1?rss=1
🏷️ 压力检测 皮电活动 生理信号 时间序列预测 特征工程 可穿戴监测