[論文レビュー] AdaptStress: Online Adaptive Learning for Interpretable and Personalized Stress Prediction Using Multivariate and Sparse Physiological Signals

Xueyi Wang, Lamoth, Claudine J. C.+1 more|arXiv (Cornell University)|Feb 19, 2026

Digital Mental Health Interventions被引用数 0

ひとこと要約

AdaptStress は、領域適応と選択的テスト時適応を用いて、16名の参加者に対してウェアラブル信号の多変量データから説明可能で個別化されたストレス予測モデルを構築し、ストレス日を前方予測する。

ABSTRACT

Continuous stress forecasting could potentially contribute to lifestyle interventions. This paper presents a novel, explainable, and individualized approach for stress prediction using physiological data from consumer-grade smartwatches. We develop a time series forecasting model that leverages multivariate features, including heart rate variability, activity patterns, and sleep metrics, to predict stress levels across 16 temporal horizons (History window: 3, 5, 7, 9 days; forecasting window: 1, 3, 5, 7 days). Our evaluation involves 16 participants monitored for 10-15 weeks. We evaluate our approach across 16 participants, comparing against state-of-the-art time series models (Informer, TimesNet, PatchTST) and traditional baselines (CNN, LSTM, CNN-LSTM) across multiple temporal horizons. Our model achieved performance with an MSE of 0.053, MAE of 0.190, and RMSE of 0.226 in optimal settings (5-day input, 1-day prediction). A comparison with the baseline models shows that our model outperforms TimesNet, PatchTST, CNN-LSTM, LSTM, and CNN under all conditions, representing improvements of 36.9%, 25.5%, and 21.5% over the best baseline. According to the explanability analysis, sleep metrics are the most dominant and consistent stress predictors (importance: 1.1, consistency: 0.9-1.0), while activity features exhibit high inter-participant variability (0.1-0.2). Most notably, the model captures individual-specific patterns where identical features can have opposing effects across users, validating its personalization capabilities. These findings establish that consumer wearables, combined with adaptive and interpretable deep learning, can deliver relevant stress assessment adapted to individual physiological responses, providing a foundation for scalable, continuous, explainable mental health monitoring in real-world settings.

研究の動機と目的

• consumer wearables を用いた個別化で解釈可能なストレス予測の必要性に対応。
• 欠損データを扱い、変数間の相互作用を捉える多変量・スパースな時系列フレームワークを開発。
• ドメイン適応とテスト時適応を取り入れ、個体間のばらつきを緩和し、多様なユーザへ展開を可能にする。
• 支配的な予測因子を特定し臨床的信頼を支える解釈可能性分析を提供。

提案手法

• Transformerベースのエンコーダを用いて15次元の多変量生理時系列表現を学習。
• 特徴レベルのアテンション機構を組み込み、ストレス予測の信号を動的に重み付け。
• ドメイン識別器を用いた敵対的ドメイン適応により、参加者間でドメイン不変の表現を学習。
• 新規参加者に対する適応が有益かを entropy 降下と擬似ラベル付けで判断するSelective Test-Time Adaptation (TTA) を実装。
• 歴史ウィンドウと予測ウィンドウを重なりを持つスライディングウィンドウで処理し、複数の学習サンプルと予測を生成。
• Leave-One-Out クロスバリデーションを16名の参加者で実施し、MSE、MAE、RMSE、Pearson 相関、傾向方向の精度、さらに SHAP による説明可能性評価を実施。

実験結果

リサーチクエスチョン

• RQ1 ウェアラブル由来信号の多変量・スパース表現は、基準値が異なる個人の将来のストレスを予測できるか？
• RQ2 ドメイン適応は個体間の予測ギャップをどの程度低減できるか？
• RQ3 選択的 TTA は新規参加者の予測を改善し、既に良好に整合している参加者には悪影響を与えないか？
• RQ4 どの生理学的特徴が個人を超えてストレスを最も強く・一貫して説明するか？
• RQ5 同じ特徴がユーザーによって異なる影響を持つ個別化パターンは生まれるか？

主な発見

• モデルは最適設定（5-day 入力、1-day 予測）で MSE 0.053、MAE 0.190、RMSE 0.226 を達成。
• AdaptStress は TimesNet、PatchTST、CNN-LSTM、LSTM、CNN を全条件で上回り、最良ベースラインより最大で 36.9% の改善。
• 睡眠指標が最も支配的で一貫したストレス予測因子として現れ（重要度 1.1、一貫性 0.9–1.0）、活動指標は個体間変動が大きい（0.1–0.2）。
• 個別化能力を検証するため、同じ特徴でもユーザー間で反対の影響を示す個人特有のパターンをモデルが捉える。
• Leave-One-Out 評価は、ドメイン適応と選択的 TTA と組み合わせることで跨個体一般化を示す。