[논문 리뷰] AdaptStress: Online Adaptive Learning for Interpretable and Personalized Stress Prediction Using Multivariate and Sparse Physiological Signals

Xueyi Wang, Lamoth, Claudine J. C.외 1명|arXiv (Cornell University)|2026. 02. 19.

Digital Mental Health Interventions인용 수 0

한 줄 요약

AdaptStress는 도메인 적응과 선택적 테스트 타임 적응을 활용하여 16명의 참가자 전반에 걸친 스트레스 예측을 수일 ahead로 수행하는 설명가능하고 개인화된 스트레스 예측 모델을 개발합니다.

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.

연구 동기 및 목표

• 소비자 웨어러블을 사용한 개인별로 해석 가능한 스트레스 예측의 필요성을 해결한다.
• 누락 데이터를 처리하고 변수 간 상호작용을 포착하는 다변량, 희소한 시계열 프레임워크를 개발한다.
• 참가자 간 변동성을 완화하고 다양한 사용자에 배포할 수 있도록 도메인 적응 및 테스트 타임 적응을 도입한다.
• 지배적 예측변수를 식별하고 임상 신뢰를 지원하기 위한 설명가능성 분석을 제공한다.

제안 방법

• Transformer 기반 인코더를 사용하여 15차원 다변량 생리 신호 시계열 표현을 학습한다.
• 피처 수준 주의 메커니즘을 도입하여 스트레스 예측을 위한 신호에 대해 동적으로 가중치를 부여한다.
• 참가자 간 도메인 불변 표현을 학습하기 위해 도메인 구분기를 갖춘 적대적 도메인 적응을 적용한다.
• 새 참가자에 대해 적응이 이로운지 판단하기 위해 엔트로피 최소화와 의사레이블링을 사용하여 선택적 Test-Time Adaptation(TTA)을 구현한다.
• 겹치는 슬라이딩 윈도우(히스토리 윈도우와 예측 윈도우)로 데이터를 처리하여 다수의 학습 샘플과 예측을 생성한다.
• 16명의 참가자를 대상으로 Leave-One-Out 교차 검증을 사용하고 MSE, MAE, RMSE, Pearson 상관계수, 추세 방향 정확도와 함께 설명가능성을 위한 SHAP를 평가한다.

실험 결과

연구 질문

• RQ1 다변량 희소 표현이 다양한 기저선 baselines를 가진 개인의 향후 스트레스를 예측할 수 있는가?
• RQ2 도메인 적응이 참가자 간 스트레스 예측의 예측 격차를 얼마나 잘 줄이는가?
• RQ3 선택적 Test-Time Adaptation이 이미 잘 정렬된 참가자들에게 해를 주지 않으면서 새로운 참가자의 예측을 개선하는가?
• RQ4 어떤 생리학적 특징이 개인 간에 가장 강하고 일관되게 스트레스를 설명하는가?
• RQ5 같은 특징이 사용자에 따라 다른 효과를 나타내는 개인화 패턴이 나타나는가?

주요 결과

• 모델은 최적 설정(5일 입력, 1일 예측)에서 MSE 0.053, MAE 0.190, RMSE 0.226를 달성했다.
• AdaptStress는 모든 조건에서 TimesNet, PatchTST, CNN-LSTM, LSTM, CNN을 능가했고, 최적 대비 대비 최대 36.9%의 개선을 보였다.
• 수면 지표가 가장 지배적이고 일관된 스트레스 예측 변수로 등장했고(중요도 1.1, 일관성 0.9–1.0), 반면 활동 지표는 참가자 간 변동성이 크게 나타냈다(0.1–0.2).
• 모델은 동일한 특징이 사용자에 따라 상반된 영향을 줄 수 있는 개인별 패턴을 포착하여 개인화 가능성을 검증한다.
• Leave-One-Out 평가를 통해 도메인 적응 및 선택적 TTA와 결합될 때 참가자 간 일반화가 입증된다.