[论文解读] Evaluating Mental Stress Among College Students Using Heart Rate and Hand Acceleration Data Collected from Wearable Sensors

Moein Razavi, Anthony D. McDonald+2 more|arXiv (Cornell University)|Sep 20, 2023

Emotion and Mood Recognition被引用 5

一句话总结

本研究利用智能手表在40天内采集的可穿戴传感器数据（具体为心率和手部加速度）评估大学生的心理压力。采用XGBoost模型，模型准确率达到84.5%，曲线下面积（AUC）为0.64，心率和手部加速度的标准差以及最低心率成为最具预测性的特征。

ABSTRACT

Stress is various mental health disorders including depression and anxiety among college students. Early stress diagnosis and intervention may lower the risk of developing mental illnesses. We examined a machine learning-based method for identification of stress using data collected in a naturalistic study utilizing self-reported stress as ground truth as well as physiological data such as heart rate and hand acceleration. The study involved 54 college students from a large campus who used wearable wrist-worn sensors and a mobile health (mHealth) application continuously for 40 days. The app gathered physiological data including heart rate and hand acceleration at one hertz frequency. The application also enabled users to self-report stress by tapping on the watch face, resulting in a time-stamped record of the self-reported stress. We created, evaluated, and analyzed machine learning algorithms for identifying stress episodes among college students using heart rate and accelerometer data. The XGBoost method was the most reliable model with an AUC of 0.64 and an accuracy of 84.5%. The standard deviation of hand acceleration, standard deviation of heart rate, and the minimum heart rate were the most important features for stress detection. This evidence may support the efficacy of identifying patterns in physiological reaction to stress using smartwatch sensors and may inform the design of future tools for real-time detection of stress.

研究动机与目标

• 开发一种基于可穿戴设备生理信号的机器学习方法，用于检测大学生的心理压力。
• 评估心率和手部加速度数据在自然环境中识别压力事件的有效性。
• 利用真实世界自报数据，识别对压力检测最具预测性的生理特征。
• 支持利用消费级可穿戴传感器开发实时、可扩展的心理健康监测工具。

提出的方法

• 使用佩戴在手腕上的可穿戴传感器以1 Hz的采样频率连续采集生理数据（心率和手部加速度），持续40天。
• 集成移动健康（mHealth）应用程序，使学生可通过轻触手表屏幕自我报告压力，生成带时间戳的压力事件。
• 对传感器数据进行预处理，提取滑动窗口内的均值、标准差、最小值和最大值等统计特征。
• 在提取的特征上训练并评估多种机器学习模型，包括XGBoost、随机森林和逻辑回归。
• 将时间对齐的自报压力数据作为模型训练和验证的金标准。
• 进行特征重要性分析，以识别对压力最具影响力的生理指标。

实验结果

研究问题

• RQ1 可穿戴传感器的心率和手部加速度数据能否在真实世界环境中可靠检测大学生的心理压力事件？
• RQ2 在使用可穿戴设备的生理和行为信号时，哪种机器学习模型在识别压力方面表现最佳？
• RQ3 哪些生理特征（例如标准差、最低心率）对自报压力最具预测性？
• RQ4 在自然主义研究中，模型性能在不同参与者之间以及随时间推移如何变化？

主要发现

• XGBoost模型表现最佳，曲线下面积（AUC）为0.64，准确率达到84.5%。
• 手部加速度的标准差是压力检测中最重要的特征，其次是心率的标准差和最低心率。
• 该模型在一项真实世界、纵向研究环境中对54名大学生的多样化群体中表现出一致的性能。
• 自报压力事件成功与生理数据时间对齐，从而实现了可靠的模型训练与评估。
• 结果表明，消费级可穿戴传感器能够捕捉与心理压力相关的有意义生理模式。
• 本研究为利用低成本、非侵入性可穿戴数据实现学术人群中实时、可扩展的心理压力监测提供了实证支持。