[论文解读] Human Stress Assessment: A Comprehensive Review of Methods Using Wearable Sensors and Non-wearable Techniques

Aamir Arsalan, Muhammad Majid+4 more|arXiv (Cornell University)|Feb 7, 2022

Emotion and Mood Recognition被引用 13

一句话总结

本文全面综述了基于可穿戴与非可穿戴传感器的人体压力检测方法，整合了主观评估与客观的生理、身体及行为指标。研究强调了利用心电图（ECG）、皮肤电导率（GSR）、光电容积脉搏波（PPG）和语音等信号的多模态机器学习方法，在压力分类中最高达到94.52%的准确率，并指出了关键挑战，如缺乏标准化数据集以及深度学习在慢性压力检测中的应用有限。

ABSTRACT

This paper presents a comprehensive review of methods covering significant subjective and objective human stress detection techniques available in the literature. The methods for measuring human stress responses could include subjective questionnaires (developed by psychologists) and objective markers observed using data from wearable and non-wearable sensors. In particular, wearable sensor-based methods commonly use data from electroencephalography, electrocardiogram, galvanic skin response, electromyography, electrodermal activity, heart rate, heart rate variability, and photoplethysmography both individually and in multimodal fusion strategies. Whereas, methods based on non-wearable sensors include strategies such as analyzing pupil dilation and speech, smartphone data, eye movement, body posture, and thermal imaging. Whenever a stressful situation is encountered by an individual, physiological, physical, or behavioral change is induced which help in coping with the challenge at hand. A wide range of studies has attempted to establish a relationship between these stressful situations and the response of human beings by using different kinds of psychological, physiological, physical, and behavioral measures. Inspired by the lack of availability of a definitive verdict about the relationship of human stress with these different kinds of markers, a detailed survey about human stress detection methods is conducted in this paper. In particular, we explore how stress detection methods can benefit from artificial intelligence utilizing relevant data from various sources. This review will prove to be a reference document that would provide guidelines for future research enabling effective detection of human stress conditions.

研究动机与目标

• 系统性回顾基于可穿戴与非可穿戴传感器的主观与客观人体压力检测方法。
• 识别当前压力检测研究中的局限性，包括缺乏标准化数据集以及对慢性压力关注不足。
• 探索人工智能与多模态机器学习在提升自动化压力检测方面的潜力。
• 强调需要类似情感识别领域的DEAP数据库那样的大规模、公开可用数据集。
• 通过阐明开放挑战与实际部署需求，为未来研究提供指导，以构建适用于现实世界的压力监测系统。

提出的方法

• 对基于可穿戴传感器（脑电图（EEG）、ECG、GSR、肌电图（EMG）、PPG）和非可穿戴技术（语音、瞳孔直径、姿势、热成像）的压力检测方法进行系统性文献综述。
• 分析结合生理、身体与行为信号的多模态融合策略，以提升分类准确率。
• 应用时域、频域及小波基方法等特征提取技术，对传感器数据进行预处理。
• 使用随机森林、支持向量机（SVM）及深度学习模型等机器学习分类器进行压力水平分类。
• 评估独立成分分析（ICA）与小波去噪等信号处理方法，以提升真实环境（非实验室）下的数据质量。
• 对比实验室与非实验室条件，强调光照、温度、湿度等环境干扰对信号可靠性的影响。

实验结果

研究问题

• RQ1 可穿戴与非可穿戴传感器方法在检测急性与慢性压力方面如何比较？
• RQ2 哪些最有效的多模态融合策略可提升压力分类准确率？
• RQ3 在真实世界、非实验室环境中部署压力检测系统面临哪些关键挑战？
• RQ4 为何缺乏标准化、公开可用的压力数据集是该领域进展的主要障碍？
• RQ5 人工智能，尤其是深度学习，在实现可扩展且准确的人体压力检测方面可发挥多大潜力？

主要发现

• 通过随机森林分类器对ECG、GSR与PPG等生理信号进行多模态融合，三分类压力检测的最大分类准确率达到94.52%。
• 急性压力检测研究较为充分，但慢性压力检测仍研究不足，尽管其对长期健康与经济具有深远影响。
• 环境因素如温度、湿度与光照显著影响真实场景下的信号质量，导致其可靠性低于受控实验室条件。
• 深度学习模型虽具潜力，但因缺乏用于有效训练的大规模、公开可用压力数据集而应用受限。
• 现有研究多使用专有数据集，导致结果难以直接比较，凸显了建立标准化基准数据集的迫切需求。
• 主观方法如心理问卷调查仍至关重要，但仅靠其无法满足需求；客观的传感器监测对于实现实时、可扩展的压力评估至关重要。