基于可穿戴传感器与机器学习的心理压力检测研究综述

作者及发表信息
本文由印度Birla Institute of Technology, Mesra的计算机科学与工程系研究人员Shruti Gedam和Sanchita Paul共同完成，发表于期刊IEEE Access，发布日期为2021年6月2日，最终版本修订于2021年6月16日，数字对象标识符（DOI）为10.1109/ACCESS.2021.3085502。

研究背景与目标
心理压力是一种由外界挑战或需求引发的生理-心理状态，长期暴露于压力源（stressors）可能导致慢性健康问题。传统压力检测方法（如激素检测或主观问卷）依赖实验室环境或用户主动报告，存在实时性差、主观性强等缺陷。可穿戴设备（wearable sensors）的兴起为连续、无创的压力监测提供了可能，而机器学习（machine learning）技术则能从生理信号中自动识别压力模式。本文旨在系统综述基于可穿戴传感器与机器学习的压力检测方法，分析不同传感器（如心电ECG、脑电EEG、光电容积图PPG）的适用性，并探讨多模态压力检测系统的未来方向。

主要观点与论据

1. 压力检测的生理信号基础
   压力通过自主神经系统（autonomic nervous system, ANS）影响多种生理参数，包括心率（heart rate, HR）、心率变异性（heart rate variability, HRV）、皮肤电反应（galvanic skin response, GSR）、皮肤温度（skin temperature, ST）等。例如，压力状态下HR和GSR升高，而HRV降低。研究通过时域、频域和非线性指标（如PNN50、LF/HF比率）量化HRV，以区分压力与放松状态（表3-5）。这些信号可通过Empatica、Shimmer等商用可穿戴设备或低成本传感器（如Arduino开发板）采集（表6）。

2. 机器学习在压力检测中的应用
   监督学习（supervised learning）是主流方法，常用算法包括支持向量机（SVM）、随机森林（random forest, RF）和k最近邻（k-NN）（表7）。例如，在驾驶员压力检测中，结合ECG和GSR的SVM模型准确率达87.39%（表12）；而多模态数据（如ECG+EEG）的深度学习模型可进一步提高至95.21%。无监督学习（unsupervised learning）则用于无标签数据的模式发现，如聚类分析。

3. 不同环境下的压力检测研究

   • 驾驶环境：通过PhysioNet数据集（24名受试者）分析城市道路（高压力）、高速公路（中压力）和休息状态（低压力），发现HRV和GSR对驾驶压力最敏感（表12）。
     
   • 学术环境：针对学生的研究表明，考试压力可通过腕戴设备监测GSR和ST，结合活动识别算法（activity recognition）区分压力与日常活动（表13）。
     
   • 办公环境：ECG和HRV特征在办公室场景中表现最佳，因会议、 deadlines等应激事件易引发ANS反应（表14）。
     

4. 现有研究的局限性与挑战

   • 数据质量：运动伪影（motion artifacts）和传感器佩戴不当可能降低信号可靠性。
     
   • 个体差异：健康状况（如高血压、糖尿病）可能干扰生理信号解读。
     
   • 实时性：实验室环境的高准确性（如90%以上）在自然场景中可能下降至67-80%（如学术研究案例）。
     

5. 未来方向与多模态系统提案
   作者提出一种基于深度学习（deep learning）的多模态压力检测框架（图5），整合ECG、EEG、GSR和ST信号，使用卷积神经网络（CNN）和循环神经网络（RNN）处理时序数据。该系统计划针对学生、教师和职场人员开发，结合TSST（Trier Social Stress Test）等标准化压力诱发协议验证效果。

论文的价值与意义
本文全面梳理了压力检测的技术脉络，指出可穿戴设备与机器学习的结合是未来趋势，尤其强调多模态数据的互补性（如ECG+EEG）和深度学习模型的潜力。其科学价值在于：
1. 为不同场景（驾驶、办公、学术）的压力检测提供方法学参考；
2. 提出标准化数据集（如WESAD）和验证流程的重要性；
3. 推动实时、个性化的心理健康监测技术发展，尤其在盲人、消防员等高压力人群中的应用（如安全预警、健康管理）。

亮点与创新
- 全面性：涵盖传感器类型、机器学习算法、应用场景三大维度，对比52项研究（表8-14）。
- 批判性分析：明确指出实验室与真实场景的精度差距，并提出解决方案（如上下文感知算法）。
- 前瞻性提案：首次系统提出多模态深度学习框架，强调生理信号融合的必要性。

其他有价值内容
- 附录详细列出HRV分析指标（表3-5）和商用设备参数（表6），可作为工具手册。
- 讨论部分链接抑郁检测研究（参考文献67-69），扩展了压力与精神健康的关联分析。