Cross-Modality Investigation on WESAD Stress Classification

深度学习的日益普及推动了其在医疗保健领域的广泛应用，其中人工智能和传感器技术的进步增强了诊断、治疗和监测的能力。在移动健康领域，基于AI的工具使得像压力这样的状况能够进行早期诊断和持续监测。可穿戴技术和多模态生理数据使压力检测变得越来越可行，但模型的效果依赖于数据的质量、数量和模态。本研究使用WESAD数据集开发了用于压力检测的变压器模型，训练数据包括心电图（ECG）、皮肤电活动（EDA）、肌电图（EMG）、呼吸速率（RESP）、温度（TEMP）和三轴加速度计（ACC）信号。结果表明，单模态变压器在分析生理信号方面表现出色，实现了最先进的性能，在压力检测中准确率、精确率和召回率达到了99.73%到99.95%。此外，本研究还探讨了跨模态性能，并通过学习嵌入空间的二维可视化以及基于数据方差的定量分析进行了解释。尽管在压力检测和监测方面已有大量研究，但这些模型在不同模态之间的鲁棒性和泛化能力尚未得到充分探索。这项研究是首批尝试解释用于压力检测的嵌入空间的研究之一，提供了有关跨模态性能的宝贵信息。

该论文试图解决使用多模态生理信号进行准确的应激检测问题，特别是通过深度学习模型（如变压器模型）来提升应激状态的识别精度。这是一个重要的研究领域，因为现有的应激检测方法可能在数据质量和跨模态泛化方面存在不足。

关键思路是利用变压器模型处理和分析来自WESAD数据集的多种生理信号（ECG、EDA、EMG、RESP、TEMP、ACC），以实现高精度的应激检测。相比以往的研究，该研究不仅展示了单模态变压器的有效性，还探索了不同模态之间的交叉性能，并通过2D可视化和定量分析解释了嵌入空间，这是理解模型如何从不同信号中提取特征的重要一步。

该研究的一个亮点是在应激检测任务上实现了99.73%到99.95%的高精度，这表明变压器模型在处理生理信号方面的强大能力。此外，研究还首次尝试解释嵌入空间，为理解跨模态性能提供了新视角。实验设计严谨，使用了WESAD数据集，涵盖了多种生理信号。虽然没有提及开源代码，但这种级别的性能和新颖的解释方法为未来研究奠定了基础，特别是在跨模态学习和应激监测的可解释性方面。

最近在这个领域内还有其他相关研究，例如： 1. "Deep Learning for Wearable-Based Stress Detection: A Review" - 综述了基于可穿戴设备的应激检测技术。 2. "Cross-Subject Stress Recognition Using Transfer Learning and Domain Adaptation" - 探讨了跨主体应激识别中的迁移学习和域适应。 3. "A Multimodal Deep Learning Framework for Continuous Stress Assessment in Mobile Health" - 提出了一种用于连续应激评估的多模态深度学习框架。 这些研究都集中在提高应激检测的准确性、鲁棒性和跨个体泛化能力。