用于可穿戴设备野外即时压力检测的半监督学习

来自可穿戴或移动传感器的生理和行为数据已用于估计自报告的压力水平。由于压力标注通常依赖于研究期间的自我报告，有限的标注数据可能成为开发准确且可泛化的压力预测模型的障碍。另一方面，传感器可以无标注地持续捕获信号。本研究探讨利用未标注的可穿戴传感器数据进行野外压力检测。我们提出了一种两阶段半监督学习框架，利用可穿戴传感器数据辅助压力检测。所提出的结构包含用于从未标注数据中学习信息的自动编码器预训练方法，以及用于增强模型鲁棒性的一致性正则化方法。此外，我们提出了一种新颖的主动采样方法，用于选择未标注样本，以避免向模型引入冗余信息。我们使用两个包含野外生理信号和压力标签的数据集以及四个人类活动识别（HAR）数据集验证了这些方法，以评估所提出方法的通用性。我们的方法在压力检测方面展现出competitive的结果，与基线监督学习模型相比，压力分类性能提升了约 7% 至 10%。此外，我们为 HAR 任务进行的消融研究支持了我们方法的有效性。我们的方法在压力检测和 HAR 任务上与最先进半监督学习方法相比展现出相当的性能。