不只測心率，通過AI可以測大學生壓力水平

雷鋒網消息，近日，美國馬薩諸塞大學計算機科學學院在Arxiv.org上發表論文，提出進一步得到優化的CALMNet模型，該模型可以用於預測大學生壓力水平。

進入互聯網時代後的快節奏生活帶來了科技的加速進步，而技術的指數式發展帶來了快節奏的生活。當下，在國內一二線城市生活的年輕人，包括學生，都面臨著高頻的生活節奏和學習節奏，隨之而來的同時也有各種壓力。據外媒報道，美國馬薩諸塞大學計算機科學學院在近日發表的一篇研究論文指出，其可以通過AI對壓力水平進行預測。

「隨著可穿戴設備的日益普及，通過在Fitbit、Apple Watch，以及其他智能可穿戴設備中引入功能強大的感測器收集生理、行為數據已經變得可以承受，這使得研究人員能夠利用從這些設備收集到的生理數據來預測佩戴者的精神狀態，例如情緒、壓力。」研究人員在《深度多任務網路的個性化學生壓力預測》一文中指出。

自2000年以來，已有研究人員通過心率、皮質醇水平、皮膚導電率等人類生理參數的檢測與研究，檢測人類受到的壓力；Mikelsons, G、Smith, M等人在其2018年發表的論文《利用智能手機數據進行心理狀態預測的深度學習模式：挑戰與機遇》中提出，通過StudentLife（一款APP）採集的數據集，基於位置特徵和神經網路方法，建立基於位置的MultiLayer感知模型（MLP模型），用以預測中學生的壓力水平。

《深度多任務網路的個性化學生壓力預測》一文中提出跨個人活動LSTM多任務自動編碼器網路模型（CALMNet），它將數據視為時間序列，並能夠識別學生數據中包含的時間模式，通過包含這些不同級別的信息和個性化數據對學生的壓力水平進行預測。據論文作者表示，CALMNet模型相對於此前的MLP模型有45.6％的精準度提升。

該論文中提出的模型的資料庫是在達特茅斯學院對48名學生連續10周通過StudentLife進行數據收集，收集數據主要包括睡眠狀況、活動情況、飲食情況等基本生活及生理數據。每天通過StudentLife應用程序收集數據，並通過對數據的統計分析進行1-5級的壓力的生態瞬時評估（EMA）。

在測試中，CALMNet模型相對此前壓力檢測模型有所改進，研究人員推測這是其將數據視為時間序列的直接結果。「CALMNet模型融合精細時態信息和高級協變數的能力，能夠為每位學生提供個性化模式而又不會過度擬合的架構，有助於提高其模型的性能。」

據雷鋒網了解，目前智能可穿戴設備主要分為運動、健康兩大應用場景定位，而目前的智能手環、智能手錶仍沒有像移動互聯網時代的智能手機一場成為人手必備，無論是在功能性、可玩性、用戶粘性上，並沒有很好的表現。

儘管如此，不得不提的是，智能可穿戴設備的出貨量還是穩步增長，而且相當可觀的。據IDC調研數據顯示，2018年全年可穿戴設備出貨量為1.722億台，同比增長27.5%。包括蘋果、小米、華為、Fitbit、三星的可穿戴設備單季度銷量都已超百萬。這將為設備廠商、研究人員帶來更多用戶與設備的交互數據及設備監測到的數據，這些數據將進一步為可穿戴設備的功能提升、新功能出現帶來可能。

雷鋒網了解到，目前通過大數據、通過AI模型已經可以測量用戶心理、血壓、睡眠情況，而這些功能也已經應用到諸如智能手環、智能手錶等可穿戴設備中。隨著可穿戴設備越來越普及，越來越多的真實用戶數據彙集到設備商、研發人員手中，將會有越來越多的用戶生命體征、健康狀況將會通過感測器實時收集，通過AI模型實時分析並顯示，這將會使可穿戴設備的功能越來越強大，有望成為在功能、應用場景上有別於智能手機的下一代移動終端。

《深度多任務網路的個性化學生壓力預測》論文地址：https://arxiv.org/pdf/1906.11356.pdf。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！