AI通过手机传感器数据预测大学生的情绪和压力

大学生的生活充满种种压力。而压力对健康有诸多负面影响已被充分证明。如果不及时治疗，它会引起心血管疾病，影响记忆和认知，甚至抑制免疫系统。

马萨诸塞大学计算机科学学院的研究人员转向人工智能，以帮助找出造成社会和学术压力的过大因素。

他们通过问卷调查和智能手机传感器数据，预测出低于中值、中值或高于中值的压力水平。他们报告说，他们的模型实现了最先进的性能，与学生睡眠模式、活动、对话、位置、心理健康信息等数据集的基线相比，准确性提高了45.1%。

“随着可穿戴设备的日益普及，能够利用从这些设备收集的生理数据来预测佩戴者的精神状态，例如情绪和压力，这表明了临床应用潜力很大，但这样的任务极具挑战性。通过在Fitbit，Apple Watch和智能手机等可穿戴设备中引入高质量的强大传感器，以合理的准确度高效收集生理和行为数据已经可以实现。”

研究人员将人工智能系统的跨个人活动LSTM多任务自动编码网络（CALM-Net）中的数据视为时间序列，并可识别其中包含的时间模式。

此外，它还提供了个性化模型和合并时间序列信息的能力，这将随着学生人数的增加而提高性能。它可以推断和测量一些事情，比如一周中的哪一天，睡眠评分，睡眠时间，以及到下一个任务截止日期的时间。

模型训练的语料库，即学生生活数据是在达特茅斯手机的，并由安卓应用程序提供支持。在为期10周的每一天中，它以生态瞬时评估的形式（即对问卷的实时响应）记录了来自48名学生的压力数据，并与活动（步行，跑步），音频（静音，语音，噪音），手机充电水平和手机锁定状态等被动感知数据配对，频率通常为每10秒钟一次。

在测试中，CALM-Net改进了它所比较的两种最先进模型的性能。研究人员推测这是其将数据视为时间序列的直接结果。

他们写道：“CALM-Net融合精细时态信息和高级协变量的能力，能够为每个学生解读个性化模式，而不会过度拟合的架构，有助于提高其性能。这种方法改善了所有评估模型的性能，表明压力指标通常可以使用个性化层进行更好的建模。”

论文：

arxiv.org/pdf/1906.11356.pdf

End