基于可穿戴PPG信号的学生压力与疲劳实时分类：面向教育场景的轻量化计算研究

《IEEE Transactions on Affective Computing》：Real-World Classification of Student Stress and Fatigue Using Wearable PPG Recordings

　　本研究针对青少年学生压力与疲劳监测需求，开发了名为Wellby的轻量化PPG信号处理管道。通过结合时域HRV特征、信号质量指数和基线问卷，在真实教育场景中实现了压力分类AUC-ROC达91.60%、疲劳分类平均精度达85.84%的性能，为可穿戴设备在情感计算领域的边缘部署提供了技术范式。

　　

在当今教育环境中，学生面临着日益增长的压力和疲劳问题，这些心理状态不仅影响学习效率，更可能对长期健康产生深远影响。传统的心理状态评估主要依赖主观问卷，存在回忆偏差和实时性不足的局限。随着可穿戴设备的普及，通过生理信号监测情感状态的技术为这一领域带来了新的可能。然而，现有研究大多在受控实验室环境下进行，缺乏真实教育场景的验证，且复杂的计算模型难以在资源受限的可穿戴设备上实时运行。

这项发表在《IEEE Transactions on Affective Computing》的研究，通过开发轻量化的光电容积脉搏波（PPG）信号处理管道，实现了对学生压力和疲劳状态的实时监测。研究人员与爱尔兰三所中学的43名学生合作，利用定制开发的Wellby可穿戴系统收集了一个月的真实世界数据，为可穿戴情感计算在教育场景的应用提供了重要实践依据。

研究采用的关键技术方法包括：1）定制化可穿戴PPG数据采集系统（基于MAX30101传感器和NRF52840微控制器）；2）轻量化信号处理管道（带通滤波、噪声消除和峰值检测算法）；3）时域心率变异性（HRV）特征提取（包括SDNN、RMSSD等10项指标）；4）多种机器学习分类器（支持向量机、随机森林等）的性能比较；5）结合信号质量指数（SQI）和基线问卷的多元特征融合策略。

数据处理流程验证

研究团队首先在公开数据集WESAD和AKTIVES上验证了处理管道的有效性。在WESAD数据集上，支持向量机（SVM）分类器达到了91.58%的AUC-ROC（接收者操作特征曲线下面积），在AKTIVES数据集上梯度提升（GB）分类器达到76.61%的AUC-ROC。这表明该轻量化管道在实验室环境下具有与复杂模型相当的分类性能。

真实场景分类性能

在Wellby数据集上，仅使用时域HRV特征时，压力分类的AUC-ROC为77.02%，疲劳分类的平均精度（AP）为83.19%。当加入信号质量指数和基线问卷后，压力分类性能显著提升至91.60% AUC-ROC，疲劳分类达到85.84% AP。这一结果突显了结合上下文信息对提升真实场景分类性能的重要性。

计算效率分析

与深度学习方法相比，提出的轻量化管道在WESAD数据集上训练时间减少96.9%，内存使用降低55.6%。模型大小仅为3.344KB，推理时间0.001秒，显著优于混合基线（11.620KB）和CNN基线（6791.820KB），证明了其在资源受限设备上部署的可行性。

特征重要性解析

通过Shapley值分析发现，平均心率、中位NN间期和基线感知压力量表（PSS）对压力分类影响最大，而中位NN间期、SDNN和青少年幸福度量表（EPOCH）对疲劳分类贡献最大。这表明生理特征与基线心理状态的结合能更准确反映学生的情感状态。

研究结论表明，这种轻量化方法在保持高精度的同时显著降低了计算复杂度，为在教育环境中实现实时情感计算提供了可行方案。值得注意的是，研究还发现了不同人口统计学群体间的性能差异，表明白人学生和非白人学生之间的分类准确性存在4.2%-18.8%的差距，提示未来研究需要更多样化的数据集。

讨论部分强调了该研究的三大贡献：一是首次在真实教育场景中验证了PPG基于压力和疲劳检测的可行性；二是开发了适合可穿戴设备部署的轻量化管道；三是通过结合信号质量指数和上下文信息提高了分类可靠性。这些成果为开发不依赖智能手机的学生健康监测系统奠定了基础，特别是在课堂等限制手机使用的场景中具有重要意义。

该研究的局限性包括样本量较小和人口统计学分布不均，未来工作需要更大规模的研究验证模型的泛化能力。此外，青春期生理应激反应的独特性意味着成人数据训练的模型可能不直接适用于青少年群体，需要进一步开展年龄特异性的研究。

这项研究为可穿戴情感计算从实验室走向真实应用场景提供了重要技术支撑，开创了基于边缘计算的学生健康监测新范式。通过将复杂的信号处理和分析算法优化为适合可穿戴设备运行的形式，使实时、无扰动的学生健康监测成为可能，为教育领域的精准健康干预提供了新工具。