基于增强型机器学习与多模态生物传感的焦虑识别创新架构：ANXIETY-CARE系统的开发与验证

　　本研究针对现有焦虑检测技术易受噪声和运动干扰的问题，开发了ANXIETY-CARE系统，整合EDR汗液传感器与多模态生理数据，采用XG-Boost和LSTM等机器学习算法，实现了84.3%的准确率，为可穿戴健康技术(WHT)提供了更可靠的实时焦虑监测方案。

　　

随着现代社会节奏加快，焦虑症已成为影响人们心理健康的重要问题。传统的焦虑检测方法如心电图(ECG)、血容量脉冲(BVP)和身体运动分析存在明显局限性，容易受到噪声干扰和运动伪影的影响。特别是在可穿戴健康技术(WHT)快速发展的背景下，如何实现精准、实时的焦虑状态识别成为研究热点。

近年来，医疗可穿戴技术日益普及，心理健康和精神安宁的重要性也日益凸显。这种现代技术能够实现持续监测，为医护人员提供关键的生理信息，从而改善患者治疗效果。然而，现有的焦虑检测技术面临着信号易受干扰和刚性干扰脆弱性等挑战。

为了解决这些问题，研究人员开展了名为"ANXIETY-CARE"的创新研究。这项研究旨在开发一个灵活的焦虑检测系统，采用混合方法来克服现有技术的限制。该智能机制利用了机器学习技术、最先进的上下文检测技术和汗液传感器设备。

研究人员采用了多种关键技术方法来实现这一目标。首先，他们使用了公开可用的WESAD数据集和StudentLife数据集，这些数据集包含来自15名受试者和48名大学生的多模态生理和行为数据。研究采用了传感器融合技术，结合腕戴式和胸戴式设备，收集包括心电图(ECG)、皮肤电活动(EDA)、体温(TEMP)、肌电图(EMG)和呼吸信号(RESP)等多种生理参数。

在数据处理方面，研究采用了Butterworth滤波器进行信号去噪，使用功率谱密度(PSD)分析进行特征提取。机器学习方法包括XGBoost、随机森林(RF)、支持向量机(SVM)和决策树(DT)等传统算法，以及长短期记忆网络(LSTM)和卷积神经网络(CNN)等深度学习模型。特别值得注意的是，研究还开发了ANXIETY-CARE的混合隐私保护算法(ADAHPP)，在保护用户隐私的同时实现高效模型训练。

3.1. LSTM

研究团队发现传统分类模型如SVM、逻辑回归和决策树无法处理时变数据，而循环神经网络(RNN)虽然能表示周期性交互，但存在梯度消失问题。LSTM网络通过使用输出门、输入门和遗忘门以及记忆单元，能够有效存储和处理数据序列中的持久信息。

3.1.1. Signal processing for wearable noise reduction

使用Butterworth滤波器进行信号去噪，其传递函数能够有效减少GSR或EDR等生物信号中的噪声。

3.1.2. Trade-off between computation-performance

ANXIETY-CARE能够在计算约束和性能之间找到平衡，通过概率近似方法选择最优分支分类器。

3.1.3. Branch classifiers

研究采用了XGBoost分类器、随机森林(RF)、支持向量机(SVM)和决策树(DT)等多种分类算法，对腕部模态进行3类和2类分类。

3.1.4. Feature extraction

提取了基于频率和统计度量的特征，包括功率谱密度(PSD)等特征用于焦虑分类。

3.1.5. Anxiety detection algorithm with hybrid privacy preservation

在隐私保护的联邦学习架构中，提出了结合XGBoost和LSTM的混合方法，确保数据隐私和安全。

3.1.6. Integration of context-aware features

将生物指标与各种环境和行为上下文因素相结合，提高了焦虑识别的准确性。

4.2. Detecting anxiety Levels with Electrodermal Response

研究发现EDR通过测量皮肤电导率来评估焦虑水平，皮肤电导率随汗腺活动而变化，建立了电阻与EDR之间的数学模型。

研究结果表明，ANXIETY-CARE系统在焦虑识别方面表现出色。在腕部模态的3类分类中，XGBoost模型达到了88.25%的准确率和79.11%的F1分数；在2类分类中，准确率更是达到了96.1%，F1分数为93.30%。胸部模态的表现同样令人印象深刻，最佳组合达到了95.11%的准确率和90.56%的F1分数。

特别值得关注的是，LSTM模型在焦虑预测方面展现出了良好的性能，接收者操作特征曲线(ROC)的曲线下面积(AUC)达到0.86，表明模型能够以较好的准确度区分"焦虑"和"非焦虑"状态。研究还发现，通过加入上下文信息，如音频和GPS数据，能够减少在激烈电话通话或体育活动期间因EDR升高而导致的误分类。

研究的讨论部分强调了几个重要发现。首先，多模态传感器融合显著提高了焦虑识别的准确性，通过结合多种生理信号，系统能够更可靠地识别焦虑状态。其次，上下文感知特征集成对于区分焦虑相关生理变化和其他因素引起的类似变化至关重要。研究还发现，不同身体位置的传感器（腕部与胸部）提供互补信息，结合使用能获得最佳性能。

在隐私保护方面，提出的混合隐私保护算法(ADAHPP)成功地在保持模型性能的同时确保了用户数据隐私，这对于实际临床应用具有重要意义。模型的可解释性通过SHapley Additive exPlanations(SHAP)值分析得到增强，使临床医生能够理解模型做出特定预测的原因。

这项研究的重要意义在于它为实时、非侵入式的焦虑监测提供了可行的技术方案。ANXIETY-CARE系统不仅精度高，而且具有很好的实用性和可部署性，平均推理时间少于50毫秒，模型大小小于2MB，在标准可穿戴设备上仅增加5-7%的电池消耗。这使其非常适合日常使用和长期监测。

研究人员也坦诚指出了研究的局限性，包括训练数据量有限、模型在某些情况下可能过拟合等问题。这些发现为未来研究指明了方向，包括需要更大规模的数据集、进一步优化模型架构以及探索更多的临床应用场景。

总之，这项研究通过创新性地结合多模态生物传感和先进机器学习算法，为焦虑症的识别和监测提供了有效的技术解决方案。ANXIETY-CARE系统的开发不仅推动了可穿戴健康技术的发展，也为心理健康监测提供了新的工具和方法，具有重要的临床意义和社会价值。随着技术的进一步成熟和优化，这种基于生物传感的焦虑识别方法有望在临床诊断、个人健康管理和远程医疗等领域发挥重要作用。