不只测心率，通过AI可以测大学生压力水平

最近，麻省大学计算机科学学院在Arxiv.org发表了一篇论文，提出了一个进一步优化的卡尔曼网络模型，可以用来预测大学生的压力水平。

进入互联网时代后的快节奏生活带来了科学技术的加速进步，而技术的指数式发展带来了快节奏的生活。目前，生活在中国一线和二线城市的年轻人，包括学生，正面临着高频率的生活节奏和学习节奏，伴随着各种压力。据国外媒体报道，麻省大学计算机科学学院最近发表的一篇研究论文指出，它可以通过人工智能来预测压力水平。

“随着可穿戴设备的日益普及，通过在Fitbit、苹果手表和其他智能可穿戴设备中引入功能强大的传感器来收集生理和行为数据已经变得负担得起，这使得研究人员能够利用从这些设备中收集的生理数据来预测穿戴者的精神状态，如情绪和压力。”研究人员在文章“深度多任务网络的个性化学生压力预测”中指出。

自2000年以来，研究人员已经测试和研究了人类的生理参数，如心率、皮质醇水平和皮肤电导率，以检测对人类的压力。Mikelsons，G，Smith，M和其他人在他们2018年的论文“使用智能手机数据预测精神状态的深度学习模型:挑战和机遇”中提出，建立基于位置的多层感知模型(MLP模型)通过学生生活(StudentLife)收集的数据集并基于位置特征和神经网络方法来预测中学生的压力水平。

在“深度多任务网络的个性化学生压力预测”一文中，提出了一个跨LSTM个人活动的多任务自动编码网络模型。calmnet将数据视为时间序列，可以识别学生数据中包含的时间模式，并通过包含这些不同级别的信息和个性化数据来预测学生的压力水平。作者认为，卡尔曼网络模型的精度比以前的MLP模型高45.6%。

本文提出的模型数据集是从达特茅斯学院的48名学生通过学生生活连续10周收集的。收集的数据主要包括基本生活和生理数据，如睡眠状态、活动状态、饮食状态等。每天通过学生生活应用程序收集数据，并通过数据的统计分析进行5级压力的生态瞬时评估(EMA)。

在测试中，CALMNet模型比以前的压力检测模型有所改进，研究人员推测这是将数据作为时间序列处理的直接结果。“CALMNet模型整合精细时间信息和高级协变量的能力可以为每个学生提供一个没有过度拟合的个性化模型，这有助于提高其模型的性能。”

根据雷锋的网站，目前智能可穿戴设备主要分为运动和健康两种应用场景。然而，当前的智能腕带和智能手表对于人手来说并不像移动互联网时代的智能手机那样必要。它们在功能性、可玩性和用户粘性方面表现不佳。

尽管如此，必须提到的是，智能可穿戴设备的出货量仍在稳步增长，并且相当可观。根据国际数据公司的研究数据，2018年可穿戴设备发货量总计1.722亿台，同比增长27.5%。包括苹果、小米、华为、Fitbit和三星在内，一个季度就售出了100多万台可穿戴设备。这将为设备制造商和研究人员带来更多用户与设备之间的交互数据和设备监控的数据，这将进一步带来改善可穿戴设备功能和出现新功能的可能性。

雷锋了解到，目前，用户的心理、血压和睡眠可以通过大数据和人工智能模型来测量，这些功能也已经应用到智能手镯和智能手表等可穿戴设备上。随着可穿戴设备越来越流行，越来越多的真实用户数据被收集到设备制造商和研发人员手中，越来越多的用户生命体征和健康状况将通过传感器实时采集，并通过人工智能模型进行实时分析和显示，这将使可穿戴设备越来越强大，有望成为功能和应用场景不同于智能手机的下一代移动终端。