Отбор признаков на основе контролируемого прироста информации для мультимодальных физиологических сигналов в прогнозировании стресса

Почему ваш запястье может выдать ваш стресс

Многие из нас сейчас носят умные часы или фитнес‑браслеты, которые тихо отслеживают частоту сердечных сокращений, движение и даже потоотделение. В этой статье рассматривается, как превратить эти повседневные сигналы в надежные ранние предупреждения о стрессе. Вместо строительства больших непрозрачных моделей искусственного интеллекта автор сосредоточился на выборе лишь самых информативных фрагментов данных с запястья, чтобы стресс можно было обнаруживать точно, эффективно и справедливо для разных людей.

Слушая тело через простые датчики

Исследование основано на открытом наборе данных под названием WESAD, где добровольцы носили коммерческий браслет на запястье во время спокойных, стрессовых и развлекательных активностей. Браслет записывал четыре типа сигналов: микроскопические изменения кровотока в запястье (импульсный кровяной объем), тонкие колебания влажности кожи (электродермальная активность), температуру тела и движение руки с помощью акселерометра. Вместе эти потоки дают окно в то, как тело реагирует, когда человек расслаблен, смеется или испытывает давление от задач вроде публичных выступлений и умственной арифметики.

От необработанных волн к осмысленным паттернам

Сырые следы датчиков шумны: они колеблются от момента к моменту и сильно различаются между людьми. Чтобы понять их, автор разрезает непрерывные сигналы на фрагменты по 30 секунд и анализирует, как каждый фрагмент ведет себя во времени и по частоте, используя стандартный инструмент обработки сигналов — коротковременное преобразование Фурье. Из этих цветных временно‑частотных «картин» извлекаются числовые дескрипторы, такие как средняя энергия, степень разброса энергии и где сосредоточены наиболее сильные ритмы. Такое более богатое описание фиксирует не только силу сигнала, но и то, как меняются его ритм и вариабельность при возникновении стресса.

Выбор только самых характерных подсказок

Даже после этой обработки остаются сотни потенциальных дескрипторов, и большинство из них мало информативны. Основная идея работы — использовать контролируемую меру, называемую приростом информации (Information Gain), чтобы ранжировать эти дескрипторы по тому, насколько хорошо они разделяют три состояния: базовое, стресс и развлечение. Проще говоря, дескриптор получает высокий балл, если знание его значения облегчает угадывание корректного состояния. Топ‑50 дескрипторов по всем четырем типам сенсоров затем объединяются в компактный портрет происходящего в теле в каждом 30‑секундном фрагменте, существенно сокращая объём данных при сохранении наиболее значимых подсказок.

Тестирование на новых людях, а не только на новых образцах

Распространённая ошибка в исследованиях по обнаружению стресса — нечаянное обучение и тестирование на данных одного и того же человека, что делает результаты более оптимистичными, чем они есть на самом деле. В этой работе избегают этой ловушки, применяя строгую оценку «оставь одного испытуемого»: модели обучаются на всех, кроме одного добровольца, а затем тестируются на этом удержанном человеке. Автор сравнивает несколько распространённых стратегий отбора признаков и алгоритмов обучения в таких жёстких условиях. Сочетание временно‑частотных признаков, отбора на основе прироста информации и классификатора Random Forest стабильно показывает лучшие результаты среди протестированных вариантов, достигая предметно‑независимой точности примерно в три из четырёх правильно классифицированных срезов и пиковой близости к 90 процентам для некоторых индивидуумов. Оно также превосходит альтернативные представления признаков, такие как подходы на основе преобразования Хильберта и квадратичного ядра.

Что это значит для повседневного отслеживания стресса

Для неспециалистов главное сообщение в том, что нам не обязательно нужны гигантские глубокие модели или сложные сенсорные установки, чтобы обнаруживать стресс по носимым устройствам. Тщательно отбирая, какие аспекты простых сигналов с запястья имеют значение, это исследование строит компактный и интерпретируемый конвейер, который достаточно хорошо обобщается на новых людей. Паттерны кровотока и температуры кожи оказываются особенно сильными индикаторами, поддерживаемыми электропроводностью кожи и движением. Хотя точность ещё далека от совершенства и падает при тестировании на очень различных синтетических данных, работа демонстрирует практический путь к надёжному, энергоэффективному мониторингу стресса, который однажды может помочь потребительским устройствам предупредить нас о том, что тело находится под напряжением, ещё до того как мы это осознаем.

Цитирование: Chouhan, S.A. Supervised information gain-based feature selection for multimodal physiological signals in stress prediction. Sci Rep 16, 12169 (2026). https://doi.org/10.1038/s41598-026-41734-6

Ключевые слова: обнаружение стресса в носимых устройствах, физиологические сигналы, отбор признаков, машинное обучение, мультимодальное сенсирование