基于监督信息增益的多模态生理信号特征选择用于压力预测

为什么你的手腕能揭示你的压力

我们中有许多人现在佩戴智能手表或健身手环，悄然记录心率、运动量，甚至出汗程度。本文探讨如何将这些日常信号转化为可靠的早期压力预警。作者没有构建庞大且不透明的人工智能模型，而是着重于从手腕设备中挑选出最具信息量的数据片段，使压力能够被准确、高效且在不同人群间公平地检测出来。

通过简单传感器倾听身体

该研究以一个公开数据集 WESAD 为中心，志愿者在平静、压力和愉悦的活动过程中佩戴商业手环。手环记录了四类信号：手腕部位血流微小变化（血容量脉搏）、皮肤湿度的细微变化（皮电活动）、体温以及来自加速度计的手臂运动。这些信号流共同提供了一个窗口，展示人在放松、发笑或承受如公众演讲与心算等任务压力时身体的反应。

从原始波形到有意义的模式

原始传感器记录常常很混乱：随时刻波动，并且个体间差异很大。为了解读这些信号，作者将连续数据切成30秒片段，并用一种标准的信号处理工具——短时傅里叶变换（STFT）——分析每个片段在时间和频率上的表现。从这些丰富的时频“图像”中，研究提取了数值描述符，如平均能量、能量分布的离散程度以及最强节律出现的位置。这种更丰富的描述不仅捕捉信号的强度，还反映出当人变得紧张时节律与变异性的改变。

仅挑选最具指示性的线索

即便经过处理，仍然有数百个潜在描述符，其中大多数并无太大帮助。论文的核心思想是使用一种监督度量——信息增益（Information Gain）来对这些描述符进行排序，评估它们在区分三种状态（基线、压力、愉悦）方面的能力。简单来说，如果知道某个描述符的值能更容易判断出正确状态，则该描述符评分较高。随后，将来自四类传感器中排名前50的描述符融合为每个30秒片段的紧凑画像，大幅减少数据量同时保留最具指示性的线索。

在新个体上测试，而不仅仅是新样本

压力检测研究中的一个常见陷阱是无意间在同一人身上进行训练与测试，这会使结果看起来比实际更好。该工作通过严格的“留一被试外”评估避免了这一陷阱：模型在除一名志愿者外的所有人上训练，然后在那名被保留的个体上测试。作者在这一苛刻设置下比较了若干常见的特征选择策略与学习算法。时频特征、基于信息增益的选择以及随机森林分类器的组合在测试选项中持续表现最佳，达到约四分之三样本被正确分类的受试者独立准确率，并在个别被试上峰值接近90%。该方法也优于诸如基于希尔伯特变换和二次核等替代特征表示。

这对日常压力追踪意味着什么

对非专业读者而言，关键结论是：我们不必依赖巨大的深度学习模型或复杂的传感器配置，就能从可穿戴设备中检测压力。通过谨慎选择简单手腕信号中最重要的方面，这项研究建立了一个精简且可解释的流程，能够较好地推广到新个体。血流与皮肤温度模式被证明是尤其有力的指示器，皮电和运动也起到辅助作用。尽管在非常不同的合成数据上测试时准确率仍有下降且尚未达到完美，但该工作展示了一条通往可信、节能的压力监测的实际路径，未来有望帮助消费设备在我们尚未意识到之前就提醒身体处于应激状态。

引用: 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

关键词: 可穿戴压力检测, 生理信号, 特征选择, 机器学习, 多模态感测