Stress Detection 压力检测论文笔记

《Stress Detection in Working People 》用的生理信号和SVM分类

研究了支持向量机（SVM）和K-最近邻（KNN）对这些提取的特征集进行分类。

压力检测在各种文献中都有讨论，因为它是一项重要的社会贡献，可以改善个人的生活方式。Ghaderi等人。[4]利用呼吸、心率（HR）、面部肌电图（EMG）、皮肤电反应（GSR）和手部数据分析了压力，得出结论：呼吸过程的特征在压力检测中具有重要意义。Maria Viqueira等人[5]通过将GSR作为唯一的生理传感器连接，描述了使用独立的压力传感硬件进行的心理压力预测。David Liu等人[6]提出了一项仅通过心电图（ECG）预测应激水平的研究。

 

《Stress and anxiety detection using facial cues from videos》（研究眼睛、嘴巴的与压力的相关性）

本研究中最终使用的面部线索包括与眼睛相关的特征（眨眼、眼孔）、口腔活动特征（VTi、Enr、中位数、方差、偏斜、峰度和香农熵）、头部运动幅度、头部速度和心率估计（根据面部皮肤颜色的变化得出）。所有这些特征都提供了一种非接触式的压力检测方法。

某些特征在很大范围的诱发条件下对压力/焦虑状态敏感，而其他特征则表现出更为受限、任务特定的表现。可以得出结论，在特定压力和焦虑条件下，眨眼率增加。此外，头部运动幅度和速度也与应力有关，以小的快速运动形式。在口腔活动方面，最大程度的中位数和时间变异性（VTI）在观看有压力的视频时增加，而香农熵似乎减少。

 

《StressCam: Non-contact measurement of users' emotional states through thermal imaging》（研究额头温度的热成像判断压力）

在压力期间，血液流向受试者的前额区域的流量增加。血流量的增加集中在前额的正面血管系统上温度升高可以通过无热成像传感器测量。

 

《Personalized Driver Stress Detection with Multi-task Neural Networks using Physiological Signals》 生理特征分类，神经网络与SVM做比较

压力研究有着广泛的应用领域，从提高军事人员的应变能力到提高运动员的表现。过去有许多技术被提出来检测飞行员[18]、汽车驾驶员[6，7]、计算机用户[23]和外科医生[19]的压力。除了速度和面部表情外，大多数方法还使用许多生理信号[21]，如呼吸频率、心电图（ECG）、血压和肌电图（EMG）。在自然条件下收集这些数据源对于开发实际应用是非常困难的，而且对消费者不友好。

我们的实验是使用a）MIT驾驶员压力数据集[5]和b）模拟器驾驶数据进行的。我们首先测试了两个标准分类器作为基线：线性（L）和径向基函数（RBF）核的逻辑回归（LR）和支持向量机。除此之外，我们还训练了两层（独立主题）神经网络模型进行性能比较。（用于方法比较）每名受试者的数据随机分为训练和测试集（80/20）。对超参数优化的训练集进行5倍交叉验证，并对测试集上的参与者平均评估指标。这些模型的压力识别性能分别总结在表1和表2中，用于实际驾驶和模拟驾驶。