不只測心率,透過 AI 還能測大學生壓力程度

作者 | 發布日期 2019 年 07 月 02 日 8:15 | 分類 AI 人工智慧 , 穿戴式裝置 follow us in feedly


近日,美國麻薩諸塞大學計算機科學學院在 Arxiv.org 發表論文,提出進一步優化的 CALMNet 模型,可用於預測大學生壓力程度。

進入網路時代後的快節奏生活帶來科技加速進步,而技術等比級數式發展又帶來快節奏的生活。當下,在城市生活的年輕人包括學生,都面臨快速的生活和學習節奏,同時也有各種壓力。據外媒報導,美國麻薩諸塞大學計算機科學學院近日發表的研究論文指出,可透過 AI 預測壓力程度。

「隨著可穿戴裝置日益普及,透過 Fitbit、Apple Watch 及其他智慧可穿戴裝置引入功能強大的感測器,收集生理、行為數據已讓人逐漸接受,這使研究人員能利用從這些裝置收集生理數據,預測配戴者的精神狀態,例如情緒、壓力。」研究人員在《深度多任務網路的個性化學生壓力預測》一文指出。

自 2000 年以來,已有研究人員透過心率、皮質醇、皮膚導電率等人類生理參數檢測與研究,檢測人類受到的壓力;Mikelsons, G、Smith, M 等人在 2018 年發表的論文《利用智慧手機數據進行心理狀態預測的深度學習模式:挑戰與機遇》提出,透過 StudentLife(一款 App)採集的數據,基於位置特徵和神經網路方法,建立了基於位置的 MultiLayer 感知模型(MLP 模型),用以預測中學生的壓力程度。

《深度多任務網路的個性化學生壓力預測》提出跨個人活動 LSTM 多任務自動編碼器網路模型(CALMNet),將數據視為時間序列,並能辨識學生數據包含的時間模式,透過這些不同等級的資訊和個性化數據,預測學生的壓力程度。據論文作者表示,CALMNet 模型相對之前的 MLP 模型有 45.6% 的精準度提升。

論文提出的模型數據是在達特茅斯學院收集 48 名學生連續 10 週的 StudentLife 數據,包括睡眠狀況、活動情況、飲食情況等基本生活及生理數據。每天透過 StudentLife 應用程式收集數據,並透過對數據的統計分析 1~5 級的壓力生態瞬間評估(EMA)。

(Source:論文

這次 CALMNet 模型相對之前壓力檢測模型有改進,研究人員推測這是將數據視為時間序列的直接結果。「CALMNet 模型融合精細時態資訊和高級協變量的能力,能為每位學生提供個性化模式又不會過度擬合的架構,有助於提高模型性能。」

據了解,目前智慧可穿戴裝置主要分為運動、健康兩大應用,目前的智慧手環、智慧手錶仍沒有像行動網路時代的智慧手機人人必備,無論功能性、可玩性、使用者黏著性,都沒有很好的表現。

儘管如此,不得不提的是,智慧可穿戴裝置的出貨量還是穩定增長,且相當可觀。據 IDC 調研數據顯示,2018 全年可穿戴裝置出貨量為 1.722 億台,同期相比增長 27.5%。包括蘋果、小米、華為、Fitbit、三星可穿戴裝置單季銷量都超過百萬,為裝置廠商、研究人員帶來更多使用者與裝置的互動數據及裝置監測數據,這些數據將進一步為可穿戴裝置功能提升、新功能出現帶來可能。

據了解,目前透過大數據、AI 模型已可測量使用者心理、血壓、睡眠情況,這些功能也已應用到如智慧手環、智慧手錶等可穿戴裝置。隨著可穿戴裝置越來越普及,越來越多真實使用者數據匯集到裝置商、研發人員手中,將有越來越多使用者生命體徵、健康狀況將透過感測器即時收集,透過 AI 模型即時分析並顯示,這會使可穿戴裝置的功能越來越強大,有望成為功能、應用場景有別於智慧手機的下一代行動裝置。

(本文由 雷鋒網 授權轉載;首圖來源:Unsplash

延伸閱讀:

關鍵字: , , ,