综述：基于机器学习和深度学习技术的压力检测：系统性综述与荟萃分析

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Stress Detection Using Machine Learning and Deep Learning Techniques: A Systematic Review and Meta-Analysis

本综述系统评述了压力检测领域的前沿进展，重点探讨了利用生理信号（如脑电图EEG、心电图ECG、皮电反应GSR、皮肤温度ST）及在线社交网络OSNs数据，结合机器学习ML与深度学习DL技术构建计算模型的方法。文章遵循PICO框架，通过荟萃分析（森林图与漏斗图）量化评估模型性能，并展望了在工作场所、教育、汽车等行业的多领域应用前景，为开发高效可靠的压力管理方案指明了方向。

　　

压力检测的技术前沿与方法论探索

压力已成为影响现代人身心健康的主要问题，其来源多样，可划分为不同类型。生理性压力对人体施加高压，扰乱日常活动与整体健康。长期处于高压力状态可能导致严重健康并发症，包括心血管疾病等压力诱发性疾病。为降低风险，持续监测压力水平以实现早期检测与及时干预至关重要。

多元化的压力检测数据源

当前压力检测方法呈现出数据驱动的多元化特征。一方面，研究利用在线社交网络OSNs产生的行为数据；另一方面，生理信号提供了更为客观的指标。其中，脑电图EEG和心电图ECG是核心的生理信号来源。此外，来自可穿戴设备的信号，如皮电反应GSR和皮肤温度ST，也因其便捷性而受到广泛关注。这些数据源共同构成了构建精准压力检测模型的基础。

机器学习与深度学习的技术赋能

为提升检测精度，机器学习ML和深度学习DL技术被广泛应用于分析上述信号。ML模型擅长从特征工程中学习模式，而DL模型则能自动提取复杂特征。本研究通过系统性综述，重点关注了这些模型的目标、数据源、分析方法、具体ML/DL方法以及性能评估。研究遵循PICO（Population, Intervention, Comparison, Outcome）框架，确保文献筛选与评估的系统性和可比性。

跨行业应用与性能评估

压力检测模型的应用已拓展至多个关键领域，包括工作场所、教育机构和汽车行业。为量化评估不同研究的模型性能，本综述引入了荟萃分析，采用森林图和漏斗图对研究结果进行定量总结，从而提供了跨越多项研究的性能概览。

研究局限与未来展望

通过对现有方法论的全面回顾，本文指出了当前研究存在的空白，例如不同生理信号融合的挑战、模型在真实场景中的泛化能力等。未来研究方向可能集中于开发更鲁棒的多模态融合算法、提升模型的可解释性，以及推动个性化压力监测解决方案的落地，最终支持开发更有效、更可靠的压力管理工具。