利用可解释AI变压器TabNet技术与生理信号实现自动化压力检测

《Biomedical Signal Processing and Control》：Automated stress detection with explainable-AI transformer TabNet technique and physiological signals

心理压力预测模型研究基于HR和EDA信号，采用可解释的TabNet Transformer模型，通过四个公开数据集验证，LOSO交叉验证显示76%准确率，结合SHAP和LIME解释方法提升模型可信度。

　　心理压力对人类的身心健康、行为模式以及整体生活质量产生深远影响。随着现代生活节奏的加快，心理压力已经成为一个普遍存在的问题，甚至被世界卫生组织视为21世纪的流行病。在日常生活中，工作压力、社交关系、健康状况等因素都可能成为压力的来源。压力可以按照持续时间、触发因素以及个体的反应方式被分类为急性、慢性、周期性或创伤性等多种类型。而压力的持续存在可能引发一系列生理和心理上的健康问题，包括肥胖、高血压、糖尿病、脂肪肝等代谢性疾病。因此，及时识别和管理心理压力具有重要的现实意义。

人工智能技术的发展为心理压力的检测和管理提供了新的可能性。通过利用可穿戴设备采集的生理数据，如心率（HR）和皮肤电活动（EDA），研究人员可以构建更加精准的预测模型。这些模型不仅可以帮助医生进行更有效的诊断，还能为个体提供个性化的健康管理建议。然而，现有的许多模型在实际应用中面临一个重要的挑战，即模型的可解释性问题。许多人工智能模型被视为“黑箱”，即其内部机制难以理解，这使得模型的可信度和实用性受到质疑。特别是在医疗健康领域，模型的可解释性至关重要，因为医生和患者都需要了解模型是如何得出结论的，以便做出合理的决策。

为了解决这一问题，本研究提出了一种基于人工智能的可解释性深度学习模型，即“注意力可解释表格学习”（Attentive Interpretable Tabular Learning，TabNet）。该模型结合了Transformer架构和注意力机制，旨在从多模态的不平衡数据中捕捉心理压力的关键特征。研究使用了来自四个公开数据集的生理信号，包括WESAD、SWELL、NEURO和UBFC-Phys，这些数据集涵盖了99名受试者的HR和EDA信号。通过对这些数据进行分析，模型能够有效地识别心理压力，并通过交叉验证策略确保其在不同个体之间的泛化能力。

在模型构建过程中，研究者采用了多种数据预处理方法，以应对数据不平衡和噪声干扰的问题。例如，通过去除压力事件前后的一些非相关数据，确保模型能够准确捕捉到压力发生时的生理变化。此外，研究还使用了合成少数类过采样技术（SMOTE）来增强模型对不平衡数据的处理能力，从而提高其在实际应用中的稳定性。为了提高模型的可解释性，研究者引入了SHapley Additive exPlanations（SHAP）和local interpretable model-agnostic explanation（LIME）等解释性工具，这些工具可以帮助研究人员和临床医生理解模型在决策过程中是如何权衡不同特征的重要性。

研究结果显示，所提出的TabNet模型在检测心理压力方面表现良好，其准确率达到了76%，精确率和召回率分别为77%和76%，F1分数为74%。这些指标表明，模型能够有效地区分压力和非压力状态，同时保持较高的泛化能力。此外，模型在“留一受试者”（Leave-One-Subject-Out，LOSO）交叉验证策略下的表现进一步验证了其在不同个体之间的适应性。LOSO策略通过将每个受试者单独作为测试数据，其余数据用于训练，确保模型在面对未知数据时仍能保持较高的识别能力。

尽管许多研究已经证明了HR和EDA信号在心理压力检测中的有效性，但这些模型的可解释性仍然是一个未被充分解决的问题。在本研究中，通过引入TabNet模型和解释性工具，研究者不仅提高了模型的分类性能，还增强了其在临床环境中的可信度。研究者强调，模型的可解释性对于其未来的实际应用至关重要，因为只有具备可解释性的模型才能被广泛接受并用于实际的健康管理。

值得注意的是，心理压力的检测和管理不仅仅依赖于模型的准确性，还涉及到个体差异和主观反应。不同的人对同一压力源可能有不同的生理和心理反应，因此模型需要具备一定的适应性和灵活性。研究者指出，使用可穿戴设备进行持续监测是一种有效的手段，因为它能够提供实时的生理数据，帮助医生更好地了解个体的压力状态。然而，这些设备在实际应用中仍面临一些挑战，例如电池寿命有限、传感器数量较少等，这些问题可能会影响数据采集的连续性和精度。

此外，研究者还提到，模型的可解释性对于确保其公平性和避免偏见也具有重要意义。在构建AI模型时，研究人员需要考虑不同群体之间的差异性，确保模型不会对某些群体产生不利影响。通过使用SHAP和LIME等工具，研究者能够对模型的决策过程进行分析，识别出哪些特征对压力检测最为关键，以及是否存在某些特征对模型性能产生负面影响。这种透明度不仅有助于提高模型的可信度，还能为后续的研究提供有价值的参考。

本研究的成果具有重要的现实意义，特别是在临床健康管理和个性化医疗领域。通过构建一个既具备高分类性能又具备良好可解释性的模型，研究者为心理压力的自动检测提供了一种新的解决方案。这种模型可以与基于云的系统相结合，实现对个体压力状态的实时监测和预警。未来的研究可以进一步探索如何将这种模型应用于更广泛的健康监测场景，例如心理健康评估、职业压力管理以及慢性疾病的预防。

总的来说，本研究通过引入TabNet模型和可解释性工具，为心理压力的检测和管理提供了一个新的方向。研究者不仅验证了该模型在不同数据集上的有效性，还强调了模型可解释性在实际应用中的重要性。这种结合深度学习和可解释性技术的方法，有望在未来的医疗健康领域发挥更大的作用，帮助人们更好地理解和管理自己的心理状态。