编辑推荐：
为解决人工胰腺（AP）系统受多种因素影响，需精准检测身体活动和急性应激的问题，研究人员开展了可穿戴生理信号在急性应激和运动条件下的研究。收集了 36 人应激、30 人有氧运动、31 人无氧运动数据，经多种算法验证，该数据集可助力 AP 系统性能提升等研究。
在健康管理和医疗技术不断发展的今天，1 型糖尿病（T1DM）作为一种自身免疫性疾病，严重影响着患者的生活质量。T1DM 会导致胰腺中产生胰岛素的 β 细胞被破坏，患者不得不依赖终身的外源胰岛素注射，并持续监测血糖，以避免低血糖和高血糖的发生。当前，最先进的糖尿病管理技术是人工胰腺（AP）系统，它能通过持续皮下输注自动提供基础胰岛素，借助控制算法接收间质葡萄糖传感器的数据来调节胰岛素泵。然而，食物摄入、身体活动（PA）、压力和疾病等多种因素，会使血糖水平大幅波动，胰岛素需求快速且难以预测地变化，这往往需要用户手动干预。所以，提升 AP 系统的性能和自主性，成为了亟待解决的关键问题，而准确检测身体活动和急性应激，就是实现这一目标的重要一步。
为此，来自阿根廷布宜诺斯艾利斯大学工程学院生物医学工程研究所（IIBM）等机构的研究人员，开展了一项关于可穿戴生理信号在急性应激和运动条件下的研究。他们收集了 36 名健康个体在应激诱导过程中、30 名在有氧运动期间、31 名在无氧运动期间的生理数据，并将这些数据整理成一个全新的公开数据集。该研究成果发表在《Scientific Data》上。
在研究中，研究人员使用了多种关键技术方法。首先，他们选用 Empatica E4 腕带收集数据，该腕带能测量皮肤电活动（EDA）、皮肤温度（ST）、三轴加速度和血容量脉搏（BVP）等生理信号。数据收集分两个阶段进行，共招募了 36 名 19 - 30 岁的志愿者，且排除了患有慢性疾病等不符合条件的人员。实验遵循严格的协议，包括特定的应激诱导、有氧运动和无氧运动协议。此外，研究人员还运用 Python 库进行信号预处理和特征提取，并使用多种机器学习算法对数据进行分类验证。
下面来看看具体的研究结果。
应激诱导协议有效性验证
通过分析参与者自我报告的应激水平，研究人员发现应激诱导协议有效。在任务阶段，参与者应激水平升高，休息阶段则降低。对数据进行归一化处理后，使用 Kruskal - Wallis 检验和 Dunn’s 事后检验分析，结果显示不同阶段之间存在显著差异。其中，Trier Mental Challenge Test 和 Subtract Test 是主要的应激诱导任务。这表明研究人员设计的应激诱导协议能够可靠地诱导出应激反应，为后续研究提供了有效的实验基础。
信号预处理和特征提取
研究人员利用 Python 中的 Pandas、SciPy、NumPy 和 NeuroKit2 等工具对信号进行处理。对于血容量脉搏（BVP）信号，使用 4 阶 Chebyshev Type II 数字滤波器去除噪声；皮肤电活动（EDA）信号先经 5 阶 Butterworth 低通滤波器滤波，再用 Savitzky - Golay 滤波器分离出不同成分；对于心率变异性（HRV），通过处理 BVP 信号获取相关特征。同时，从各信号中提取了多种特征，如统计特征、变化率特征等，这些特征为后续的分类研究提供了丰富的数据维度。
分类研究
研究人员对数据进行了多种分类研究。在数据预处理时，对压力协议内的块进行了参与者内归一化处理。从 49 个初始特征中，通过高相关性滤波器筛选出关键特征。使用 K - 最近邻（K - Nearest Neighbors）、逻辑回归（Logistic Regression）等多种机器学习算法进行模型训练和测试，并采用 10 折交叉验证和 80/20 的训练 - 测试分割方式。结果显示，XGBoost 算法在各项任务中表现最佳，在压力与休息的二分类中准确率达 93%，区分有氧运动和无氧运动的准确率为 91%，在包含压力、休息、有氧运动和无氧运动的四标签分类任务中准确率为 84%。
综上所述，该研究构建了一个包含急性应激和运动期间生理信号的公开数据集，填补了相关领域的空白。其意义在于，为研究压力、有氧运动和无氧运动对生理变量的影响提供了统一的数据资源，有助于更准确地检测这些状态。这对于将生物特征测量纳入 AP 控制算法至关重要，因为不同的干扰因素对 T1DM 患者的血糖动态有着不同影响。同时，研究中提供的应激诱导协议和数据处理方法也为后续相关研究奠定了坚实基础，有望推动糖尿病管理以及其他涉及生理信号监测和分析领域的发展。
