综述：机器学习与深度学习技术在基于多种生理信号的心理压力检测中的关键见解

（编辑推荐）这篇综述系统梳理了利用生理信号（ECG/EEG/PPG等）、可穿戴技术及AI算法（机器学习/深度学习）检测心理压力的研究进展，重点分析了多模态数据融合与高光谱成像技术的应用潜力，为心理健康监测提供了创新方法论。

　　

ABSTRACT

心理压力检测正成为健康医学与人工智能交叉领域的研究热点。通过整合心电图（ECG）、脑电图（EEG）、光电容积描记（PPG）等生理标记物，结合可穿戴设备的实时监测优势，研究者已构建出多种压力预测模型。其中机器学习算法通过特征工程提取心率变异性（HRV）等关键指标，而深度学习则擅长处理EEG信号中的非线性模式。值得注意的是，皮肤电反应（GSR）因与交感神经活动高度相关，成为压力评估的黄金标准之一。

Graphical Abstract

最新研究呈现的AI驱动框架显示：多模态数据融合可显著提升分类准确率。例如将PPG信号与面部微表情图像通过卷积神经网络（CNN）联合分析，使急性压力识别率达到92.3%。高光谱成像技术更突破了接触式检测的局限，通过分析皮肤血氧饱和度动态变化实现无创评估。

Conflicts of Interest

当前技术路线仍面临三大挑战：个体生理差异导致的模型泛化瓶颈，运动伪影对可穿戴数据的干扰，以及多源数据时间同步问题。未来或需开发自适应归一化算法和新型传感器融合架构，而公开数据集（如WESAD）的标准化将加速算法迭代。