基于信号-图像转换与局部模式技术的多模态压力分类创新研究

【编辑推荐】本研究创新性地将局部二值模式（LBP）、局部导数模式（LDP）等纹理特征提取技术与频谱图结合，通过机器学习（SVM/LG）实现压力状态分类，在图像分析中取得98.7%-100%的准确率，为可穿戴设备（如Empatica E4）的生理信号（HR/RR/EDA）分析提供了跨模态解决方案。

　　

Highlight

本研究通过局部模式技术（LBP/LNDP/LTrP）结合频谱图分析，开创性地实现了压力状态的跨模态检测。

相关研究

现有压力检测研究多基于生理数据集（如Stress Predict Dataset），采用机器学习（ML）和深度学习（DL）算法分析时域/频域/非线性特征。可穿戴传感器（如Empatica E4）通过皮肤电活动（EDA）、心率（HR）等信号实现实时监测。

材料与方法

研究采用四阶段框架：

1. 数据预处理（线性插值）

2. 生成多模态频谱图（HR/RR信号）

3. 特征提取（纹理/熵/分形维度）

4. 机器学习分类（SVM/LG/集成学习）

结果分析

• 图像分析：LBP技术统计特征准确率达98.7%，熵特征达100%

• 方向性模式（LNDP/LTrP）中，逻辑回归（LG）和集成学习表现超越SVM，准确率100%

• 基于像素强度分布（0.4-1范围）的Matthews相关系数（MCC）和Kappa评分显著提升

• AlexNet在图像分类中展现优势

结论

局部模式技术通过捕捉频谱图的纹理和方向性特征，显著提升压力预测准确率（较信号分析提升20%+），为可穿戴健康监测提供了新的跨模态分析范式。