利用上下文感知机器学习框架监测压力以保护学生心理健康.pdfVIP

ThisworkhasbeensubmittedtotheIEEEforpossible

publication.Copyrightmaybetransferredwithoutnotice,after

whichthisversionmaynolongerbeaccessible.

利用上下文感知机器学习框架监测压力以保

护学生心理健康

MdSultanulIslamOvi,JamalHossain,MdRaihanAlamRahi,andFatemaAkter

Dept.ofComputerScience,GeorgeMasonUniversity,Virginia,USA

Dept.ofComputerScienceandEngineering,UniversityofRajshahi,Bangladesh

Dept.ofComputerScienceandEngineering,GreenUniversityofBangladesh,Bangladesh

Email:movi@,jamal37.ru.cse@,

raihanrahi170001@,fatema.akter0313@

摘要—学生心理健康是学术机构日益关注的问题，其中压压力量表（PSS）这样的工具在学术研究中经常被用来

本力可以严重影响学生的福祉和学业表现。传统的评估方法依赖于评估压力感知。然而，这些工具容易受到回忆偏差、情

译主观调查和定期评估，为及时干预提供的价值有限。本文介绍了绪依赖和参与者疲劳的影响[4]。此外，它们仅提供学

一个用于通过两个互补的基于调查的数据集（涵盖心理、学术、

中生心理状态的回顾性快照，限制了其对于早期干预的有

环境和社会因素）分类学生压力的情境感知机器学习框架。该框

1架遵循一个六阶段流程，涉及预处理、特征选择（SelectKBest,用性。虽然生理测定提供了更客观的数据，但它们通常

v

5RFECV）、降维（PCA），以及使用六个基础分类器进行训耗时且在现实世界环境中持续使用并不实际[5]。因此，

0练：SVM、随机森林、梯度提升、XGBoost、AdaBoost和经历较高压力水平的学生可能直到症状变得严重才会

1

1Bagging。为了提高性能，我们实施了包括硬投票、软投票、加被注意到。

0权投票和堆叠在内的集成策略。我们的最佳模型在学生压力因素

.最近的技术进步为动态和可扩展的压力监测解决

8数据集上通过加权硬投票实现了93.09%的准确率，在压力与福

0祉数据集上通过堆叠实现了99.53%的准确率，超越了之前的基方案引入了新的机会。机器学习（ML）与物联网（IoT）

5准。这些结果突显了情境整合、数据驱动系统在早期压力检测中技术的融合，特别是可穿戴传感器和智能手机的应用，

2

:的潜力，并强调其在现实世界学术环境中的适用性，以支持学生已经实现了对生理和行为压力指标的持续且不显眼的

v

i福祉。监测[5]。智能手表和健身追踪器等设备可以收集实时

x

rIndexTerms—学生压力分类、机器学习、集成模型、情生物信号，包括心率变异性、电皮层活动和皮肤温度

a

境感知系统、基于调查的分析

[6]。这些数据流能够反映出与心理压力相关的自主神经

I.介绍系统活动[7]。除了这些信号外，智能手机和环境传感

心理健康已成为学术界的一个重要问题，压力成为器还可以提供诸如身体活动、环境类型、一天中的时间

影响学生的最常见的心理挑战之一。