《Biomedical Signal Processing and Control》：Developing an explainable Deep Neural Network for stress detection using biosignals and human-engineered features
編輯推薦：
壓力檢測對預防長期健康問題意義重大。研究人員針對現有壓力檢測方法的不足，開展基于生物信號和人工特征的可解釋深度神經網絡研究。結果顯示模型性能顯著提升，還增強了解釋性，為壓力檢測領域帶來新進展。
在快節奏的現代生活中，壓力如影隨形，長期處于壓力狀態會給人們的健康帶來諸多隱患，比如心血管疾病、精神焦慮等。準確檢測壓力，進而提前干預，成為了醫學和健康領域的重要課題。以往研究中，使用生物信號（如心率、皮膚電反應等）檢測壓力的方法主要分為兩類。一類是傳統機器學習方法，依靠人工提取的特征（像均值、標準差等），但這類方法在處理復雜信號時表現欠佳；另一類是基于原始信號的深度學習方法，雖然性能較好，可在可解釋性方面存在缺陷，就像一個 “黑匣子”，讓人難以理解模型是如何做出決策的 。而且，許多適用于圖像領域的可解釋人工智能（XAI）技術，在生物信號領域卻 “水土不服”。在這樣的背景下，為了找到更高效且可解釋的壓力檢測方法，來自國外的研究人員展開了深入研究。
研究人員聚焦于利用生物信號和人工特征開發可解釋的深度神經網絡（DNN）來檢測壓力。他們的研究成果具有重要意義，不僅提高了壓力檢測模型的準確性，還增強了模型決策過程的可解釋性，這一成果發表在《Biomedical Signal Processing and Control》上。
在研究方法上，研究人員采用了多種關鍵技術。他們使用了 WESAD（WEarable Stress and Affect Detection）數據集，該數據集包含豐富的時間序列生理信號。同時，將原始生物信號與人工工程特征相結合輸入到 DNN 模型中，并引入了注意力機制，讓模型能夠更有針對性地處理數據。為了提高模型決策的可解釋性，研究人員沒有直接照搬圖像領域的方法，而是將顯著性圖與原始信號、人工工程特征相結合，還提供了通道和時間重要性信息。
研究結果
- 模型性能提升顯著：研究人員通過實驗，在壓力分類任務中對模型性能進行評估。結果顯示，在皮膚電活動（EDA）方面，模型準確率達到 92.89%；在光電容積脈搏波（PPG）方面，準確率為 92.16%；當整合所有模態數據時，準確率更是高達 96.57% 。這表明將原始信號與人工工程特征相結合，并運用注意力機制，能有效提升模型的性能。
- 可解釋性得到增強：研究人員針對模型的可解釋性展開了調查，調查對象為醫學專家。通過對比僅基于原始信號的顯著性圖和結合人工工程特征顯著性圖及通道重要性的方法，結果表明，后一種方法生成的解釋在清晰度和可用性上都有顯著提升（p<0.005）。這意味著運用 XAI 技術處理人工工程特征，能夠得到更易理解的解釋，有助于專家更好地理解模型的決策過程。
研究結論與討論
綜合研究結果，研究人員驗證了他們提出的三個假設。首先，注意力模塊確實能夠提升模型性能，它幫助模型更高效地處理數據，抓住關鍵信息。其次，將人工工程特征與原始信號相結合，不僅提高了模型的準確性，還增強了其泛化能力。最后，對人工工程特征應用 XAI 方法生成的解釋，比僅基于原始信號的解釋更清晰、更易理解，即使在信息集擴大的情況下也是如此。
這項研究為壓力檢測領域帶來了新的突破，其重要意義不可小覷。從方法層面看，為生物信號處理和模型構建提供了新的思路，將原始信號與人工工程特征結合的方式，為其他類似研究提供了參考范例；從應用角度講，提升了壓力檢測模型的準確性和可解釋性，有助于開發更實用的壓力檢測設備，便于醫護人員更精準地了解患者的壓力狀態，從而提供更具針對性的治療方案，對預防和治療與壓力相關的疾病具有積極的推動作用。但研究也存在一定局限性，如僅依賴 WESAD 數據集，主要聚焦 PPG 和 EDA 信號。未來研究可考慮納入更多類型的生物信號，像心電圖（ECG）等，同時使用更大、更多樣化的數據集，進一步提高模型的泛化能力和準確性，為壓力檢測和健康管理領域開拓更廣闊的發展空間。
