PulseAugur
中
实时 07:17:19
English(EN) State-Specific Respiratory Signatures for Affective and Stress Recognition: Interpretable Respiratory Markers, Autocorrelation Lags, and Compact CNN Models

新AI模型利用呼吸信号检测压力和情绪

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种利用呼吸信号识别情感和压力状态的新方法，将卷积神经网络（CNN）与手工制作的呼吸特征相结合。研究发现，原始信号CNN模型在压力检测方面表现出色，准确率达到96.72%，而紧凑型特征模型在识别基线、愉悦和冥想状态方面更有效。这项工作突出了可解释的呼吸特征在非压力条件下的实用性，提供了对生理标记更透明的理解。 AI

影响 这项研究可能带来更准确、更具可解释性的用于心理健康监测的可穿戴设备。

排序理由 该集群包含一篇详细介绍新研究方法和发现的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新AI模型利用呼吸信号检测压力和情绪

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Andrei Velichko, Mehmet Tahir Huyut ·

    State-Specific Respiratory Signatures for Affective and Stress Recognition: Interpretable Respiratory Markers, Autocorrelation Lags, and Compact CNN Models

    arXiv:2606.26723v1 Announce Type: cross Abstract: Respiratory activity is a direct and interpretable physiological channel for wearable stress and affective-state recognition, yet many studies emphasize classification accuracy without identifying which respiratory properties sepa…

  2. arXiv cs.LG TIER_1 English(EN) · Mehmet Tahir Huyut ·

    用于情感和压力识别的特定状态呼吸特征：可解释的呼吸标志物、自相关滞后和紧凑型CNN模型

    Respiratory activity is a direct and interpretable physiological channel for wearable stress and affective-state recognition, yet many studies emphasize classification accuracy without identifying which respiratory properties separate different states. This work reframes RESP-bas…

相关实体

相关话题