编辑推荐：
压力检测对预防长期健康问题意义重大。研究人员针对现有压力检测方法的不足，开展基于生物信号和人工特征的可解释深度神经网络研究。结果显示模型性能显著提升，还增强了解释性，为压力检测领域带来新进展。
在快节奏的现代生活中，压力如影随形，长期处于压力状态会给人们的健康带来诸多隐患，比如心血管疾病、精神焦虑等。准确检测压力，进而提前干预，成为了医学和健康领域的重要课题。以往研究中，使用生物信号（如心率、皮肤电反应等）检测压力的方法主要分为两类。一类是传统机器学习方法，依靠人工提取的特征（像均值、标准差等），但这类方法在处理复杂信号时表现欠佳；另一类是基于原始信号的深度学习方法，虽然性能较好，可在可解释性方面存在缺陷，就像一个 “黑匣子”，让人难以理解模型是如何做出决策的 。而且，许多适用于图像领域的可解释人工智能（XAI）技术，在生物信号领域却 “水土不服”。在这样的背景下，为了找到更高效且可解释的压力检测方法，来自国外的研究人员展开了深入研究。
研究人员聚焦于利用生物信号和人工特征开发可解释的深度神经网络（DNN）来检测压力。他们的研究成果具有重要意义，不仅提高了压力检测模型的准确性，还增强了模型决策过程的可解释性，这一成果发表在《Biomedical Signal Processing and Control》上。
在研究方法上，研究人员采用了多种关键技术。他们使用了 WESAD（WEarable Stress and Affect Detection）数据集，该数据集包含丰富的时间序列生理信号。同时，将原始生物信号与人工工程特征相结合输入到 DNN 模型中，并引入了注意力机制，让模型能够更有针对性地处理数据。为了提高模型决策的可解释性，研究人员没有直接照搬图像领域的方法，而是将显著性图与原始信号、人工工程特征相结合，还提供了通道和时间重要性信息。
研究结果
- 模型性能提升显著：研究人员通过实验，在压力分类任务中对模型性能进行评估。结果显示，在皮肤电活动（EDA）方面，模型准确率达到 92.89%；在光电容积脉搏波（PPG）方面，准确率为 92.16%；当整合所有模态数据时，准确率更是高达 96.57% 。这表明将原始信号与人工工程特征相结合，并运用注意力机制，能有效提升模型的性能。
- 可解释性得到增强：研究人员针对模型的可解释性展开了调查，调查对象为医学专家。通过对比仅基于原始信号的显著性图和结合人工工程特征显著性图及通道重要性的方法，结果表明，后一种方法生成的解释在清晰度和可用性上都有显著提升（p<0.005）。这意味着运用 XAI 技术处理人工工程特征，能够得到更易理解的解释，有助于专家更好地理解模型的决策过程。
研究结论与讨论
综合研究结果，研究人员验证了他们提出的三个假设。首先，注意力模块确实能够提升模型性能，它帮助模型更高效地处理数据，抓住关键信息。其次，将人工工程特征与原始信号相结合，不仅提高了模型的准确性，还增强了其泛化能力。最后，对人工工程特征应用 XAI 方法生成的解释，比仅基于原始信号的解释更清晰、更易理解，即使在信息集扩大的情况下也是如此。
这项研究为压力检测领域带来了新的突破，其重要意义不可小觑。从方法层面看，为生物信号处理和模型构建提供了新的思路，将原始信号与人工工程特征结合的方式，为其他类似研究提供了参考范例；从应用角度讲，提升了压力检测模型的准确性和可解释性，有助于开发更实用的压力检测设备，便于医护人员更精准地了解患者的压力状态，从而提供更具针对性的治疗方案，对预防和治疗与压力相关的疾病具有积极的推动作用。但研究也存在一定局限性，如仅依赖 WESAD 数据集，主要聚焦 PPG 和 EDA 信号。未来研究可考虑纳入更多类型的生物信号，像心电图（ECG）等，同时使用更大、更多样化的数据集，进一步提高模型的泛化能力和准确性，为压力检测和健康管理领域开拓更广阔的发展空间。
