近日，美国马萨诸塞大学计算机科学学院在 Arxiv.org 上发表论文，提出进一步得到优化的 CALMNet 模型，该模型可以用于预测大学生压力水平。进入互联网时代后的快节奏生活带来了科技的加速进步，而技术的指数式发展带来了快节奏的生活。当下，在国内一二线城市生活的年轻人，包括学生，都面临着高频的生活节奏和学习节奏，随之而来的同时也有各种压力。

据外媒报道，美国马萨诸塞大学计算机科学学院在近日发表的一篇研究论文指出，其可以通过 AI 对压力水平进行预测。

“随着可穿戴设备的日益普及，通过在 Fitbit、Apple Watch，以及其他智能可穿戴设备中引入功能强大的传感器收集生理、行为数据已经变得可以承受，这使得研究人员能够利用从这些设备收集到的生理数据来预测佩戴者的精神状态，例如情绪、压力。”研究人员在《深度多任务网络的个性化学生压力预测》一文中指出。

自 2000 年以来，已有研究人员通过心率、皮质醇水平、皮肤导电率等人类生理参数的检测与研究，检测人类受到的压力；Mikelsons, G、Smith, M 等人在其 2018 年发表的论文《利用智能手机数据进行心理状态预测的深度学习模式：挑战与机遇》中提出，通过 StudentLife（一款 APP）采集的数据集，基于位置特征和神经网络方法，建立基于位置的 MultiLayer 感知模型（MLP 模型），用以预测中学生的压力水平。

《深度多任务网络的个性化学生压力预测》一文中提出跨个人活动 LSTM 多任务自动编码器网络模型（CALMNet），它将数据视为时间序列，并能够识别学生数据中包含的时间模式，通过包含这些不同级别的信息和个性化数据对学生的压力水平进行预测。据论文作者表示，CALMNet 模型相对于此前的 MLP 模型有 45.6％的精准度提升。

该论文中提出的模型的数据库是在达特茅斯学院对 48 名学生连续 10 周通过 StudentLife 进行数据收集，收集数据主要包括睡眠状况、活动情况、饮食情况等基本生活及生理数据。每天通过 StudentLife 应用程序收集数据，并通过对数据的统计分析进行 1-5 级的压力的生态瞬时评估（EMA）。

在测试中，CALMNet 模型相对此前压力检测模型有所改进，研究人员推测这是其将数据视为时间序列的直接结果。“CALMNet 模型融合精细时态信息和高级协变量的能力，能够为每位学生提供个性化模式而又不会过度拟合的架构，有助于提高其模型的性能。”

目前智能可穿戴设备主要分为运动、健康两大应用场景定位，而目前的智能手环、智能手表仍没有像移动互联网时代的智能手机一场成为人手必备，无论是在功能性、可玩性、用户粘性上，并没有很好的表现。

尽管如此，不得不提的是，智能可穿戴设备的出货量还是稳步增长，而且相当可观的。据 IDC 调研数据显示，2018 年全年可穿戴设备出货量为 1.722 亿台，同比增长 27.5%。包括苹果、小米、华为、Fitbit、三星的可穿戴设备单季度销量都已超百万。这将为设备厂商、研究人员带来更多用户与设备的交互数据及设备监测到的数据，这些数据将进一步为可穿戴设备的功能提升、新功能出现带来可能。

目前通过大数据、通过 AI 模型已经可以测量用户心理、血压、睡眠情况，而这些功能也已经应用到诸如智能手环、智能手表等可穿戴设备中。随着可穿戴设备越来越普及，越来越多的真实用户数据汇集到设备商、研发人员手中，将会有越来越多的用户生命体征、健康状况将会通过传感器实时收集，通过 AI 模型实时分析并显示，这将会使可穿戴设备的功能越来越强大，有望成为在功能、应用场景上有别于智能手机的下一代移动终端。

《深度多任务网络的个性化学生压力预测》论文地址：/zixunimg/eefocusimg/arxiv.org/pdf/1906.11356.pdf