Wearable_LDF-FS

本研究介绍了一种基于激光多普勒流量计和荧光光谱传感器的新型可穿戴设备，用于非侵入性地评估心理健康。相应地，本研究提出了一个用于预测心理健康的相应数据集，该数据集包含132名年龄在18-94岁、来自19个国家的志愿者的生理信号。数据集探索了生理特征、人口统计信息、生活方式习惯和健康状况之间的关系。通过机器学习方法对压力进行分类，LightGBM模型被证明是最有效的。所有相关代码和数据已在线发布。

This study introduces a novel wearable device based on laser Doppler flowmeter and fluorescence spectrum sensors for non-invasive assessment of mental health. Correspondingly, this study proposes a corresponding dataset for mental health prediction, which contains physiological signals from 132 volunteers aged 18 to 94 from 19 countries. This dataset explores the relationships among physiological features, demographic information, lifestyle habits, and health status. The LightGBM model was proven to be the most effective for stress classification using machine learning methods. All relevant code and data have been publicly released online.

搜集汇总

数据集介绍

构建方式

Wearable_LDF-FS数据集是通过招募来自19个国家的132名年龄在18至94岁之间的志愿者，利用一种非侵入性的可穿戴设备收集的。该设备配备了激光多普勒血流仪（LDF）和荧光光谱（FS）传感器，用于捕捉皮下血液微循环参数。参与者被要求在安静的状态下佩戴设备，并完成DAS-21问卷，以评估他们的抑郁、焦虑和压力水平。数据集通过波let分析LDF信号提取关键节律振荡，并通过综合生理特征、人口统计、生活方式习惯和健康状况之间的关系，为心理健康评估提供了丰富的数据资源。

特点

Wearable_LDF-FS数据集的特点在于其规模之大和泛化程度之高，是目前为止为LDF和FS研究收集的最大和最广泛的数据集。它包含了来自不同国家、年龄和性别的人群的生理数据，以及他们通过DAS-21问卷报告的心理健康状态。数据集的构建使得研究人员能够探索生理特征与心理健康之间的复杂关系，并利用机器学习模型进行心理健康预测。此外，该数据集还使用了可解释人工智能（XAI）技术，如SHAP，以揭示模型预测背后的决策过程，增强模型的透明度和可信度。

使用方法

使用Wearable_LDF-FS数据集的方法包括利用机器学习算法进行心理健康预测，例如抑郁、焦虑和压力水平的预测。数据集提供了丰富的生理特征，如心率、体重指数（BMI）和皮肤温度，以及通过DAS-21问卷获得的心理健康评分。研究者可以采用多种数据分割方法，如随机80/20分割、留一法（LOPO）和5折交叉验证，来评估不同机器学习模型的性能。此外，利用XAI技术，如SHAP，可以帮助理解模型预测背后的关键特征，从而为心理健康评估和治疗提供有价值的见解。

背景与挑战

背景概述

Wearable_LDF-FS数据集是在Aston大学等机构的研究人员的推动下创建的，旨在通过可穿戴设备预测心理健康。该数据集的创建时间是2025年，主要研究人员包括Minh Ngoc Nguyen, Khai Le-Duc等。数据集的核心研究问题是通过可穿戴设备中的激光多普勒流量计(LDF)和荧光光谱(FS)传感器，建立机器学习模型来预测心理健康，例如抑郁、焦虑和压力水平。该数据集是目前为止收集的最大的、最通用的LDF和FS研究数据集，对于心理健康评估领域具有重要的影响力。

当前挑战

Wearable_LDF-FS数据集面临的挑战包括：1) 领域问题挑战：如何准确预测心理健康水平，以及如何将生理特征、人口统计、生活方式习惯和健康状况之间的关系进行深入分析；2) 构建过程中挑战：如何确保数据集的多样性和代表性，以及如何处理数据中的噪声和异常值。

常用场景

经典使用场景

Wearable_LDF-FS数据集主要用于评估心理健康，通过构建机器学习模型预测非侵入式可穿戴设备中配备的激光多普勒流量计(LDF)和荧光光谱(FS)传感器数据。该数据集用于预测心理健康状况，例如抑郁、焦虑和压力水平，通过DAS-21问卷进行评估。该数据集收集了132名志愿者（年龄在18至94岁之间）的数据，来自19个国家，探索了生理特征、人口统计学、生活习惯和健康状况之间的关系。

衍生相关工作

Wearable_LDF-FS数据集衍生了与心理健康评估和可穿戴设备相关的经典工作。该数据集为后续研究提供了宝贵的数据资源，并推动了机器学习模型在心理健康评估中的应用。此外，该数据集还促进了可解释人工智能(XAI)技术在心理健康评估中的应用，提高了模型的透明度和可信度。

数据集最近研究

最新研究方向

Wearable_LDF-FS数据集的最新研究方向主要集中在利用可穿戴设备进行心理健康评估。该研究通过建立机器学习模型，对配备激光多普勒血流仪（LDF）和荧光光谱仪（FS）传感器的非侵入式可穿戴设备进行心理健康预测，例如抑郁症、焦虑和压力水平。该数据集是目前为止收集的最大、最通用的LDF和FS研究数据集，包含132名来自19个国家的18-94岁志愿者的数据。研究结果表明，女性、年轻人以及BMI或心率较高的个体更容易出现心理健康问题，如压力和焦虑。此外，研究还发现，LightGBM模型在压力检测方面表现最为有效，ROC AUC达到0.7168，PR AUC达到0.8852。研究还结合了可解释人工智能（XAI）技术，以深入了解模型预测背后的决策过程。该研究为心理健康评估领域提供了有价值的见解，并有望推动可穿戴设备在临床应用中的进一步发展。

相关研究论文

• A Wearable Device Dataset for Mental Health Assessment Using Laser Doppler Flowmetry and Fluorescence Spectroscopy Sensors

  阿斯顿大学 · 2025年