AwareOne: A Wrist System for Daily Stress Monitoring Using Mid-Level Physiological Fusion and Late-Fusion with Survey-Based Labels
Notice bibliographique
Résumé
Background: Multi-sensor fusion can improve daily stress monitoring. Methods: A wrist-worn device includes a system of the Galvanic Skin Response (GSR), PPG-derived Heart Rate Variability (HRV), skin temperature, and SpO₂, paired with self-reported questionnaires. The device streams data to a mobile app over Bluetooth Low Energy and updates the UI within 1-2 seconds. The physiological features are taken within a fixed window around each questionnaire time and performs a mid-level fusion; late fusion is also evaluated with self-reports. Results: Against a commercial reference device, AwareOne achieved a mean absolute error of 0.23 for SpO₂ and 4.94 for BPM in a one-day benchmark session. The system was validated through a technical evaluation using representative inputs and simulated survey labels. A Support Vector Machine algorithm reached a mean squared error of 0.08 on stress prediction. Temperature showed to have the strongest correlation with simulated stress levels at −0.43, followed by Heart Rate Variability (HRV) at 0.36, while SpO₂ had negligible correlation at 0.09 in the current dataset. Conclusion: The system integrates multi-sensing, on device preprocessing, BLE transmission, and a clear fusion workflow that creates a useful predictive performance of daily stress monitoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».