DPulseDPulse / Наукові новини
Порівняння методів виявлення стресу за ЕДА: складна модель не завжди краща
Дослідники з Університету Нотр-Дам зібрали 26 відкритих наборів даних і порівняли способи обробки сигналу та моделі.
Що сталося
У вересні 2026 року на сервері препринтів arXiv з’явилася праця Gang Liu і Zixiong Ning з Університету Нотр-Дам (США) «Electrodermal Activity (EDA) for Stress Detection: A Comprehensive Survey and Benchmark» (arXiv:2609.22622). Це препринт: відомостей про рецензування на його сторінці немає.
Автори описали весь шлях обробки сигналу ЕДА для виявлення стресу — від очищення від артефактів до моделювання. Вони зібрали 26 публічних наборів даних і 22 репрезентативні праці, що спираються на одноканальну ЕДА. Потім порівняли методи на п’яти наборах — Neuro, WESAD, MAUS, AffectiveROAD і EmpaticaE4Stress, — де разом 95 учасників.
У порівняння потрапили три методи розкладання сигналу на складові (cvxEDA, sparsEDA, ospEDA) із фільтрацією та без неї, класичні моделі машинного навчання (зокрема Random Forest, XGBoost, SVM, KNN) і нейромережі (зокрема BiLSTM, CNN, Transformer, GRU). Моделі перевіряли двома способами: виключаючи по одному учаснику (LOSO) і переносячи модель з одного набору даних на інший.
Що показало порівняння
- Серед методів розкладання сигналу найкращим виявився cvxEDA.
- Моделі, що працюють із заздалегідь обчисленими ознаками, перевершили наскрізне глибинне навчання. Найкращими стали Random Forest серед класичних моделей і BiLSTM серед нейромереж.
- Після перенесення на інший набір даних результати зазвичай гірші, ніж усередині одного набору. Набори із записами в природних умовах переносилися стабільніше.
- Донавчання на даних цільового набору суттєво покращило результат — майже до рівня, який дає навчання всередині одного набору.
- Додаткові набори даних не завжди допомагали, а просте об’єднання наборів інколи шкодило.
Автори роблять висновок: надійність виявлення стресу за ЕДА залежить від узгодженої обробки й оцінювання, від способу подання сигналу та від того, наскільки сумісні дані, а не від складності моделі чи простого об’єднання наборів. Код вони обіцяють оприлюднити після прийняття статті. Серед напрямів подальшої роботи називають пристосування моделей до нових умов, навчання з малою кількістю позначених прикладів і розгортання на носимих пристроях.
Що з цього випливає для практики
- Результат, отриманий в одних умовах, не слід автоматично переносити на інші: у цьому порівнянні зміна набору даних погіршувала точність.
- Якщо спосіб обробки доводиться застосовувати в нових умовах, його варто спершу налаштувати на записах із цих умов: це майже повернуло якість до рівня всередині одного набору.
- Записуйте в протоколі, як очищали сигнал від артефактів і як розкладали його на складові: автори пов’язують надійність саме з узгодженою обробкою.
- Складніша програма не гарантує кращого результату: у цьому порівнянні прості ознаки виграли в нейромереж, що навчаються наскрізно.
Межі висновків
Це препринт, а порівняння стосується виявлення стресу за одноканальною ЕДА на п’яти відкритих наборах із 95 учасників. Це чужа робота: її висновки не є оцінкою приладу DPulse.
Де прочитати
Liu G., Ning Z. Electrodermal Activity (EDA) for Stress Detection: A Comprehensive Survey and Benchmark. arXiv:2609.22622, версія 1. 2026. Препринт. Дата звернення: 12.11.2026.