基于智能手机传感器的压力水平检测与初级医疗保健研究
一、基于智能手机传感器的压力水平检测
1.1 模型构建 基础模型 ：基础 LSTM 模型使用加速度计、陀螺仪和环境光传感器的分钟级数据进行训练。基础模型的特征包括加速度计（3 轴）、陀螺仪（3 轴）和环境光的均值和标准差，共 14 个特征。 改进模型 ：提出了四个改进模型，分别加入了不同排列组合的应用程序数据、通话数据和工作日因素。 模型 1 ：在基础模型中加入工作日因素。 模型 2 ：计算每分钟应用程序使用时长的总和，并将该特征添加到模型 1 中。 模型 3 ：计算每分钟通话时长的总和，并将该特征添加到模型 1 中。 模型 4 ：将所有特征组合在一起。 1.2 模型训练使用 Keras 顺序模型，添加 16 个 LSTM 层单元，接着添加 8 个带有 ReLU 激活函数的全连接层，最后一层的密集层数量等于输出向量的形状，并使用 Softmax 激活函数。模型编译时使用分类交叉熵作为损失参数，Adam 优化器，准确率作为评估指标。模型在数据上进行拟合，运行 200 个周期，批次大小为 4，验证集分割比例为 0.1。
1.3 结果分析 1.
