PULSE: Privileged Knowledge Transfer from Electrodermal Activity to Low-Cost Sensors for Stress Monitoring

📄 arXiv: 2510.24058v1 📥 PDF

作者: Zihan Zhao, Masood Mortazavi, Ning Yan

分类: eess.SP, cs.AI, cs.LG

发布日期: 2025-10-28

备注: Accepted as a finders paper at ML4H 2025

💡 一句话要点

PULSE：利用EDA的特权知识迁移，提升低成本传感器在压力监测中的性能

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 压力监测 皮肤电活动 知识迁移 自监督学习 多模态融合

📋 核心要点

  1. 现有压力检测依赖昂贵的EDA传感器，限制了其在低成本可穿戴设备上的应用。
  2. PULSE框架利用EDA进行自监督预训练，然后将知识迁移到低成本传感器，实现无EDA的压力检测。
  3. 实验表明，PULSE框架在WESAD数据集上取得了良好的压力检测性能，验证了知识迁移的有效性。

📝 摘要（中文）

皮肤电活动(EDA)是压力检测的主要信号，但需要昂贵的硬件，这在现实世界的穿戴设备中通常不可用。本文提出了PULSE，一个框架，它仅在自监督预训练期间利用EDA，同时支持在推理阶段无需EDA，而使用更容易获得的模态，如ECG、BVP、ACC和TEMP。我们的方法将编码器输出分离为共享和私有嵌入。我们对齐跨模态的共享嵌入，并将它们融合为模态不变的表示。私有嵌入携带模态特定的信息，以支持重建目标。预训练之后是知识迁移，其中冻结的EDA教师将交感神经唤醒表示迁移到学生编码器中。在WESAD数据集上，我们的方法实现了强大的压力检测性能，表明特权EDA的表示可以迁移到低成本传感器，以提高准确性，同时降低硬件成本。

🔬 方法详解

问题定义：目前，基于可穿戴设备的压力监测主要依赖于皮肤电活动（EDA）信号。然而，高质量的EDA传感器成本较高，这限制了其在低成本可穿戴设备中的普及。因此，如何在不依赖昂贵EDA传感器的情况下，实现准确的压力监测是一个关键问题。现有方法无法充分利用EDA信号的优势，同时又避免高昂的硬件成本。

核心思路：PULSE的核心思路是利用知识迁移，将从EDA信号中学习到的压力相关信息迁移到其他低成本传感器（如ECG、BVP、ACC和TEMP）上。具体来说，首先使用EDA信号进行自监督预训练，学习压力相关的特征表示。然后，将预训练好的EDA编码器作为教师模型，将知识迁移到基于低成本传感器的学生模型。这样，即使在推理阶段没有EDA信号，学生模型也能利用迁移的知识进行准确的压力监测。

技术框架：PULSE框架包含两个主要阶段：自监督预训练和知识迁移。在自监督预训练阶段，使用包含EDA和其他生理信号的数据集，训练一个多模态编码器。编码器的输出被分为共享嵌入和私有嵌入。共享嵌入旨在捕获跨模态的通用信息，而私有嵌入则捕获模态特定的信息。通过重建目标，鼓励编码器学习有用的特征表示。在知识迁移阶段，冻结预训练好的EDA编码器（教师模型），并训练一个基于低成本传感器的学生模型。学生模型的目标是模仿教师模型的输出，从而将EDA信号中学习到的知识迁移到低成本传感器上。

关键创新：PULSE的关键创新在于利用特权知识迁移，将从昂贵传感器（EDA）中学习到的知识迁移到低成本传感器上。这种方法能够在不依赖昂贵硬件的情况下，实现高性能的压力监测。此外，PULSE框架还采用了共享-私有嵌入结构，能够有效地分离跨模态的通用信息和模态特定的信息。

关键设计：在自监督预训练阶段，使用了对比学习损失来对齐跨模态的共享嵌入。具体来说，对于每个样本，将来自不同模态的共享嵌入视为正样本对，而将来自不同样本的共享嵌入视为负样本对。通过最小化对比学习损失，可以使来自同一样本的不同模态的共享嵌入更加接近。在知识迁移阶段，使用了均方误差损失来衡量学生模型和教师模型输出之间的差异。通过最小化均方误差损失，可以使学生模型更好地模仿教师模型的行为。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PULSE在WESAD数据集上进行了评估，实验结果表明，该方法能够有效地将EDA信号中学习到的知识迁移到低成本传感器上。与不使用EDA信号的基线方法相比，PULSE在压力检测任务上取得了显著的性能提升。具体来说，PULSE在准确率、精确率、召回率和F1值等指标上均优于基线方法，证明了其有效性。

🎯 应用场景

PULSE框架具有广泛的应用前景，可用于开发低成本、高性能的压力监测设备，例如智能手表、手环等。这些设备可以用于个人健康管理、心理健康评估、工作压力监测等领域。通过实时监测压力水平，用户可以及时采取措施缓解压力，改善生活质量。此外，该技术还可以应用于临床医学领域，辅助医生进行疾病诊断和治疗。

📄 摘要（原文）

Electrodermal activity (EDA), the primary signal for stress detection, requires costly hardware often unavailable in real-world wearables. In this paper, we propose PULSE, a framework that utilizes EDA exclusively during self-supervised pretraining, while enabling inference without EDA but with more readily available modalities such as ECG, BVP, ACC, and TEMP. Our approach separates encoder outputs into shared and private embeddings. We align shared embeddings across modalities and fuse them into a modality-invariant representation. The private embeddings carry modality-specific information to support the reconstruction objective. Pretraining is followed by knowledge transfer where a frozen EDA teacher transfers sympathetic-arousal representations into student encoders. On WESAD, our method achieves strong stress-detection performance, showing that representations of privileged EDA can be transferred to low-cost sensors to improve accuracy while reducing hardware cost.