大学生正承受着很大的压力。他们不仅要完成作业并参加课外活动，还需要为考试做准备并提交工作申请。不幸的是，有充分证据表明压力会对人类的幸福产生破坏性影响。如果没有得到适当的治疗，压力会导致心脏病，干扰记忆和认知功能，甚至压抑人体免疫系统。
为了帮助实现学生学业和社会压力背后的巨大原因，马萨诸塞大学计算机科学学院的研究人员建立了一个模型，基于手机传感器和问卷数据，使用人工智能预测压力水平，从中位数到中位数以下。据报道，他们的模型具有最先进的效率，与利用睡眠模式、对话、位置、活动与心理健康相关的数据等信息的基线相比，获得了45.1％的改善。
“随着可穿戴设备的日益普及，利用这些设备收集的生理数据来预测佩戴者心理状态（例如情绪和压力）的能力表明了很好的临床应用，但这样的任务极具挑战性，”研究人员表明，“不过，目前通过在智能手机等可穿戴设备中引入高质量的强大传感器，以合理的准确度高效收集生理和行为数据已经变得可以承受。”
他们的AI模型：CALM-Net（跨个人活动LSTM多任务自动编码器网络），收集时间序列数据并且可以破译其中包含的时间模式。更重要的是，它允许模型的个性化和时间序列数据的结合，这可以在更多学生参与时提高效率。此外，他们的系统推导和测量睡眠等级、睡眠量、一周中的一天以及下一个项目截止日期之前的剩余时间等事项。
训练模型的语料库在达特茅斯进行
模型训练的语料库学生生活在达特茅斯进行，并由Android应用程序提供便利。在为期十周的时间里，每天都会记录48位学生的压力信息，包括生态瞬时评估（例如，实时问卷答案）和被动传感，如音频（语音、噪音、沉默） ，活动（跑步、步行），智能手机锁状态和手机电池充电水平每10秒。
在测试中，网络基于两个用于比较的模型的最先进性能。研究人员将其直接归因于时间序列形式的数据构建。
研究人员解释道：“CALM-Net融合精细时态信息和高级协变量的能力，以及能够为每个学生解读个性化模式而不会过度拟合的架构，有助于提高其性能。这种方法改善了所有评估模型的性能，表明压力指标通常可以使用个性化层进行更好的建模。”