# 读懂身体的压力信号

skeleton 的花园 · 研究原型

基于 WESAD 的 ECG、EDA、呼吸与温度数据，完成压力识别、跨受试者验证和 LabVIEW 推理集成。项目覆盖从信号处理到仪器接口的完整研究流程。

## 项目起点

模型遇到没见过的人，表现还成立吗？

我将多模态生理信号切成 60 秒窗口，以 30 秒步长提取 37 维特征，并比较多种分类模型。评估采用留一受试者验证，让每轮测试面对未参与训练的人；随后把选定模型封装为 LabVIEW 可以调用的推理接口。

## 我做了什么

- 完成预处理、切窗、37 维特征、模型比较与留一受试者验证。
- 整理推理封装与 LabVIEW 接口，回查错误样本与数据划分。

## 做出的成果

- 在 15 名受试者、883 个有效窗口上完成留一受试者验证，提取 37 维生理特征。
- XGBoost 的 Accuracy 为 0.930、Macro F1 为 0.921；用于 LabVIEW 集成的 Random Forest 分别为 0.923、0.914。

## 实现过程

1. ECG / EDA / 呼吸 / 温度
2. 预处理与切窗
3. 37 维手工特征
4. 留一受试者验证
5. 模型选择与 LabVIEW 接口

## 设计取舍与收获

我用留一受试者验证考察模型面对新个体的表现，并选择 Random Forest 平衡识别效果、稳定性与仪器集成成本。

## 技术与主题

机器学习 · 生理信号 · LabVIEW

## 作品链接

- [源码与使用说明](https://github.com/skeleton2024/multimodal-physio-stress-recognition)