Proaktives Stressmanagement mithilfe von LSTM-Prognosen und Deep Reinforcement

Im heutigen Alltag ist Stress aufgrund übermäßiger Arbeitsbelastung, Leistungsdruck im Studium und ungesunder Lebensgewohnheiten zu einem großen Problem geworden. Er wirkt sich zudem auf die körperliche Gesundheit aus. Typische Stressüberwachungssysteme sind größtenteils reaktiv, das heißt, sie erkennen Stress erst, wenn er bereits aufgetreten ist, und können daher keine rechtzeitigen Maßnahmen ergreifen. In dieser Studie wird ein proaktives Stressmanagementmodell vorgeschlagen, das auf tragbaren physiologischen Signalen und intelligenter Entscheidungsfindung basiert. Ziel ist es, die durch Stress verursachten physiologischen Veränderungen vorherzusagen oder zu steuern, indem physiologische Signale als Eingabe für das System verwendet werden. Das vorgeschlagene System kombiniert drei Modelle: die Prognose mittels bidirektionalem Long Short-Term Memory (Bi-LSTM), Deep Reinforcement Learning (DRL) und SHAP-Erklärbarkeit, um ein prädiktives und adaptives Gesundheitsunterstützungssystem zu schaffen.