Gestione proattiva dello stress tramite previsioni LSTM e apprendimento profondo con rinforzo

Nella vita di oggi, lo stress è diventato un problema rilevante a causa dell'eccessivo carico di lavoro, della pressione degli studi e di abitudini di vita poco salutari. Esso influisce anche sulla salute fisica. I sistemi tipici di monitoraggio dello stress sono in gran parte reattivi, nel senso che rilevano lo stress solo una volta che si è manifestato e, di conseguenza, non sono in grado di fornire un intervento tempestivo. In questo studio viene proposto un modello proattivo di gestione dello stress basato sui segnali fisiologici rilevati da dispositivi indossabili e su un processo decisionale intelligente, con l'obiettivo di prevedere o controllare i cambiamenti fisiologici causati dallo stress utilizzando tali segnali come input del sistema. Il sistema proposto combina tre modelli: la previsione con Long Short-Term Memory bidirezionale (Bi-LSTM), l'apprendimento profondo per rinforzo (DRL) e la spiegabilità SHAP, per creare un sistema di supporto alla salute predittivo e adattivo.