A-VISS：基于 CNN-LSTM 的护士压力智能监测系统

A-VISS是面向医疗场景的护士压力监测原型系统，利用多模态生理信号和Subject-Dependent CNN-LSTM深度学习模型实现个性化压力水平分类与可视化监控。该项目由Hasanuddin大学信息系统专业学生开发（本科毕业论文成果），2026-06-08发布于GitHub（项目名AVISS_Project，链接：https://github.com/Jnxx02/AVISS_Project）。

医疗行业高压环境对护士身心健康构成严峻挑战，长期压力影响护理质量、导致职业倦怠和人员流失。传统压力评估依赖主观问卷或定期体检，难以实时连续监测。A-VISS应运而生，旨在通过可穿戴传感器和深度学习技术构建自动化监测预警系统。

多模态生理信号采集

整合四类关键指标：心率（HR）、皮肤电活动（EDA）、皮肤温度（TEMP）、三轴加速度计（X/Y/Z），形成全面压力感知网络。

Subject-Dependent CNN-LSTM模型

采用个体依赖策略（针对每位护士生理基线训练），结合CNN提取局部特征与时间模式、LSTM建模长期时序依赖，适配多通道时间序列数据。

技术栈

组件	技术选型	用途
编程语言	Python	全栈开发
深度学习框架	TensorFlow / Keras	模型训练与推理
机器学习库	Scikit-Learn	数据预处理和评估
Web框架	Streamlit	交互界面构建
可视化	Plotly	动态图表展示

A-VISS在测试数据集上取得以下性能：

• 准确率：85%
• 加权F1分数：86%

指标表明Subject-Dependent策略结合CNN-LSTM架构在护士压力识别任务中具有良好实用价值。

应用场景

1. 轮班前健康筛查：确保护士身心状态良好
2. 高强度工作实时监控：急诊、ICU等高压科室部署
3. 长期职业健康管理：追踪压力趋势支持人力资源决策

学术价值

作为Hasanuddin大学本科毕业论文成果（论文题目：《Rancang Bangun Prototype A-VISS untuk Klasifikasi Stres Perawat Menggunakan Pendekatan Subject-Dependent CNN-LSTM》），为深度学习在医疗健康领域的应用提供参考实现。

未来可优化方向：

1. 集成更多生理信号（如心率变异性HRV）
2. 引入边缘计算实现本地化推理
3. 开发移动端应用提升便携性