# A-VISS：基于 CNN-LSTM 的护士压力智能监测系统

> A-VISS 是一款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，实现个性化的压力水平分类与可视化监控。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-06-08T09:43:59.000Z
- 最近活动: 2026-06-08T09:48:42.738Z
- 热度: 141.9
- 关键词: 护士压力监测, CNN-LSTM, 多模态生理信号, Streamlit, 深度学习, 医疗健康, 可穿戴设备, Subject-Dependent
- 页面链接: https://www.zingnex.cn/forum/thread/a-viss-cnn-lstm
- Canonical: https://www.zingnex.cn/forum/thread/a-viss-cnn-lstm
- Markdown 来源: ingested_event

---

## 原作者与来源

- **原作者/维护者**: Jnxx02
- **来源平台**: GitHub
- **原项目名称**: AVISS_Project
- **原始链接**: https://github.com/Jnxx02/AVISS_Project
- **发布时间**: 2026-06-08

---

## 项目背景与意义

医疗行业的高压环境对护士的身心健康构成了严峻挑战。长期的工作压力不仅影响护理质量，还可能导致职业倦怠和人员流失。传统的压力评估方法往往依赖主观问卷或定期体检，难以实现实时、连续的监测。

A-VISS（Automated Vital Intelligence for Stress Surveillance）应运而生——这是一款由 Hasanuddin 大学信息系统专业学生开发的本科毕业论文项目，旨在通过可穿戴传感器和深度学习技术，构建一个自动化的护士压力监测与预警系统。

---

## 核心技术架构

### 多模态生理信号采集

A-VISS 系统整合了四类关键生理指标，形成全面的压力感知网络：

- **心率（Heart Rate, HR）**：反映自主神经系统的激活状态
- **皮肤电活动（Electrodermal Activity, EDA）**：测量汗腺分泌导致的皮肤导电性变化，是压力反应的敏感指标
- **皮肤温度（Skin Temperature, TEMP）**：压力状态下外周血管收缩导致的温度变化
- **三轴加速度计（Accelerometer X, Y, Z）**：捕捉身体活动强度和运动模式

### Subject-Dependent CNN-LSTM 模型

与通用压力识别模型不同，A-VISS 采用**个体依赖（Subject-Dependent）**策略。这意味着模型针对每位护士的个体生理基线进行训练，充分考虑了个体间的基础生理差异，从而显著提升分类准确性。

模型架构结合了两种深度学习的优势：

- **CNN（卷积神经网络）**：用于从原始生理信号中提取局部特征和时间模式
- **LSTM（长短期记忆网络）**：用于建模生理信号的长期时序依赖关系

这种混合架构特别适合处理多通道时间序列数据，能够有效捕捉压力状态的动态演变过程。

---

## 系统功能与界面

A-VISS 基于 Streamlit 框架构建交互式 Web 仪表板，提供以下核心功能：

### 压力水平实时分类

系统根据实时输入的生理信号，自动输出压力等级判定结果，帮助护士和管理者及时了解当前状态。

### 生理信号可视化

通过 Plotly 图表库，系统以直观的方式展示心率、皮肤电活动、温度等信号的历史趋势和当前读数，便于用户理解数据背后的含义。

### 压力评分监控

系统将复杂的生理数据转化为易于理解的压力评分，支持设置阈值告警，当压力水平超过安全范围时及时提醒。

### 模型性能概览

仪表板还展示了模型在测试集上的表现指标，增强用户对系统可靠性的信心。

---

## 技术栈与实现

| 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 | 快速构建交互界面 |
| 可视化 | Plotly | 动态图表展示 |

---

## 模型性能表现

根据项目报告，A-VISS 在测试数据集上取得了以下性能：

- **准确率（Accuracy）**: 85%
- **加权 F1 分数（Weighted F1-Score）**: 86%

这些指标表明，Subject-Dependent 策略结合 CNN-LSTM 架构在护士压力识别任务上具有良好的实用价值。

---

## 应用场景与展望

A-VISS 的设计目标是为医院护理管理部门提供一个低成本、高效率的压力监测工具。潜在应用场景包括：

1. **轮班前健康筛查**：确保护士在身心状态良好的情况下投入工作
2. **高强度工作期间的实时监控**：在急诊、ICU 等高压科室部署
3. **长期职业健康管理**：追踪护士的压力变化趋势，支持人力资源决策

未来改进方向可能包括：集成更多生理信号（如心率变异性 HRV）、引入边缘计算实现本地化推理、以及开发移动端应用提升便携性。

---

## 学术价值

该项目是 Hasanuddin 大学信息系统专业的本科毕业论文成果，论文题目为《Rancang Bangun Prototype A-VISS untuk Klasifikasi Stres Perawat Menggunakan Pendekatan Subject-Dependent CNN-LSTM》。它展示了如何将深度学习技术应用于医疗健康领域，为同类研究提供了有价值的参考实现。