Почему модели стресса принимают физическую нагрузку за нервы

Про цифру на шкале стресса меня спрашивают регулярно. Человек смотрит на цветную шкалу и читает её как отчёт о своих нервах: серая зона — спокоен, оранжевая — на взводе. 8 сентября 2026 года в Medical Engineering & Physics вышла онлайн, до печатного выпуска, работа, которая измеряет ровно этот разрыв между тем, что шкала называет, и тем, что она видит.

Как проверяют модели стресса и что здесь сделали иначе

Айдоган и Повина из Аберистуитского университета (Уэльс) переанализировали два публичных набора данных носимых устройств (PubMed, PMID 42710527, DOI 10.1088/1873-4030/aea41e).

Их отправная точка — методическая. Модели распознавания стресса по носимым датчикам обычно проверяют так: берут записи покоя, берут записи стрессовой пробы и смотрят, отличит ли модель одни от других. Отличила — модель работает. Но такая проверка отвечает только на вопрос «видит ли модель разницу между покоем и возбуждением». Она ничего не говорит о том, отражает ли выход модели именно стресс — физиологическая активация шире.

Авторы сделали главным тестом другое — сопоставление внутри одного и того же набора данных. По событийным меткам PhysioNet восстановили блоки, заданные протоколом: покой и индукция стресса. В анализ вошли 29 участников, у которых были парные аэробные и анаэробные записи, — это 522 окна покоя, 192 окна стресса и 3431 окно тренировочных сессий.

Четыре классификатора на признаках обучали отличать покой от стресса при вложенной перекрёстной проверке с исключением одного участника. Всю настройку авторы держали внутри обучающей части: там же чистили сигнал, там же подбирали параметры модели и там же выбирали порог, за которым окно объявляется стрессом. Записи тренировочных сессий в разработку модели не попадали ни на одном шаге. Для готовой модели тренировка осталась состоянием, которого она никогда не видела.

Результат: покой отделяется, нагрузка — нет

Лучшей калиброванной моделью оказался XGBoost. На той задаче, для которой её обучали, она отработала прилично: сбалансированная точность 0,703, определение стресса 0,604, специфичность покоя 0,801. И при этом пометила «стрессом» 82,6% отложенных окон, записанных во время самих тренировочных сессий.

Разрыв между столбцами и есть содержание работы. Обе доли сняты у одного и того же человека одним и тем же классификатором: при проверке с исключением участника его записи покоя и его тренировочные записи судит модель, обученная без него. Ложный «стресс» она ставит на 22% записей покоя и на 84% тренировочных записей — в расчёте на одного участника. Доля считалась внутри каждого человека отдельно, а публикуются сводные 0,221 и 0,840 с интервалами 0,151–0,301 и 0,775–0,897: у отдельных участников доли расходятся, и как именно их сводили в общую оценку, в абстракте не сказано.

Насколько хороша модель на своей задаче

Обучена модель аккуратно — чистка сигнала, подбор параметров и выбор порога остались внутри обучающей части, — и это делает результат сильнее: списать промахи на грубую ошибку обучения не выйдет. Выдающейся её при этом не назовёшь: стресс она ловит в 0,604 случаев, а в покое ошибается примерно в каждой четвёртой-пятой записи участника. Покой от стрессовой пробы она отделяет со сбалансированной точностью 0,703 и специфичностью покоя 0,801 — и всё равно валится на физической нагрузке.

Добавление признаков вариабельности сердечного ритма во временной области результат существенно не изменило. Перенос модели с набора WESAD на данные PhysioNet остался слабым — его авторы отнесли к второстепенным доказательствам, потому что там к переносу примешиваются различия наборов и протоколов. Зато закрыто удобное возражение «а может, в стрессовых блоках люди и не нервничали»: самооценка стресса в блоках протокола была выше, чем в блоках покоя, — средняя разница 1,22 балла по шкале 1–10 (интервал 0,89–1,53), односторонний критерий Уилкоксона p=4,64×10⁻⁶; в абстракте эта оценка помечена как относящаяся к 27 участникам из 29 — что именно означает дробь, там не расшифровано. Метки протокола согласуются с самоотчётом участников — в среднем на 1,22 балла из десяти; ошибка возникает дальше — там, где обученная модель встречает состояние, которого она не видела: тренировочную нагрузку.

Как это выглядит со стороны датчика

Что подавалось на вход моделям, абстракт не раскрывает. Механику ниже я излагаю как общее свойство наручных датчиков — измерением авторов она не является. Датчик на запястье видит пульс и промежутки между ударами. Симпатическая активация поднимает пульс и сжимает вариабельность, и делает она это в обоих случаях: когда человек ждёт неприятного разговора и когда он бежит в горку. Поводы разные, а по этим двум сигналам подъёмы выглядят похоже. Измеренное авторами — одно: лучшая калиброванная модель, обученная отличать покой от стрессовой пробы, пометила «стрессом» 82,6% тренировочных окон, то есть нервное напряжение и физическую нагрузку она не разделила.

Отсюда и осторожность формулировок. Работа переанализирует публичные наборы и тестирует исследовательские классификаторы. Фирменные алгоритмы производителей часов в ней не измерялись, поэтому сказать «шкала стресса Garmin ошибается в 82,6% случаев» из этой публикации нельзя. Сказать можно другое: модели этого класса способны в массовом порядке принимать физическую активацию за стресс — на этих данных так и вышло, при том что тренировки в обучение не попадали.

Что с этим делать человеку с часами на руке

• Во время нагрузки шкала говорит о нагрузке. Именно на окнах тренировочных сессий модель ставила ложный «стресс» в 82,6% случаев. Сколько времени после финиша цифра остаётся про нагрузку, работа не измеряла: её предмет — специфичность стресса, восстановление в ней не изучалось вовсе, так что осторожность к ближайшим после тренировки значениям — мой вывод, авторам он не принадлежит.
• Смотрите на спокойные окна. Ночь, утро до выхода из дома, рабочий день без тренировки — там подъём шкалы вероятнее связан с чем-то другим, и это уже разговор по делу. Безошибочными спокойные окна не становятся: в этой работе модель ставила ложный «стресс» и в покое — примерно в каждой четвёртой-пятой записи участника (0,221).
• Сравнивайте похожее с похожим. Вторник с интервальной и вторник без неё — разные дни по определению. Дневная сумма стресса, посчитанная поверх обоих, сравнивает разное.
• Держите в голове, что метка — не измерение. Устройство измеряет пульс и интервалы между ударами, а слово «стресс» появляется уже на выходе модели, которая эти сигналы истолковала.

Итог

Работа не отменяет шкалу стресса — она уточняет, что именно шкала измеряет. Датчик на запястье измеряет активацию, и на окнах тренировочных сессий модель называет эту активацию стрессом в 82,6% случаев. Пока метрика читается как «насколько я разогнан», она полезна. Как только её читают как «насколько я нервничаю», тренировочные окна перестают значить то, что на них написано.

Дальше про эту же группу метрик: стресс и тренировки в данных Garmin, Body Battery и вариабельность сердечного ритма — три показателя, у которых общий вход: пульс и интервалы между ударами. Как Garmin оценивает готовность после тяжёлой сессии — по Recovery Time, HRV и пульсу покоя — разобрано в статье про восстановление после тренировки.

Как PulseCoach читает шкалу стресса

Сама по себе цифра одинаково растёт от нервного дня и от интервальной работы, и по ней одной эти два дня не различить. PulseCoach смотрит на шкалу вместе с остальной выгрузкой часов: была ли в этот день тренировка, когда она закончилась, как выглядели ночь и пульс покоя. Вот что он отвечает на вопрос «почему стресс такой высокий» вечером тренировочного дня:

Разбирать такие вопросы по своим данным помогает PulseCoach: он читает выгрузку часов и объясняет, что за цифрой на экране стоит и стоит ли на неё смотреть в этот час.