Biosignal analysis methods for the assessment of stress
Δεν υπάρχει διαθέσιμη μικρογραφία
Ημερομηνία
2025-09-02
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
Επιβλέπων
Περίληψη
In recent years, stress has emerged as one of the most significant factors aGecting both
mental and physical health. Prolonged exposure to stressful situations can lead to serious
conditions such as anxiety, depression and cardiovascular disease, negatively aGecting
quality of life. Early detection and accurate classification of stress is crucial for the
development of eGective management and intervention strategies.
In this study, we investigate the use of machine learning techniques to classify stress
through physiological signals using the Wearable Stress and AGect Detection (WESAD)
public dataset. WESAD includes recordings from wearable sensor devices, such as the
Empatica E4 wristband and a chest belt (Respiban), and contains information from several
physiological signals, such as heart rate (BVP - Blood Volume Pulse), electrodermal activity
(EDA), respiratory patterns (RESP), as well as acceleration (ACC) and body temperature.
Participants in the experiment were exposed to diGerent emotional states, including
baseline, stress, amusement and meditation, allowing the study of the physiological
response of the body to each of them.
In our approach we exploit BVP and EDA signals from the Empatica E4 and develop state-ofthe-art techniques for the pre-processing of signals, the extraction of features in both the
time and frequency domains, and the development of machine learning algorithms for the
detection and classification of emotional states, specifically focusing on stress. Specifically,
we applied Random Forest, Support Vector Machines (SVM), Logistic regression, k-nearest
neighbors (KNN), Gradient boosting and Naive Bayes algorithms, and performed a
comparative analysis of their performance based on accuracy. To ensure that features have
similar scales standardization and normalization techniques were deployed to optimize the
accuracy of the classifiers.
The results of the study show that machine learning algorithms can classify stress with
results achieving an accuracy of 94% using Random Forest, making stress detection
systems based on wearables a reliable method for monitoring psychosomatic health. This
study contributes to the development of intelligent stress recognition systems, which could
be integrated into applications with the use of wearable devices, enabling early detection
and tailoring personalized management strategies. Such technological developments have
the potential to improve mental health care, increase productivity in the workplace and
support individuals in managing their stress in a more eGective way.
Στη σύγχρονη εποχή, το στρες είναι ένας από τους σημαντικότερους παράγοντες που επηρεάζουν τόσο την ψυχική όσο και τη σωματική υγεία. Η παρατεταμένη έκθεση σε στρεσογόνες καταστάσεις μπορεί να οδηγήσει σε σοβαρές καταστάσεις όπως άγχος, κατάθλιψη και καρδιαγγειακές παθήσεις, επηρεάζοντας αρνητικά την ποιότητα ζωής. Η έγκαιρη ανίχνευση και η ακριβής ταξινόμηση του στρες είναι ζωτικής σημασίας για την ανάπτυξη αποτελεσματικών στρατηγικών διαχείρισης και παρέμβασης. Σε αυτή τη μελέτη, διερευνούμε τη χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση του στρες μέσω φυσιολογικών σημάτων χρησιμοποιώντας το δημόσιο σύνολο δεδομένων Wearable Stress and AGect Detection (WESAD). Το WESAD περιλαμβάνει εγγραφές από φορητές συσκευές αισθητήρων, όπως το περικάρπιο Empatica E4 και μια ζώνη στήθους, και περιέχει πληροφορίες από διάφορα φυσιολογικά σήματα, όπως καρδιακό ρυθμό (BVP - Blood Volume Pulse), ηλεκτροδερμική δραστηριότητα (EDA), αναπνευστικά μοτίβα (RESP), επιτάχυνση (ACC) και θερμοκρασία σώματος. Οι συμμετέχοντες στο πείραμα εκτέθηκαν σε διαφορετικές καταστάσεις, συμπεριλαμβανομένης της ουδέτερης κατάστασης, του στρες, της διασκέδασης και του διαλογισμού, επιτρέποντας τη μελέτη της φυσιολογικής απόκρισης του σώματος σε καθεμία από αυτές. Η προσέγγισή μας περιλαμβάνει προ επεξεργασία σημάτων, εξαγωγή χαρακτηριστικών από το πεδίο του χρόνου και των συχνοτήτων και εκπαίδευση αλγορίθμων μηχανικής μάθησης για την ταξινόμηση των συναισθηματικών καταστάσεων. Συγκεκριμένα, εφαρμόζουμε Random Forest, Support Vector Machines (SVM), Logistic regression, KNN, Gradient boosting και Naive Bayes συγκρίνοντας την απόδοσή τους μετρώντας την ακρίβεια, την ανάκληση και τη βαθμολογία F1. Η τυποποίηση μεθόδων χαρακτηριστικών, όπως η Τυποποίηση και η Κανονικοποίηση, συμβάλλει στη βελτιστοποίηση της ακρίβειας των ταξινομητών. Τα αποτελέσματα της μελέτης δείχνουν ότι οι αλγόριθμοι μηχανικής μάθησης μπορούν να ταξινομήσουν το στρες με υψηλή ακρίβεια φτάνοντας το 94%, καθιστώντας τα φορετά συστήματα ανίχνευσης στρες μια αξιόπιστη μέθοδο για την παρακολούθηση της ψυχοσωματικής υγείας. Αυτή η μελέτη συμβάλλει στην αναγνώριση ότι η ανάπτυξη έξυπνων συστημάτων αναγνώρισης στρες που θα μπορούσαν να ενσωματωθούν σε φορητές συσκευές, επιτρέποντας έτσι τον έγκαιρο εντοπισμό και την προσαρμογή εξατομικευμένων στρατηγικών διαχείρισης. Τέτοιες τεχνολογικές εξελίξεις έχουν τη δυνατότητα να βελτιώσουν την φροντίδα της ψυχικής υγείας, να αυξήσουν την παραγωγικότητα στο χώρο εργασίας και να υποστηρίξουν τα άτομα στη διαχείριση του στρες τους με πιο αποτελεσματικό τρόπο.
Στη σύγχρονη εποχή, το στρες είναι ένας από τους σημαντικότερους παράγοντες που επηρεάζουν τόσο την ψυχική όσο και τη σωματική υγεία. Η παρατεταμένη έκθεση σε στρεσογόνες καταστάσεις μπορεί να οδηγήσει σε σοβαρές καταστάσεις όπως άγχος, κατάθλιψη και καρδιαγγειακές παθήσεις, επηρεάζοντας αρνητικά την ποιότητα ζωής. Η έγκαιρη ανίχνευση και η ακριβής ταξινόμηση του στρες είναι ζωτικής σημασίας για την ανάπτυξη αποτελεσματικών στρατηγικών διαχείρισης και παρέμβασης. Σε αυτή τη μελέτη, διερευνούμε τη χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση του στρες μέσω φυσιολογικών σημάτων χρησιμοποιώντας το δημόσιο σύνολο δεδομένων Wearable Stress and AGect Detection (WESAD). Το WESAD περιλαμβάνει εγγραφές από φορητές συσκευές αισθητήρων, όπως το περικάρπιο Empatica E4 και μια ζώνη στήθους, και περιέχει πληροφορίες από διάφορα φυσιολογικά σήματα, όπως καρδιακό ρυθμό (BVP - Blood Volume Pulse), ηλεκτροδερμική δραστηριότητα (EDA), αναπνευστικά μοτίβα (RESP), επιτάχυνση (ACC) και θερμοκρασία σώματος. Οι συμμετέχοντες στο πείραμα εκτέθηκαν σε διαφορετικές καταστάσεις, συμπεριλαμβανομένης της ουδέτερης κατάστασης, του στρες, της διασκέδασης και του διαλογισμού, επιτρέποντας τη μελέτη της φυσιολογικής απόκρισης του σώματος σε καθεμία από αυτές. Η προσέγγισή μας περιλαμβάνει προ επεξεργασία σημάτων, εξαγωγή χαρακτηριστικών από το πεδίο του χρόνου και των συχνοτήτων και εκπαίδευση αλγορίθμων μηχανικής μάθησης για την ταξινόμηση των συναισθηματικών καταστάσεων. Συγκεκριμένα, εφαρμόζουμε Random Forest, Support Vector Machines (SVM), Logistic regression, KNN, Gradient boosting και Naive Bayes συγκρίνοντας την απόδοσή τους μετρώντας την ακρίβεια, την ανάκληση και τη βαθμολογία F1. Η τυποποίηση μεθόδων χαρακτηριστικών, όπως η Τυποποίηση και η Κανονικοποίηση, συμβάλλει στη βελτιστοποίηση της ακρίβειας των ταξινομητών. Τα αποτελέσματα της μελέτης δείχνουν ότι οι αλγόριθμοι μηχανικής μάθησης μπορούν να ταξινομήσουν το στρες με υψηλή ακρίβεια φτάνοντας το 94%, καθιστώντας τα φορετά συστήματα ανίχνευσης στρες μια αξιόπιστη μέθοδο για την παρακολούθηση της ψυχοσωματικής υγείας. Αυτή η μελέτη συμβάλλει στην αναγνώριση ότι η ανάπτυξη έξυπνων συστημάτων αναγνώρισης στρες που θα μπορούσαν να ενσωματωθούν σε φορητές συσκευές, επιτρέποντας έτσι τον έγκαιρο εντοπισμό και την προσαρμογή εξατομικευμένων στρατηγικών διαχείρισης. Τέτοιες τεχνολογικές εξελίξεις έχουν τη δυνατότητα να βελτιώσουν την φροντίδα της ψυχικής υγείας, να αυξήσουν την παραγωγικότητα στο χώρο εργασίας και να υποστηρίξουν τα άτομα στη διαχείριση του στρες τους με πιο αποτελεσματικό τρόπο.
Περιγραφή
Λέξεις-κλειδιά
Stress, Evaluation, Stress detection, Machine learning, Στρες, Αξιολόγηση, Ανίχνευσης στρες, Μηχανική μάθηση