تشخیص استرس از سنسورهای پوشیدنی به کمک یادگیری عمیق

براساس تحقیقات به‌عمل‌آمده، استرس می‌تواند باعث تاثیر به سزایی در روابط بین انسان‌ها و حوادث انسانی شود. با شناسایی استرس و حالات دیگر انسانی می‌توان جلوی برخی از اتفاقات و حوادث را گرفت. به این منظور در این پژوهش با بهره‌گیری از سنسورهای مختلف پوشیدنی، اطلاعات شخص مورد مطالعه به کمک روش‌های مختلف استخراج گردیدند و سپس به کمک شبکه عصبی طبقه‌بندی شدند. سیگنال قلبی دارای اطلاعات بیشتری در مورد استرس می‌باشد. از این رو، در این پژوهش از سیگنال‌های نوار قلب ویژگی‌های زمانی، فرکانسی و زمان فرکانس آن‌ها استخراج شدند. در بخش استخراج ویژگی از ویژگی های مکانی، فرکانسی و موجک استفاده شده است و از تبدیل pca برای تفکیف ویژگی های قلبی استفاده شد. سپس به کمک طبقه‌بندی‌های مختلف در 4 گروه طبقه‌بندی شدند. جهت تجزیه‌وتحلیل از معیارهای mse و psnr استفاده می‌گردد. با طبقه‌بندی آن در چهار کلاس به دقت90.8 درصد دست‌یافتیم. در مرحله بعد با تلفیق سیگنال خام و ویژگی های مستخرج در شبکه عمیق شامل دو لایه cnn1d و dense به دقت 96.3 درصد با اعتبار سنجی fold-10 دست‌یافتیم. در انتها 3 حالت استرسی و یک حالت عادی در بین سیگنال‌های قلبی محاسبه گردید. هدف تولید سیستم تشخیصی کاربردی قابل حمل و کوچک است.