مقایسه الگوریتم‌های یادگیری ماشین و یادگیری عمیق در تشخیص استرس در محیط‌های آزمایشگاهی و واقعی بر اساس پایگاه‌های دادگان در دسترس wesad و drive-db

استرس یکی از چالش‌های اساسی در زندگی انسان امروزی است که تاثیر چشمگیری بر سلامت جسمی و روانی افراد دارد. شناسایی و ارزیابی صحیح میزان استرس، گامی حیاتی در پیشگیری و مدیریت آن به شمار می‌رود. از آنجا که روش‌های تشخیص استرس نقش مهمی در دقت تحلیل‌های پژوهشی دارند، استفاده از پایگاه‌‌های دادگان در دسترس که امکان مقایسه و تحلیل روش‌ها را فراهم می‌کنند، اهمیت ویژه‌ای دارد. در این راستا، دو پایگاه داده‌ی استرس پرکاربرد wesad و drive-db که به ترتیب در محیط‌های آزمایشگاهی و واقعی ثبت شده‌اند برای بررسی انتخاب شدند. مطالعات مبتنی بر این دو پایگاه در طی 12 سال اخیر مورد تحلیل قرار گرفت تا عملکرد روش‌های یادگیری عمیق و یادگیری ماشین در طبقه‌بندی سطوح استرس دو‌سطحی و سه‌سطحی مورد مقایسه قرار گیرد. نتایج نشان داد که در طبقه‌بندی دو‌سطحی، روش‌های مبتنی بر یادگیری عمیق عملکرد بهتری نسبت به روش‌های یادگیری ماشین دارند. با این حال، در طبقه‌بندی استرس با تعداد سطوح بالاتر، با توجه به افزایش پیچیدگی مسئله، روش‌های یادگیری عمیق مستلزم دادگان آموزش کافی برای دستیابی به عملکرد بالاتر هستند. این یافته‌ها نشان می‌دهند که برای بهره‌مندی از توانایی‌های بالقوه روش‌های یادگیری عمیق به پایگاه دادگان غنی‎ تر نیاز است.

comparison of machine learning and deep learning algorithms in stress detection in laboratory and real environments based on available wesad and drive-db databases

stress is one of the fundamental challenges in modern human life that has a significant impact on the physical and mental health of individuals. correct identification and assessment of stress levels is a crucial step in its prevention and management. since stress detection methods play an important role in the accuracy of research analyses, the use of available databases that allow comparison and analysis of methods is of particular importance. in this regard, two widely used stress databases, wesad and drive-db, which have been recorded in laboratory and real environments, respectively, were selected for review. studies based on these two databases over the past 12 years were analyzed to compare the performance of deep learning and machine learning methods in classifying two-level and three-level stress levels. the results showed that in two-level classification, deep learning-based methods perform better than machine learning methods. however, in stress classification with higher number of levels, due to the increasing complexity of the problem, deep learning methods require sufficient training data to achieve higher performance. these findings indicate that a richer dataset is needed to benefit from the potential capabilities of deep learning methods.