metadataTrad.dc.contributor.author |
Souza, Arturo de; |
metadataTrad.dc.contributor.authorLattes |
http://lattes.cnpq.br/7784337198578887; |
metadataTrad.dc.contributor.advisor |
Ramos, Gabriel de Oliveira; |
metadataTrad.dc.contributor.advisorLattes |
http://lattes.cnpq.br/9281736089055094; |
metadataTrad.dc.contributor.advisor-co1 |
Rigo, Sandro José; |
metadataTrad.dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/3914159735707328; |
metadataTrad.dc.publisher |
Universidade do Vale do Rio dos Sinos; |
metadataTrad.dc.publisher.initials |
Unisinos; |
metadataTrad.dc.publisher.country |
Brasil; |
metadataTrad.dc.publisher.department |
Escola Politécnica; |
metadataTrad.dc.language |
pt_BR; |
metadataTrad.dc.title |
MoStress: um modelo de aprendizado profundo para detecção de estresse a partir de sinais fisiológicos; |
metadataTrad.dc.description.resumo |
A pandemia de COVID-19 mostrou como a preparação e combate para situações de calamidades públocas tem papel crucial no desenvolvimento da sociedade moderna. Entretanto, o coronavírus não é a única doença pandêmica que atinge o globo: doenças de cunho psicológico também atingem uma grande parcela da população. Nos dias de hoje, o estresse, ansiedade e depressão são consideradas doenças psicológicas e aproximadamente 10.7% da população mundial sofre com algum desses distúrbios, assim, essas doenças possuem um potencial pandêmico e devem ser tratadas com a urgência necessária. Uma abordagem que pode ser utilizada para lidar com tais doenças é a detecção destes distúrbios a partir da utilização de algoritmos de aprendizado de máquina que utilizam séries temporais como dados de entrada. Tendo em vista a grande gama de sinais fisiológicos medidos pelos sensores modernos, como respiração, temperatura, batimentos cardíacos e outros; e tendo em vista também que estes sensores são cada vez mais populares na sociedade, a utilização de tais sinais para monitorar todos os tipos de doenças ganha grande relevância. Desta forma, tratar séries temporais que representam sinais fisiológicos com técnicas modernas de aprendizado de máquina pode gerar resultados substanciais na melhora da qualidade de vida da população, pois, com tais algoritmos, diversas doenças poderão ser classificadas mais rapidamente e de maneira mais eficaz, facilitando o diagnóstico de um profissional da saúde e reduzindo o risco de tais doenças chegarem a estados mais graves. Neste trabalho apresentaremos o MoStress, um modelo de aprendizado profundo que recebe um conjunto de séries temporais que representam sinais fisiológicos e faz a classificação de estresse. O MoStress é constituído por uma etapa de pré-processamento que consiste
em utilizar a Transformada de Fourier para eliminação de ruídos, o Rolling Z-Score para normalização de dados, o janelamento por frequência de classes para classificação de janelas e o cálculo de pesos para reduzir o desbalanceamento de dados. Além disso, o MoStress também possui um rede neural que faz a classificação a partir dos dados pré-processados, onde essa rede neural pode ser constituída de uma rede neural recorrente, uma Echo State Network ou uma combinação da arquitetura do NBeats mais uma rede neural perceptron multicamadas. O MoStress utilizou dados fisiológicos públicos coletados pela Universidade de Siegen, na Alemanha (conjunto de dados chamado WESAD), onde este conjunto de dados possui 3 classes diferentes sendo elas baseline, stress e amusement. Dessa maneira, o MoStress utilizando os sinais fisiológicos de respiração, temperatura, eletrocardiograma, eletromiograma e atividade eletrodermal,
coletados por um sensor localizado no tórax dos participantes, passando tais sinais pela etapa de pré-processamento e utilizando uma rede neural recorrente, obteve uma acurácia de 96.5% no problema de multi classificação com 3 classes e ainda obteve recall, f1-score e precisão de 96%, 93% e 94%, respectivamente, para a classe stress, mostrando boa performance de classificação com os dados pré-processados e uma rede neural recorrente.; |
metadataTrad.dc.description.abstract |
The COVID-19 pandemic showed how the preparation and fight against those diseases plays a crucial role on the modern society. However, the coronavirus is not the only pandemic diseases which afflicts the globe: mental illnesses also afflict a large number of the world population. Nowadays, stress, anxiety and depression are classified as mental illness and proximally 10.7% of the world population suffers with one of those diseases, therefore, mental illness might have a high pandemic potential and should be treated with the necessary urgency. One approach to deal with mental illness is to use machine learning algorithm which uses time series as input to detect those diseases. Considering the huge variety of physiologic measured by modern sensors, such as temperature, heart rate and others, and also considering the increase popularity of those sensors in our society, the use of those signals to monitor all kind of the diseases gains more relevance. In that sense, dealing with time series which represents physiologic signs with modern machine learning technics, may result in a substantial improvement of life quality
of the population, because with those algorithms, several diseases might be classified quickly and more efficient, making more ease the health care professional diagnoses and avoiding the diseases to reach an worst scenario. This work introduce the MoStress, a deep learning model which get as input time series which represents physiologic signs and make stress classification. The MoStres is made by a pre-processing step, which consists in using Fourier Transform to clean noise, Rolling Z-Score to normalize the data, windowing by class frequency to window classification and weight calculation to deal with unbalance data. Besides that, the MoStress also have a deep neural network which make the classification using the pre-processed data, where this neural network consists on one of the following models: a recurrent neural network, a Echo State Network or a combination of the NBeats and a Multi Layer Perceptron network. The MoStress used public physiologic data collected by the Siegen University, in Germany (the dataset is named WESAD), where this dataset is constituted also by 3 different classes: baseline,
stress amusement. Considering this, the MoStress using physiologic signals of respiration,
temperature, electrocardiogram, electromyogram and electrodermal activity, collected via chest
sensor after pre-process these data and using a recurrent neural network, achieved accuracy of
96.5% on the 3 class classification problem and also achieved recall, f1-score and precision
of 96%, 93% and 94%, respectively, for the stress class, showing the good performance on
classification problem with pre-processed data and a recurrent neural network.; |
metadataTrad.dc.subject |
Aprendizado de máquina; Detecção de estresse; Séries temporais; Sensores vestíveis; Aprendizado profundo; Redes neurais recorrentes; Machine learning; Stress detection; Time series; Wearable sensors; Deep learning; Recurrent neural networks; |
metadataTrad.dc.subject.cnpq |
ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação; |
metadataTrad.dc.type |
Dissertação; |
metadataTrad.dc.date.issued |
2023-02-28; |
metadataTrad.dc.description.sponsorship |
CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior; |
metadataTrad.dc.rights |
openAccess; |
metadataTrad.dc.identifier.uri |
http://www.repositorio.jesuita.org.br/handle/UNISINOS/12438; |
metadataTrad.dc.publisher.program |
Programa de Pós-Graduação em Computação Aplicada; |