Modelo de classificação automática de sinais fisiológicos para identificação de estresse
| Orientador(a) (dc.contributor.advisor) | Rigo, Sandro José | |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/3914159735707328 | pt_BR |
| Autor(a) (dc.contributor.author) | Rodrigues, Clarissa Almeida | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/8068136540943481 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2021-06-08T16:39:20Z | |
| dc.date.available (dc.date.available) | 2021-06-08T16:39:20Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2021-04-09 | |
| Abstract (dc.description.abstract) | Stress has become a relevant disease in today's society, due to a number of factors linked to the context of contemporary life. This imbalance impacts both the personal and professional spheres of individuals because it is associated with the development of several pathologies. The evidence of the state of stress can be identified through different physiological changes, and wearable sensors can be used to measure these signals automatically. Machine Learning approaches have been used for the automatic identification of stress patterns based on the use of data generated by wearable sensors monitoring physiological signals. Despite positive results, these initiatives present a gap in the combined use of several physiological signals and in the use of biological markers for the annotation of data. In order to explore possibilities to describe a model for classifying stress with multiple physiological signals, experiments were developed with different signal combinations (EMG, EDA and ECG) using different machine learning algorithms, using three different datasets (BeWell, WESAD and Training2017). According to experiments carried out in the context of multisignals, the best result was using ECG and EMG when processed with Gaussian Naïve Bayes, obtaining an accuracy of 90%. | en |
| Resumo (dc.description.resumo) | O estresse tem se tornado uma doença relevante na sociedade atual, devido a uma série de fatores ligados ao contexto da vida contemporânea. Esse desequilíbrio impacta tanto a esfera pessoal como profissional dos indivíduos por estar associado ao desenvolvimento de diversas patologias. A evidência do estado de estresse pode ser identificada através de diferentes alterações fisiológicas, podendo ser utilizados sensores vestíveis para a medição desses sinais automaticamente. Abordagens de Aprendizagem de máquina vêm sendo usadas para a identificação automática de padrões de estresse a partir do uso de dados gerados por sensores vestíveis monitorando sinais fisiológicos. Apesar de resultados positivos, essas iniciativas apresentam uma lacuna no uso combinado de diversos sinais fisiológicos e no uso de marcadores biológicos para anotação dos dados. Com o objetivo de explorar possibilidades para descrever um modelo para classificação de estresse com múltiplos sinais fisiológicos, foram desenvolvidos experimentos com diferentes combinações de sinais (EMG, EDA e ECG) usando diferentes algoritmos de aprendizado de máquina, usando três diferentes datasets (BeWell, WESAD e Training2017). Segundo os experimentos realizados no contexto de multisinais, o melhor resultado foi utilizando ECG e EMG quando processado com Gaussian Naïve Bayes, obtendo precisão de 90%. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | Nenhuma | pt_BR |
| URI (dc.identifier.uri) | http://www.repositorio.jesuita.org.br/handle/UNISINOS/9807 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Computação Aplicada | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Estresse | pt_BR |
| Assunto (dc.subject) | Sinais fisiológicos | pt_BR |
| Assunto (dc.subject) | Wearables | en |
| Assunto (dc.subject) | Aprendizagem de máquina | pt_BR |
| Assunto (dc.subject) | Classificação de padrões | pt_BR |
| Assunto (dc.subject) | Aprendizagem profunda | pt_BR |
| Assunto (dc.subject) | Stress | pt_BR |
| Assunto (dc.subject) | Physiological signs | pt_BR |
| Assunto (dc.subject) | Wearables | en |
| Assunto (dc.subject) | Machine learning | en |
| Assunto (dc.subject) | Pattern classification | en |
| Assunto (dc.subject) | Deep learning | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação | pt_BR |
| Título (dc.title) | Modelo de classificação automática de sinais fisiológicos para identificação de estresse | pt_BR |
| Tipo de arquivo (dc.type) | Dissertação | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Clarissa Almeida Rodrigues_.pdf
- Tamanho:
- 1.59 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- modelo_classificacao
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: