Detekce stresu
Loading...
Date
Authors
Jindra, Jakub
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Detekce stresu založená na non-EEG fyziologických datech může být užitečná pro monitoraci řidičů, pilotů, ale také sledování psychického stavu v běžném každodenním životě – tedy všude tam, kde je monitorace standardním EEG nevhodná. Tato práce využívá Non-EEG databázi volně dostupnou z Physionetu. Databáze obsahuje záznamy tepové frekvence, saturace krve kyslíkem, pohybu, vodivosti pokožky a teploty snímané pro 3 typy stresu prokládáné relaxační fází. V práci byly vytvořeny dva modely. Jeden pro binární klasifikaci stresu/klidu, druhý pro klasifikaci 4 psychických stavů. Nejlepších výsledků bylo dosaženo využitím modelu rozhodovacího stromu s 8 příznaky pro binární klasifikaci a 8 příznaky pro klasifikaci 4 stavů. Přesnost finálních modelů je přibližně 95 % pro binární klasifikaci a 99 % pro klasifikaci 4 psychických stavů. Veškeré algoritmy byly implementovány v jazyce Python.
Stress detection based on non-EEG physiological data can be useful for monitoring drivers, pilots, and also for monitoring of people in ordinary situation, where standard EEG monitoring is unsuitable. This work uses Non-EEG database freely available from Physionet. The database contains records of heart rate, saturation of blood oxygen, motion, a conductance of skin and temperature recorded for 3 type of stress alternated with relax state. Two final models were created in this thesis. First model for Binary classification stress/relax, second for classification of 4 different type of psychical state. Best results were reached using model created by decision tree algorithm with 8 features for binary classification and with 8 features for classification of 4 psychical state. Accuracy of final models is aproximately 95 % for binary model and 99 % for classification of 4 psychical state. All algorithms were implemented in Python.
Stress detection based on non-EEG physiological data can be useful for monitoring drivers, pilots, and also for monitoring of people in ordinary situation, where standard EEG monitoring is unsuitable. This work uses Non-EEG database freely available from Physionet. The database contains records of heart rate, saturation of blood oxygen, motion, a conductance of skin and temperature recorded for 3 type of stress alternated with relax state. Two final models were created in this thesis. First model for Binary classification stress/relax, second for classification of 4 different type of psychical state. Best results were reached using model created by decision tree algorithm with 8 features for binary classification and with 8 features for classification of 4 psychical state. Accuracy of final models is aproximately 95 % for binary model and 99 % for classification of 4 psychical state. All algorithms were implemented in Python.
Description
Keywords
Detekce, stres, segmentace, analýza, extrakce příznaků, selekce příznaků, strojové učení, ladění, Python a knihovny Python (SciPy, NumPy, Pandas a Sklearn)., Detection, stress, segmentation, analysis, features extraction, features selection, machine learning, tuning, Python and libraries of python (SciPy, NumPy, Pandas and Sklearn)
Citation
JINDRA, J. Detekce stresu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Biomedicínské inženýrství a bioinformatika
Comittee
doc. Mgr. Ctirad Hofr, Ph.D. (předseda)
Ing. Martin Mézl, Ph.D. (místopředseda)
Ing. Oto Janoušek, Ph.D. (člen)
doc. Ing. Jiří Kozumplík, CSc. (člen)
Ing. Jakub Hejč, Ph.D. (člen)
Date of acceptance
2019-06-05
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Janoušek položil otázku, počítá se v práci se setrvačností signálů po změně parametrů? Jak byly navozovány jednotlivé typy stresu? Kde byly umístěny snímače? Ing. Hejč položil otázku, jak byla tvořena trénovací a testovací množina dat? Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení