Detekce/klasifikace stresu v multimodálních datech

Abstract

Tato práce se zabývá detekcí/klasifikací stresu v multimodálních datech. V teoretické části byla popsána definice stresu, relevantní biologické signály pro hodnocení stresu a konkrétní metody pro rozpoznání stresu. V praktické části byla popsána vybraná databáze WAUC. Po příslušném předzpracování byly z dat extrahovány a následně selektovány validní příznaky. Bylo vytvořeno několik modelů pro detekci či klasifikaci stresu. Úspěšnosti modelů jsou vždy uvedeny pro testovací sadu. Nejlepších výsledků při klasifikaci do původních šesti skupin kombinujících psychický, fyzický a žádný stres dosáhla metoda podpůrných vektorů (SVM) s F1 skóre 41,2 %. Při klasifikaci fyzického stresu do tří skupin dosáhl nejvyšší úspěšnosti model SVM s F1 skóre 73,8 %, zatímco při rozdělení do dvou skupin byl nejúspěšnější model Boosted Trees (BT) s F1 skóre 97,6 %. Nejlepším modelem pro detekci stresu, bez ohledu na to, zdali se jedná o fyzický či psychický stres, byl model SVM s F1 skóre 76,4 %. Nakonec byla data pocházející z úseků s psychickým stresem podrobena bližší analýze.

This thesis deals with stress detection/classification in multimodal data. In the theoretical part, the definition of stress, relevant biological signals for stress assessment, and specific methods for stress recognition were described. In the practical part, the selected WAUC database was described. After appropriate preprocessing, valid features were extracted from the data and underwent the selection process. Several models for stress detection or classification were developed. The success rates of the models are always given for the test set. The Support Vector Machine (SVM) method achieved the best results when classifying into the original six groups combining psychological, physical and no stress with an F1 score of 41.2%. When classifying physical stress into three groups, the SVM model achieved the highest success rate with an F1 score of 73.8%, while when dividing into two groups, the Boosted Trees (BT) model was the most successful with an F1 score of 97.6%. The best model for stress detection, regardless of whether it is physical or psychological, was the SVM model with an F1 score of 76.4%. Finally, the data coming from the sections with psychological stress were subjected to further analysis.