Využití fyziologických dat pro analýzu a zlepšení uživatelské zkušenosti

Abstract

Práca sa zaoberá preskúmaním fyziologických prejavov stresu, návrhom a uskutočnením experimentu, ktorý dokáže vyvolať krátkodobý stres. Následne bolo cieľom vytvoriť dátovú sadu z experimentálne získaných dát a použiť ju na trénovanie modelu strojového učenia. Detekcia stresu takýmto modelom môže byť použitá na analýzu užívateľskej skúsenosti. Vytvorený experiment využíva kombináciu podnetov, skladá sa relaxačnej časti, Stroopovho testu a webovej hry, ktorá zámerne používa neprívetivé užívateľské rozhranie. Počas neho boli zaznamenávané dáta pomocou zariadenia Empatica E4 a následne aplikačne spracované do výslednej dátovej sady. Potom bol trénovaný a vyhodnocovaný model strojového učenia, ktorý dokáže detekovať krátkodobý stres. Model algoritmu KNN vyhodnotený krížovou validáciou dosahuje presnosť 84\% ak je subjekt modelu známy. Pre neznámy subjekt je to v priemere 78\%. Práca poskytuje tento model aj vzniknutú dátovú sadu, pre ďalšie použitie. Z týchto výsledkov vyplýva, že detekcia krátkodobého stresu je náročnejšia bez predchádzajúcích znalostí o danej osobe.This thesis is concerned with the research of the physiological symptoms of stress, the design and execution of an experiment that can induce short-term stress. Subsequently, the goal was to create a dataset from the experimentally obtained data and use it to train a machine learning model. Stress detection by such a model can be used to analyze the user experience. The proposed experiment uses a combination of stimuli, consisting of a relaxation part, a Stroop test and a web game that deliberately uses an unfriendly user interface. During it, data was recorded using an Empatica E4 device and then processed by an implemented application into the final dataset. A machine learning model that can detect short-term stress was then trained and evaluated. The KNN algorithm model evaluated by cross-validation achieves an accuracy of 84\% when the subject of the is known prior to the model. For an unknown subject, it is on average 78\%. The thesis provides this model and the resulting dataset, for further use. These results show that short-term stress detection is more challenging without prior knowledge of the subject.