A System To Detect Mental Stress Using Machine Learning And Mobile Development
Notice bibliographique
Résumé
Hans Selye <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sup> coined, in 1936, the term “Stress” and definedit as “the non-specific response of the body to any demand for change.” Stress was generallyconsidered as being synonymous with distress. English language dictionaries (Oxford & Merriam-Webster) defined it as “physical, mental, or emotional strain or tension when a person perceives that demands exceed the personal and social resources the individual is able to mobilize.” Stress affects over 100 million Americans and is a driver of many chronic diseases. According to American Psychological Association (APA) 2012 study, “Stress is costing organizations a Fortune” and some cases as much as $300 billion a year. The challenges, importantly, for the individuals and the organizations are lack of proactive detection of the stress and inept preventive actions to manage mental health to circumvent adverse effects of the stress. This research paper addresses the challenge by developing and deploying machine learning enabled data driven & Electroencephalogram biosensor integrated mobile application that proactively gleans User’s stressful episodes, infuses collaborative intelligence derived from de-identified yet User relevant demographical, physiological, lifestyle and behavioral datasets and preventive healthcare insights to counter otherwise the long term negative effects of the stresson Users health. The paper presents prototyping solution as well as its application and certain experimental results. <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sup> Hans Selye was a pioneering Hungarian-Canadian endocrinologist. He conducted much important scientific work on the hypothetical nonspecific response of an organism to stressors - https://www.stress.org/what-is-stress/
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».