Wearable Flexible Electronics Based Cardiac Electrode for Researcher Mental Stress Detection System Using Machine Learning Models on Single Lead Electrocardiogram Signal
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the modern world, wearable smart devices are continuously used to monitor people's health. This study aims to develop an automatic mental stress detection system for researchers based on Electrocardiogram (ECG) signals from smart T-shirts using machine learning classifiers. We used 20 subjects, including 10 from mental stress (after twelve hours of continuous work in the laboratory) and 10 from normal (after completing the sleep or without any work). We also applied three scoring techniques: Chalder Fatigue Scale (CFS), Specific Fatigue Scale (SFS), Depression, Anxiety, and Stress Scale (DASS), to confirm the mental stress. The total duration of ECG recording was 1800 min, including 1200 min during mental stress and 600 min during normal. We calculated two types of features, such as demographic and extracted by ECG signal. In addition, we used Decision Tree (DT), Naive Bayes (NB), Random Forest (RF), and Logistic Regression (LR) to classify the intra-subject (mental stress and normal) and inter-subject classification. The DT leave-one-out model has better performance in terms of recall (93.30%), specificity (96.70%), precision (94.40%), accuracy (93.30%), and F1 (93.50%) in the intra-subject classification. Additionally, The classification accuracy of the system in classifying inter-subjects is 94.10% when using a DT classifier. However, our findings suggest that the wearable smart T-shirt based on the DT classifier may be used in big data applications and health monitoring. Mental stress can lead to mitochondrial dysfunction, oxidative stress, blood pressure, cardiovascular disease, and various health problems. Therefore, real-time ECG signals help assess cardiovascular and related risk factors in the initial stage based on machine learning techniques.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle