Multimodal Physiological Signals and Machine Learning for Stress Detection by Wearable Devices
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
Wearable technology is growing in popularity, and wearable devices, such as smartwatches, are used in many applications, from fitness tracking and activity recognition to health monitoring. As the affordability and popularity of such devices increase, so does the amount of personal and unique data that they provide. At the same time, advantages in microprocessor and memory technology enable multiple physiological signal sensors integrated into wearable devices to collect personal and unique data. After the data is extracted, machine learning classification algorithms can help investigate the insights of the data. In this work, we examine the performance of a real-time stress detection system based on physiological signals collected from wearable devices. Specifically, three physiological signals, electrodermal activity (EDA), electrocardiogram (ECG), and photoplethysmo-graph (PPG) that can be collected through smartwatches, are examined for stress classification. Six machine learning methods are used for the classification in a post-acquisition phase, at a computer, including Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Random Forest, Naive Bayes, Logistic Regression, and Stacking Ensemble Learning (SEL). Data from two publicly available datasets are used for training and testing. We examine the accuracy of each modality and the combination of all modalities. According to evaluation results, EDA has the best accuracy when SEL is used for classification. Also, the accuracy of EDA outperforms the other signals and combinations, in comparison with any of the other machine learning approaches, for both datasets. EDA collected from the wearable device has a great potential to be used for a real-time stress detection system.
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) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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