Multimodal Physiological Signals and Machine Learning for Stress Detection by Wearable Devices
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».