A Fusion of Wavelet-based and Unsupervised Machine Learning Method for Artifacts Removal in Electrodermal Activity Signal
Notice bibliographique
Résumé
The fast tempo of modern society has brought people a series of emotional changes and mental pressures. Therefore, research have emerged to help people pay attention to and regulate their mental health. Physiological signals are used in studies from different fields to monitor and detect emotional change and stress. Electrodermal activity (EDA) is such a physiological signal that can reflect changes in skin conductivity when people's emotions change. The nature of neuromodulation makes such changes not easily controlled by people subjectively so EDA is an ideal emotion and stress monitoring indicator. Especially with the popularity of wearable devices in the market, wearable devices with built-in EDA sensors will be more competitive for the functions that help people regulate their mental health. However, since the EDA sensor usually acquires signals through fingers, palms, or wrists, artifacts will inevitably be generated when users move their hands or arms, and the artifacts will affect the accuracy of emotional change detection. As a result, removing artifacts in EDA signals is a challenging and important topic. In this work, multiple signal processing methods are applied to realize the objective of removing artifacts in the EDA signals from the AMIGOS dataset. The results show that the proposed method is promising and has the potential to be utilized in real-time EDA signal processing and emotional change detection applications.
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 | 0,001 | 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 | 0,000 | 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) | 0,003 | 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 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 ».