A Novel Transfer Learning with Organic Computing in Deep Learning for Stress Classification
Notice bibliographique
Résumé
Nowadays, a stress classification system is essential to classify the psychological stress that impairs a person's socioeconomic life.Several Deep Learning (DL) models have been developed in recent years to classify stress using physiological signals, including electrodermal activity (EDA) and electrocardiography (ECG).However, those models cannot handle concept drift during the training phase, which may struggle to adapt to changing data patterns, leading to unreliable predictions.Concept drift refers to changes in the characteristics or patterns of physiological signals used for stress classification.These changes could be due to various factors, including shifts in the data distribution, environmental conditions, or the subjects' behavior.Therefore, this article develops a novel Deep Transfer Learning with Organic Computing (DTLOC) model by integrating the Deep Convolutional Neural Network (DCNN) with the TL and OC mechanisms to handle concept drift and improve the accuracy of stress classification.The TL brings prior knowledge about EDA and ECG features, which enhances the model's initial capabilities and shortens the learning curve.Additionally, the OC provides a self-management system that oversees the structure and operation of the model.It dynamically adapts the DCNN in response to changing data patterns, ensuring that the model remains accurate and effective in classifying stress, even in the presence of concept drift.The experimental results demonstrate that the DTLOC model, utilizing EDA and ECG data from the WESAD dataset, achieves an accuracy of 93.53%.This is a significant improvement compared to the LIBSVM, LSTM, DNN, and CNN models, with increases of 15.63%, 13.15%, 10.37%, and 5.03% respectively.Thus, this model can enhance individuals' quality of life and safety by detecting stress-related illnesses at an earlier stage.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».