Stress Detection and Audio-Visual Stimuli Classification From Electroencephalogram
Notice bibliographique
Résumé
Electroencephalogram (EEG) is the graphical representation of Brain’s electrical activity. Mental stress can be detected in many ways and EEG is one of them. Regular mental stress gives rise to many mental disorders and it may cause various physiological and psychological diseases. As a result, early-stage detection of stress is very important. In this research, brain activity was recorded through EEG headset during inducing different levels of stress from audio-visual stimulus. Again, for better interaction between humans and machines, it is essential to analyze the power spectrum of the brain in response to different audio and visual stimulus. To better evaluate visual and auditory stress, an automated system is designed to differentiate among various audio and visual evoked potentials. This may further help for designing different assistive devices for the people having visual and hearing disability. In this paper, we proposed a framework to classify different levels of stress in response to audio and visual stimuli and also classified between these two stimuli by analyzing EEG signals. Raw EEG data was collected in lab environment and the necessary pre-processing steps were applied for denoising. By extracting robust features from the denoised audio and visual data, binary and multi-level stress were classified. A binary classification between audio and visual stimuli was also successfully done in this research. We achieved highest accuracy for binary stress classification 97.14% from visual stimuli, whereas we achieved 94.51% accuracy for auditory stimuli. Again, we achieved the accuracy for four level stress classification 89.59% for visual stimuli and 82.63% for audio stimuli.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».