Refinement of Bio-signal Data from Wearables for Stress Recognition Using Machine Learning and Transparent Artificial Intelligence
Notice bibliographique
Résumé
This study explores the use of wearable devices for real-time detection of stress and evaluates the impact of meditation audio in alleviating stress following academic activities. It involves the collection of physiological signals specifically Heart Rate Variability (HRV) derived from Interbeat Intervals (IBI), Blood Volume Pulse (BVP), and Electrodermal Activity (EDA) during the Montreal Imaging Stress Task (MIST). To enhance the accuracy of stress classification, the study integrates a Genetic Algorithm with Mutual Information for efficient feature selection by minimizing redundancy. Additionally, Bayesian optimization is employed for fine-tuning the hyperparameters of machine learning models. Experimental results show that combining EDA, BVP, and HRV yields peak classification accuracies of 98.28% for two-level and 97.02% for three-level stress detection using the Gradient Boosting (GB) algorithm. When using only EDA and HRV, the system still performs well, achieving 97.07% and 95.23% accuracy for two- and three-level classifications, respectively. SHAP-based Explainable AI (XAI) analysis further confirms that HRV and EDA are the most influential features in determining stress levels. The study also demonstrates that meditation audio has a measurable calming effect, supporting its potential for stress management. These findings underscore the promise of integrating wearable technologies with machine learning for effective stress monitoring and intervention in academic settings. Keywords: Wearable devices, Real-time stress detection, Heart Rate Variability (HRV), Blood Volume Pulse (BVP), Electrodermal Activity (EDA), Montreal Imaging Stress Task (MIST), Genetic Algorithm, Mutual Information, Feature selection, Bayesian optimization, Machine learning, Gradient Boosting, Stress classification, SHAP, Explainable AI (XAI).
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».