Mobile Application for Stress Detection via MFCC Speech-Features
Notice bibliographique
Résumé
Everyone goes through periods of mental stress in their daily lives. While small amounts of stress can enhance focus, alertness, and performance, excessive stress negatively affects productivity, emotional stability, quality of life, and overall health. Early stress detection is crucial for preventing its harmful effects and managing it effectively. Despite significant research in stress detection, there remains a lack of real-time, mobile-based, and intuitive solutions that are easily accessible to the public. This research focuses on developing StressVox, a mobile application that uses speech analysis to identify stress or not stress. The system, developed using Flutter, utilizes a pretrained Convolutional Neural Network (CNN) trained on the Toronto Emotional Speech Set (TESS) dataset. The methodology includes data preparation, Mel Frequency Cepstral Coefficients (MFCC) feature extraction, noise handling, and speaker verification to ensure accurate and personalized results. The application uses a white and blue theme for a calming user experience and integrates with a Python backend via APIs, enabling real-time stress classification. The system achieved a 96% accuracy rate in detecting stress and includes a feedback-driven feature to rework the model when false results occur, further enhancing its performance over time. StressVox is designed to empower users with an accessible and non-invasive tool for early stress detection and management, providing a practical and user centric approach to addressing the growing need for mental health monitoring in daily life.
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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».