Classification of Stress via Ambulatory ECG and GSR Data

要約

ヘルスケアでは、ストレスを検出し、個人の精神的健康と幸福度を監視できるようにすることは困難です。
ウェアラブル技術の進歩により、生理学的データの継続的な収集が可能になりました。
このデータは、精神生理学的分析を通じて精神的健康と行動状態についての洞察を提供します。
ただし、収集されるデータの量により、タイムリーな結果を提供するには自動分析が必要です。
機械学習は、制御された実験室環境における健康アプリケーションの生理学的データの自動分類を提供する上で有効であることが示されています。
ただし、外来の制御されていない環境では、克服するためにさらなるモデリングが必要な追加の課題が発生します。
この研究では、自己申告のストレス注釈を付けて外来環境で記録された生理学的データを使用してストレスを検出する機械学習分類器を利用したいくつかのアプローチを経験的に評価しています。
トレーニング部分 SMILE データセットのサブセットを使用すると、提出前にアプローチを評価できます。
最適な応力検出アプローチは、ExtraTrees 分類器と特徴補完手法を利用して、90.77% の分類精度、91.24 F1 スコア、90.42 の感度、および 91.08 の特異性を達成します。
一方、チャレンジ データの精度は 59.23% とはるかに低くなります (BEaTS-MTU からの提出 #54、ユーザー名 ZacDair)。
この研究では、パフォーマンスの差異の原因が調査されます。

要約(オリジナル)

In healthcare, detecting stress and enabling individuals to monitor their mental health and wellbeing is challenging. Advancements in wearable technology now enable continuous physiological data collection. This data can provide insights into mental health and behavioural states through psychophysiological analysis. However, automated analysis is required to provide timely results due to the quantity of data collected. Machine learning has shown efficacy in providing an automated classification of physiological data for health applications in controlled laboratory environments. Ambulatory uncontrolled environments, however, provide additional challenges requiring further modelling to overcome. This work empirically assesses several approaches utilising machine learning classifiers to detect stress using physiological data recorded in an ambulatory setting with self-reported stress annotations. A subset of the training portion SMILE dataset enables the evaluation of approaches before submission. The optimal stress detection approach achieves 90.77% classification accuracy, 91.24 F1-Score, 90.42 Sensitivity and 91.08 Specificity, utilising an ExtraTrees classifier and feature imputation methods. Meanwhile, accuracy on the challenge data is much lower at 59.23% (submission #54 from BEaTS-MTU, username ZacDair). The cause of the performance disparity is explored in this work.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google