MoStress: um modelo de aprendizado profundo para detecção de estresse a partir de sinais fisiológicos

• Ano de defesa: 2023
• Autor(a) principal: Souza, Arturo de
• Orientador(a): Ramos, Gabriel de Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Detecção de estresse; Séries temporais; Sensores vestíveis; Aprendizado profundo; Redes neurais recorrentes
• Palavras-chave em Inglês: Machine learning; Stress detection; Time series; Wearable sensors; Deep learning; Recurrent neural networks
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/12438

A pandemia de COVID-19 mostrou como a preparação e combate para situações de calamidades públocas tem papel crucial no desenvolvimento da sociedade moderna. Entretanto, o coronavírus não é a única doença pandêmica que atinge o globo: doenças de cunho psicológico também atingem uma grande parcela da população. Nos dias de hoje, o estresse, ansiedade e depressão são consideradas doenças psicológicas e aproximadamente 10.7% da população mundial sofre com algum desses distúrbios, assim, essas doenças possuem um potencial pandêmico e devem ser tratadas com a urgência necessária. Uma abordagem que pode ser utilizada para lidar com tais doenças é a detecção destes distúrbios a partir da utilização de algoritmos de aprendizado de máquina que utilizam séries temporais como dados de entrada. Tendo em vista a grande gama de sinais fisiológicos medidos pelos sensores modernos, como respiração, temperatura, batimentos cardíacos e outros; e tendo em vista também que estes sensores são cada vez mais populares na sociedade, a utilização de tais sinais para monitorar todos os tipos de doenças ganha grande relevância. Desta forma, tratar séries temporais que representam sinais fisiológicos com técnicas modernas de aprendizado de máquina pode gerar resultados substanciais na melhora da qualidade de vida da população, pois, com tais algoritmos, diversas doenças poderão ser classificadas mais rapidamente e de maneira mais eficaz, facilitando o diagnóstico de um profissional da saúde e reduzindo o risco de tais doenças chegarem a estados mais graves. Neste trabalho apresentaremos o MoStress, um modelo de aprendizado profundo que recebe um conjunto de séries temporais que representam sinais fisiológicos e faz a classificação de estresse. O MoStress é constituído por uma etapa de pré-processamento que consiste em utilizar a Transformada de Fourier para eliminação de ruídos, o Rolling Z-Score para normalização de dados, o janelamento por frequência de classes para classificação de janelas e o cálculo de pesos para reduzir o desbalanceamento de dados. Além disso, o MoStress também possui um rede neural que faz a classificação a partir dos dados pré-processados, onde essa rede neural pode ser constituída de uma rede neural recorrente, uma Echo State Network ou uma combinação da arquitetura do NBeats mais uma rede neural perceptron multicamadas. O MoStress utilizou dados fisiológicos públicos coletados pela Universidade de Siegen, na Alemanha (conjunto de dados chamado WESAD), onde este conjunto de dados possui 3 classes diferentes sendo elas baseline, stress e amusement. Dessa maneira, o MoStress utilizando os sinais fisiológicos de respiração, temperatura, eletrocardiograma, eletromiograma e atividade eletrodermal, coletados por um sensor localizado no tórax dos participantes, passando tais sinais pela etapa de pré-processamento e utilizando uma rede neural recorrente, obteve uma acurácia de 96.5% no problema de multi classificação com 3 classes e ainda obteve recall, f1-score e precisão de 96%, 93% e 94%, respectivamente, para a classe stress, mostrando boa performance de classificação com os dados pré-processados e uma rede neural recorrente.