Η χρήση βιοαισθητήρων στην ανίχνευση του στρες και πειραματική μελέτη του σήματος GSR

The use of biosensors in stress detection and experimental study of the GSR signal (Αγγλική)

  1. MSc thesis
  2. PENTARAKIS, IOANNIS
  3. Συστήματα Κινητού και Διάχυτου Υπολογισμού (ΣΔΥ)
  4. 22 Σεπτεμβρίου 2018 [2018-09-22]
  5. Ελληνικά
  6. 165
  7. Goumopoulos, Christos
  8. Goumopoulos, Christos | Chatzimisios, Periklis
  9. Ανίχνευση Στρες | stress detection | Αγωγιμότητα Δέρματος | skin conductance | Μηχανική μάθηση | Machine learning | Ταξινόμηση | Classification | Βιοσήματα | Bio signals
  10. 7
  11. 4
  12. 58
  13. Pictures, tables
    • Η εργασία ξεκινάει με μία ανασκόπηση στα βιοσήματα που μπορούν να χρησιμοποιηθούν στην ανίχνευση του στρες. Έπειτα επικεντρώνεται στην κατανόηση της φυσιολογίας του στρες και στην μελέτη της μεταβολής της ηλεκτρικής αγωγιμότητας του δέρματος, έτσι ώστε να κατανοηθεί η αλληλεπίδρασή της με το στρες. Για να εξομοιώσουμε καταστάσεις στρες, υποβάλαμε χρήστες σε μια πειραματική ακολουθία που περιλαμβάνει μεταξύ άλλων stroop test. Κατά την διάρκεια του πειράματος μετρήσαμε την φυσιολογική τους αντίδραση με έναν αισθητήρα GSR και στην συνέχεια προσπαθήσαμε να εκτιμήσουμε την κατάστασή των χρηστών σαν να μην γνωρίζαμε σε ποια κατάσταση βρίσκεται πραγματικά. Για την ανάλυση του σήματος της αγωγιμότητας, επιλέχθηκαν οι τεχνικές CDA/CVX/TTP. Στην συνέχεια από τις αναλύσεις του σήματος της αγωγιμότητας συλλέξαμε όσο γίνεται περισσότερα χαρακτηριστικά. Την πληροφορία αυτή την μετατρέψαμε σε μεταβλητές, οι οποίες συνδυαζόμενες μας βοήθησαν να εκτιμήσουμε την πραγματική κατάσταση του χρήστη. Τα χαρακτηριστικά του σήματος τα ομαδοποιήσαμε και δημιουργήσαμε ένα πρόβλημα μηχανικής μάθησης το οποίο ανά τεχνική σάρωσης του EDA και ανά αλγόριθμο μηχανικής μάθησης, μας επέτρεψε να πάρουμε ποσοστά αξιοπιστίας πρόβλεψης του στρες. Εδώ αξίζει να σημειωθεί ότι το πρόβλημα ταξινομείται όσον αφορά το αν ο χρήστης είναι «stressed», αλλά επίσης και για το αν ο χρήστης βρίσκεται μετά από μία φάση στρες, διαφοροποιώντας έτσι την ταξινόμηση του προβλήματος μας σε σχέση με τη βιβλιογραφία, αλλά συνάμα κάνοντας και πιο δύσκολη την τελική πρόβλεψη. Από τα αποτελέσματα φαίνεται ότι η CDA είναι η τεχνική που μπορεί να ανιχνεύσει το στρες με το μεγαλύτερο ποσοστό επιτυχίας. Το ποσοστό αυτό φτάνει στο 80.31% όταν πρόκειται για μοντέλο ταξινόμησης τριών επιπέδων στρες και στο 95.32% όταν πρόκειται για μοντέλο ταξινόμησης δύο επιπέδων στρες.
    • Stress is responsible for mental and physical illnesses. A survey gives the status of the stress detection and presents various bio signals that could be used for the stress detection. Awareness of stress level could help the person to protect his self, but stress detection is counted as a difficult task, due to inter-person variability and to the difficulty on every day activity simulation. On this thesis we are presenting a methodology for stress detection, through measurement of skin conductance. An experiment with 19 users is organized in three phases, in order to trigger stress and relaxation conditions. During these phases the GSR is collected in periods of 5 minutes. Three skin conductance technics (CDA/CVX/TTP) from bibliography are applied on the collected bio signal and they provide as output, GSR related characteristics. A classification problem is presented for the stress identification through the reported characteristics. Three classification algorithms are used (j48, bayes naïve and SVM) and some nice tricks for the normalization and splitting of the selected data are presented. A skin conductance aware model is build, that detects three user states (no stress, stress and meta stress) with 80% accuracy. The accuracy is further improved to 95.32%, when the problem is classified in two states. A comparison of the conductance technics is also achieved from the classification of the problem.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.