Název:
Detekce stresu
Překlad názvu:
Stress detection
Autoři:
Jindra, Jakub ; Vítek, Martin (oponent) ; Němcová, Andrea (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2019
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Detekce stresu založená na non-EEG fyziologických datech může být užitečná pro monitoraci řidičů, pilotů, ale také sledování psychického stavu v běžném každodenním životě – tedy všude tam, kde je monitorace standardním EEG nevhodná. Tato práce využívá Non-EEG databázi volně dostupnou z Physionetu. Databáze obsahuje záznamy tepové frekvence, saturace krve kyslíkem, pohybu, vodivosti pokožky a teploty snímané pro 3 typy stresu prokládáné relaxační fází. V práci byly vytvořeny dva modely. Jeden pro binární klasifikaci stresu/klidu, druhý pro klasifikaci 4 psychických stavů. Nejlepších výsledků bylo dosaženo využitím modelu rozhodovacího stromu s 8 příznaky pro binární klasifikaci a 8 příznaky pro klasifikaci 4 stavů. Přesnost finálních modelů je přibližně 95 % pro binární klasifikaci a 99 % pro klasifikaci 4 psychických stavů. Veškeré algoritmy byly implementovány v jazyce Python.
Stress detection based on non-EEG physiological data can be useful for monitoring drivers, pilots, and also for monitoring of people in ordinary situation, where standard EEG monitoring is unsuitable. This work uses Non-EEG database freely available from Physionet. The database contains records of heart rate, saturation of blood oxygen, motion, a conductance of skin and temperature recorded for 3 type of stress alternated with relax state. Two final models were created in this thesis. First model for Binary classification stress/relax, second for classification of 4 different type of psychical state. Best results were reached using model created by decision tree algorithm with 8 features for binary classification and with 8 features for classification of 4 psychical state. Accuracy of final models is aproximately 95 % for binary model and 99 % for classification of 4 psychical state. All algorithms were implemented in Python.
Klíčová slova:
analýza; Detekce; extrakce příznaků; ladění; NumPy; Pandas a Sklearn).; Python a knihovny Python (SciPy; segmentace; selekce příznaků; stres; strojové učení; analysis; Detection; features extraction; features selection; machine learning; NumPy; Pandas and Sklearn); Python and libraries of python (SciPy; segmentation; stress; tuning
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/177636