Investigar modelos de aprendizaje automático ligeros e interpretables para una detección de estrés eficiente y...

Área de la Ciencia:

• Inteligencia computacional
• Procesamiento de señales biomédicas
• Aprendizaje automático para la salud

Sus antecedentes:

• El estrés prolongado afecta negativamente la salud mental y física.
• La variabilidad de la frecuencia cardíaca (VRC) es un indicador clave para la medición del estrés.
• La detección precisa del estrés utilizando características limitadas de HRV con aprendizaje automático (ML) es un desafío.

Objetivo del estudio:

• Desarrollar modelos ML ligeros y eficientes desde el punto de vista computacional para la detección de tensiones utilizando características mínimas de HRV.
• Permitir el monitoreo de estrés en tiempo real adecuado para el despliegue de Internet de las Cosas (IoT).
• Evaluar el rendimiento y la interpretabilidad del modelo para aplicaciones prácticas.

Principales métodos:

• Se utilizó el conjunto de datos SWELL-KW para la formación y evaluación de modelos.
• Selección eficiente de características y ajuste de hiperparámetros para los modelos ML.
• Desarrolló y comparó modelos ligeros, incluidos los vecinos k-más cercanos (k-NN) y el árbol de decisión.

Principales resultados:

• Los modelos ligeros lograron una precisión competitiva con demandas computacionales reducidas.
• El algoritmo k-NN demostró un rendimiento superior, alcanzando una precisión del 99,3% con solo tres características de HRV.
• El mejor modelo k-NN mantuvo una precisión del 99.26% en un dispositivo de borde NVIDIA Jetson Orin Nano, entrenando en 31 segundos.

Conclusiones:

• Los modelos ML ligeros, en particular los k-NN, son eficaces para la detección precisa y eficiente de la tensión de la VRC.
• El enfoque propuesto es adecuado para el monitoreo de estrés en tiempo real en entornos de IoT con recursos limitados.
• Las explicaciones independientes del modelo de interpretación local mejoran la comprensión de la detección de estrés basada en ML.