機械学習技術に基づく心臓血管および呼吸器データを用いたヒトのストレス分類

科学分野:

• 生理学的コンピューティング
• バイオメディカル信号処理
• 医療における機械学習

背景:

• ストレスは 精神的健康や 幸福感や 業績に大きく影響します
• 現在のストレス検出方法は 単一の生理学的信号に依存しています
• ストレス検出のための心臓血管と呼吸器のデータを統合した新しいアプローチが提案されています.

研究 の 目的:

• ストレスを正確にリアルタイムで検出するためのマルチモダルシステムを開発し,検証する.
• ストレス分類のための心臓血管と呼吸器の信号の融合の有効性を調査する.
• ストレス状態を区別する重要な生理学的特徴を特定する.

主な方法:

• ストレス誘導タスク中に15人の参加者から集めた心電図 (ECG) と呼吸信号.
• ECG信号処理のためのリアルタイムピーク検出アルゴリズムを開発した.
• 信号タイプと機械学習モデル (SVM,KNN,バッグツリー,ランダムフォレスト) の両方の時間と周波数領域の特徴を抽出し,NASA-TLXスコアで検証します.

主要な成果:

• マルチモダルのデータ融合により,ストレスの分類精度は,単一の方法と比較して95.6% ±1.7%に大幅に改善されました.
• 前向きの特徴選択は,心臓血管と呼吸器の両方の信号から重要な差別的な特徴を特定しました.
• 開発されたシステムはシングルモダリティのアプローチよりも優れた性能を示した.

結論:

• マルチモダルの生理学的データ,特に心血管と呼吸器の信号を統合することは,ストレスを正確に検出するのに非常に効果的です.
• このアプローチは,単一モデルの方法と既存の文献の性能を上回ります.
• ストレスと健康管理の強化のためのリアルタイムモニタリングシステムの開発を支援します.