効率的で説明可能なストレス検出のための軽量で解釈可能な機械学習モデルを調査する

科学分野:

• コンピューティングインテリジェンス
• バイオメディカル信号処理
• 医療のための機械学習

背景:

• 長く続くストレスは 精神的・身体的健康に悪影響を及ぼします
• 心拍数変動 (HRV) は,ストレス測定の鍵となる指標です.
• 機械学習 (ML) の限られたHRV機能を使用したストレスの正確な検出は困難です.

研究 の 目的:

• 最小限のHRV機能を使用して,ストレスを検出するための計算効率の良い,軽量なMLモデルを開発する.
• 物事のインターネット (IoT) の展開に適したリアルタイム・ストレスの監視を可能にします.
• モデルパフォーマンスを評価し,実用的な応用のために解釈できるようにする.

主な方法:

• SWELL-KWのデータセットをモデルトレーニングと評価に活用した.
• MLモデルの効率的な機能選択とハイパーパラメータチューニングを実装します.
• k-近隣 (k-NN) と決定樹を含む軽量モデルを開発し,比較した.

主要な成果:

• 軽量なモデルは,計算上の要求を減らすことで,競争力のある精度を達成しました.
• k-NNアルゴリズムは,3つのHRV機能のみで99.3%の精度を達成し,優れたパフォーマンスを示しました.
• 最高のk-NNモデルはNVIDIA Jetson Orin Nanoエッジデバイスで99.26%の精度を保ち,31秒でトレーニングしました.

結論:

• 軽量なMLモデル,特にk-NNは,HRVからの正確で効率的なストレス検出に有効です.
• 提案されたアプローチは,リソースが限られたIoT環境におけるリアルタイムストレスの監視に適しています.
• 局所的に解釈可能なモデルアグノスティックな説明は,MLベースのストレス検出の理解を高めます.