IoMT環境のバイオメトリックデータに関する軽量ストレスモニタリングに向けて

科学分野:

• 生理学的反応のメカニズム
• 医療における機械学習アプリケーション
• 医療用モノのインターネット (IoMT)

背景:

• 長期にわたるストレスは,身体的および精神的な健康に悪影響を及ぼし,早期発見が必要になります.
• 既存のストレスの検出方法は,多くの場合,広範なデータと計算を必要とし,エッジコンピューティング環境での使用を制限します.
• IoMTにおける資源制限のデバイスには,軽量で効率的なストレス検出モデルが必要です.

研究 の 目的:

• エッジベースの IoMT 展開に合わせたストレスの検出のための軽量で効率的な方法論的枠組みを提案する.
• ストレス検出のための機能セットを削減して様々な機械学習アルゴリズムのパフォーマンスを評価する.
• 限られたコンピューティングパワーを持つデバイスで,正確でパーソナライズされたストレスの検出を可能にします.

主な方法:

• WESADデータセットから心拍数変数 (HRV) と呼吸器の特徴を使用して,8つの監督された機械学習アルゴリズムが評価されました.
• 人口レベルでの訓練と学科特別の適応を組み合わせた2段階の枠組みが採用されました.
• モデルの性能は, 15, 10, 8, 6, 4の機能の機能サブセットを使用して,漸進的な次元縮小で評価されました.

主要な成果:

• 対象特有の適応は,評価されたモデル全体でストレス検出のパフォーマンスを大幅に向上させました.
• XGBoostは10の機能で最高レベルのバランス精度 (95.1%±4.7%) を達成し,15の機能すべてでパフォーマンスを上回りました.
• 6つの機能の削減されたセットが最適であると特定され,重要なパフォーマンス損失を示せず,他のモデルを上回る高い確率を維持しました.

結論:

• 精密なパーソナライズされたストレス検出は,リアルタイム展開に適した,機能のセットを減らすことで達成できます.
• 提案された枠組みは,ウェアラブルおよびIoMTベースのモニタリングシステムのための効率的で解釈可能な機械学習モデルを可能にします.
• 軽量なストレス検出モデルはエッジコンピューティングで実現可能であり,IoMTの機能を向上させます.