一个改进的生物识别压力监测解决方案,用于工作员工使用心率变化数据和囊网络模型
Mashael M Khayyat1, Raafat M Munshi2, Bayan Alabduallah3
1Department of Information Systems and Technology, College of Computer Science and Engineering, University of Jeddah, Jeddah, Saudi Arabia.
PloS one
|December 17, 2024
概括
这项研究引入了一种新的CapsNets模型用于生物识别压力监测,使用生理和行为数据在检测压力水平方面实现了高准确性. 与现有方法相比,该模型显示出更高的性能.
科学领域:
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
- 心理生理学 心理生理学
背景情况:
- 生物识别压力监测对于管理与压力相关的健康问题至关重要.
- 对生理信号和行为数据的持续监测为焦虑水平提供了洞察力.
- 现有的方法需要改进,以准确和实时检测压力.
研究的目的:
- 提出一种基于CapsNets的新型模型,用于持续的心理生理学压力监测.
- 通过使用已建立的数据集来评估模型的准确性和效率.
- 将模型的性能与最先进的方法进行比较.
主要方法:
- 使用CapsNets模型分析生物识别数据流 (生理信号和行为模式).
- 在Swell多类数据集和WESAD数据集上测试模型.
- 执行压力和无压力检测的二进制分类.
- 进行5倍交叉验证以确保模型的稳定性.
主要成果:
- 在Swell多类数据集上达到92.76%的准确性,在WESAD数据集上达到96.76%.
- 在Swell上的二元应力分类中达到98.52%的准确性,在WESAD上达到99.82%.
- 与所有竞争的最先进型号相比,表现出卓越的性能.
- 五次交叉验证证实了该模型的意义,有效性和效率.
结论:
- 拟议的CapsNets模型为生物识别压力监测提供了一个高度准确和高效的解决方案.
- 该模型的卓越性能凸显了其在心理健康领域的真实应用潜力.
- 通过交叉验证进行进一步验证,强调了该模型的可靠性和通用性.
