基于深度学习的轻量级St-CNN架构,用于检测人类体力活动带来的压力水平

科学领域:

• 计算神经科学是一种计算神经科学.
• 机器学习应用程序 机器学习应用程序
• 可穿戴技术和健康监测

背景情况:

• 压力严重影响日常和职业生活,需要有效的管理和监控策略.
• 精确和客观地检测压力仍然是一个重大挑战,尽管有各种开发的方法.
• 身体活动数据为非侵入性压力水平评估提供了一个有希望的途径.

研究的目的:

• 提出一个轻量级的压力卷积神经网络 (St-CNN) 架构,用于个人压力水平的检测.
• 通过压力溶解数据集评估St-CNN模型的性能.
• 为了证明St-CNN在压力检测方面比传统的机器学习方法更优越.

主要方法:

• 开发了一种精简的St-CNN架构,具有两个完全连接的层,ReLU和正常化层,以降低计算成本.
• 利用压力解析数据集 (2,001个样本),包括身体温度,湿度和步数等特征.
• 进行了10倍的交叉验证,以验证模型的稳定性和通用性.

主要成果:

• 在压力溶解数据集上,St-CNN模型实现了100%的完美准确率.
• 超过了传统的机器学习方法,如决策树 (DT),K-最近邻居 (KNN) 和支持矢量机器 (SVM).
• 在10倍的交叉验证过程中达到99.85%的准确性和95%的置信区间,超过了最先进的方法.

结论:

• 拟议的St-CNN架构为实时压力监控提供了实用和高效的解决方案.
• 该模型的轻量级设计适用于边缘计算环境,计算开销最小.
• 该St-CNN显示了高分类准确性和优越的性能压力水平检测.