Reconhecimento de estresse via eletrocardiograma utilizando dimensionalidade reduzida e aprendizagem de máquina

Abstract

Objetivo: Reconhecer eventos de estresse de um usuário usando técnicas de redução de dimensionalidade e classificadores de aprendizagem de máquina. Método: Estudo realizado com sinal ECG captado através de dispositivo vestível, com extração das características dos dados obtidos e aplicação da redução de dimensionalidade sobre o conjunto, e experimentos dos modelos com e sem redução. Resultados: Foram realizados experimentos com K-Nearest Neighbors (KNN), Naive Bayes, Decision Tree e Random Forest. Foi observado que a maioria dos modelos conseguiu detectar estresse eficientemente, obtendo uma acurácia média de 81% sem aplicação da redução e 83,5% aplicando a redução. Sendo Random Forest o melhor classificador final, com acurácia de 90%. Conclusão: A redução de dimensionalidade demonstrou-se eficaz em melhorar o desempenho geral do método KNN. Além de que, ao ser testada em métodos mais robustos, não apresentou quedas significativas nas métricas propostas, diminuindo o custo computacional de processamento dos algoritmos.