Reconhecimento de estresse via eletrocardiograma utilizando dimensionalidade reduzida e aprendizagem de máquina
Palabras clave:
Aprendizado de Máquina, Eletrocardiografia, Dispositivos Eletrônicos VestíveisResumen
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.Descargas
Los datos de descargas todavía no están disponibles.
Descargas
Publicado
15/03/2021
Cómo citar
Lopes, M. P. de C., Cerquinho, G. B., Pinto, R. A., Oliveira, H. S. de, Figueirêdo, A. F., Quispe, K. G. M., … Souto, E. J. P. (2021). Reconhecimento de estresse via eletrocardiograma utilizando dimensionalidade reduzida e aprendizagem de máquina. Journal of Health Informatics, 12. Recuperado a partir de https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/848
Número
Sección
Artículo Original