عنوان پایان‌نامه
کمی سازی و آنالیز میزان استرس با استفاده از سیگنال های حیاتی بدن
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2631;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 67540
- تاریخ دفاع
- ۱۰ شهریور ۱۳۹۳
- دانشجو
- حسام ورسه ای
- استاد راهنما
- سیدکمال الدین ستاره دان
- چکیده
- امروزه استرس به عنوان یکی از مشکلات عمده در جامعه مطرح شده است. استرس زیاد باعث کاهش عملکرد فرد می‌شود. از مهمترین اثرات منفی استرس می‌توان به موارد زیر اشاره نمود: بی‌خوابی، اختلال در تمرکز، فراموشی، اشکال در تصمیم‌گیری، افزایش تعداد تصادفات کوچک، استفاده زیاد از سیگار، افسردگی. بدین منظور، بررسی و سعی در طراحی سیستم‌های تشخیص استرس، خیلی مورد توجه قرار گرفته است. یکی از روش‌های تشخیص آن، از طریق سیگنال‌های فیزیولوژیک و حیاتی بدن است. تحقیقات زیادی در مورد تشخیص دوسطحی استرس انجام شده است. اما در این تحقیق استرس فرد به 3 دسته پایین، متوسط و بالا طبقه‌بندی می‌شود. در این تحقیق یک سیستم تشخیص سطوح استرس، با استفاده از سیگنال‌های حیاتی بدن معرفی شده است. 11 نفر در این آزمایش شرکت کردند و سیگنال‌های ECG و GSR آنها، طی 3 مرحله آزمایش ثبت شدند. پس از پیش‌پردازش داده‌ها و اخذ سیگنال‌های HRV و MV، توسط طبقه‌بندی‌کننده SVM، داده‌ها در سگمنت‌های 5 ثانیه‌ای به 3 دسته استرس پایین، متوسط و بالا تقسیم‌بندی شدند. بهترین صحت طبقه‌بندی با برچسب‌گذاری‌های استاندارد با 11 و 8 نفر، و برچسب‌گذاری بهینه، با 11 نفر، با مشخصه میانگین سیگنال GSR به ترتیب 97.7، 97.86 و 97.7 درصد بدست آمد. همچنین میانگین صحت طبقه‌بندی با برچسب‌گذاری استاندارد با 11 نفر، با مشخصه‌های زمانی سیگنال HRV و MV به ترتیب 58.63، 59.38 درصد بدست آمد. علاوه بر این بهترین صحت طبقه‌بندی استرس به دو دسته بااسترس و بی‌استرس، با مشخصه میانگین سیگنال GSR، 100 درصد بدست آمد. همانطور که از نتایج پیداست، سیگنال GSR بسیار بهتر از سیگنال‌های HRV و MV برای تشخیص استرس، عمل کرد. واژه‌های کلیدی: طبقه‌بندی‌کننده SVM، تشخیص استرس، سیگنال‌های حیاتی بدن، سیگنال GSR، سیگنال HRV، سیگنال MV
- Abstract
- Stress is known to be one of the serious problems in the today’s societies. Excessive stress reduces the performance of the human being. Negative impacts of stress includes insomnia, focusing disorder, amnesia, decision impairments, increased number of minor accidents, excessive usage of cigarettes and depression. Therefore, analysis of stress and design of stress recognition systems have recently attracted a lot of attention. One of the stress recognition techniques is usage of the physiological and vital signals of body. Many works have been already done on two-level stress recognition. In this work, however, the stress is classified into three levels of low, medium and high. Here, a stress level detection system based on vital body signals has been proposed. 11 persons have participated in this research, and their electrocardiogram (ECG) and galvanic skin response (GSR) signals have been recorded in three stages of the experiment. After pre-processing of the data and gathering the heart rate variability (HRV) and morphologic variability (MV) signals, using support vector machine (SVM) classifier, data are classified into three levels of low, medium and high in 5 seconds segments. The best classification accuracy is achieved using standard labeling with 11 and 8 persons and optimal labeling is achieved using 11 persons with average GSR signal characteristics of 97.7, 97.86 and 97.7 respectively. Moreover, average classification accuracy using standard labelling with 11 persons using HRV an MV is calculated to be 58.63 and 59.38 respectively. Furthermore, best stress classification accuracy of 100 percent in two-level, stressful and non-stressed, stress classification is achieved using average GSR signal characteristics. According to the results, GSR signal is more reliable than HRV and MV signals in stress recognition. Keywords: SVM classifier, Stress recognition, Vital body signals, GSR signal, HRV signal, MV signal.
