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

Marcos Paulo de Carvalho Lopes, Gabriel Bastos Cerquinho, Rafael Albuquerque Pinto, Hygo Sousa de Oliveira, Alex Fernandes Figueirêdo, Kevin Gustavo Montero Quispe, Eulanda Miranda dos Santos, Eduardo James Pereira Souto

Resumo


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.

Palavras-chave


Aprendizado de Máquina; Eletrocardiografia; Dispositivos Eletrônicos Vestíveis

Texto completo: PDF


Journal of Health Informatics - ISSN 2175-4411
Rua Tenente Gomes Ribeiro, 57 - sala 33 CEP 04038-040 São Paulo - SP - Brasil
Tel./Fax: + 55 11 3791 3343 - E-mail: jhi@sbis.org.br