CLASSIFICAÇÃO DO ESTRESSE USANDO SINAIS FISIOLÓGICOS: UMA REVISÃO ABRANGENTE DE MÉTODOS E ABORDAGENS COMBINADOS COM UM NOVO EXPERIMENTO DE ECG BASEADO EM CNN
Resumo
A detecção precisa do estresse por meio de sinais fisiológicos apresenta grande potencial para melhorar os resultados em saúde, reduzir custos e possibilitar a intervenção precoce em distúrbios relacionados ao estresse. Este estudo apresenta uma revisão abrangente dos avanços recentes na classificação do estresse utilizando dados fisiológicos, destacando os principais métodos, desafios e tendências emergentes na área. Ênfase especial é dada às limitações impostas por conjuntos de dados reduzidos, à importância de modelos personalizados e às dificuldades da aplicação em tempo real em ambientes não controlados. Paralelamente, propomos e avaliamos uma nova arquitetura de rede neural convolucional (CNN) projetada para classificar sinais de eletrocardiograma (ECG) em quatro categorias distintas. O modelo demonstrou aprendizado robusto e generalização moderada em condições de restrição de dados, alcançando 60,95% de acurácia em um conjunto de teste independente. Os achados reforçam a eficácia do aprendizado profundo na classificação do estresse e ressaltam a necessidade de abordagens personalizadas, em tempo real e multimodais em pesquisas futuras.
Biografia do Autor
UNISINOS
UNISINOS
PUCRS
Referências
ANSARI, Y.; MOURAD, O.; QARAQE, K.; SERPEDIN, E. Deep learning for ECG arrhythmia detection and classification: an overview of progress for 2017–2023. Frontiers in Physiology, Lausanne, v. 14, 2023.
ASKARI, M.; SETAREHDAN, S. K.; SHOKROLLAHI, A.; ALIREZAEI, M. Stress detection from physiological signals using deep learning methods: distinguishing stress from physical activity. Biomedical Signal Processing and Control, Amsterdam, v. 73, 2022.
BOBADE, P.; VANI, M. Stress detection with machine learning and deep learning using multimodal physiological data. In: INTERNATIONAL CONFERENCE ON INVENTIVE RESEARCH IN COMPUTING APPLICATIONS (ICIRCA), 2., 2020. Proceedings […]. [S. l.]: IEEE, 2020. p. 51–57.
CHATTERJEE, R.; NAG, A.; DUTTA, A.; MUKHERJEE, S. Stress classification using physiological signals with frequency-domain feature selection. Biomedical Signal Processing and Control, Amsterdam, v. 72, 2022.
FINSETH, T.; KJELDGAARD, M.; SKOV, M. B.; HANSEN, L. K. Personalized versus generalized models for physiological stress detection: challenges and opportunities. Sensors, Basel, v. 23, n. 3, 2023.
GARG, P.; SANTHOSH, J.; DENGEL, A.; ISHIMARU, S. Stress detection by machine learning and wearable sensors. In: INTERNATIONAL CONFERENCE ON INTELLIGENT USER INTERFACES – COMPANION, 26., 2021, New York. Proceedings […]. New York: ACM, 2021. p. 43–45.
GEDAM, S.; PAUL, S. A review on mental stress detection using wearable sensors and machine learning techniques. IEEE Access, New York, v. 9, p. 84045–84066, 2021.
GUHDAR, M.; MOHAMMED, A. O.; MSTAFA, R. J. Advanced deep learning framework for ECG arrhythmia classification using 1D-CNN with attention mechanism. Knowledge-Based Systems, Amsterdam, v. 295, 2025.
HUANG, J.; LIU, Y.; PENG, X. Recognition of driver’s mental workload based on physiological signals: a comparative study. Biomedical Signal Processing and Control, Amsterdam, v. 71, pt. A, p. 103094, 2022.
KUMAR, A.; SHARMA, K.; SHARMA, A. Hierarchical deep neural network for mental stress state detection using IoT-based biomarkers. Pattern Recognition Letters, Amsterdam, v. 145, p. 81–87, 2021.
MINGXU, L.; ZHANG, Y.; LIU, H.; WANG, Z. Affect and stress detection based on feature fusion of LSTM and CNN using physiological signals. Sensors, Basel, v. 23, 2023.
MODI, N.; KUMAR, Y.; MEHTA, K.; CHAPLOT, N. Physiological signal-based mental stress detection using hybrid deep learning models. Discover Artificial Intelligence, Cham, v. 5, 2025.
RIM, B.; LEE, J.; PARK, J.; KIM, H. Deep learning applications on medical physiological signals: a comprehensive review. Sensors, Basel, v. 20, n. 20, 2020.
SAH, S.; DAS, A.; CHOUDHURY, S. StressNet: convolutional neural network framework for personalized stress classification. IEEE Access, New York, v. 10, 2022.
VARGAS-LOPEZ, O.; PEREZ-RAMIREZ, C. A.; VALTIERRA-RODRIGUEZ, M.; YANEZ-BORJAS, J. J.; AMEZQUITA-SANCHEZ, J. P. An explainable machine learning approach based on statistical indexes and SVM for stress detection in automobile drivers using electromyographic signals. Sensors, Basel, v. 21, n. 9, 2021.
WU, Y.; ZHANG, J.; LIU, Y.; WANG, J. Transfer learning-based stress detection using physiological signals in daily activities. IEEE Access, New York, v. 9, 2021.
XIANG, J.-Z.; WANG, Q.-Y.; FANG, Z.-B.; ESQUIVEL, J. A.; SU, Z.-X. A multimodal deep learning approach for stress detection using physiological signals. Frontiers in Physiology, Lausanne, v. 16, 2025.
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.