CLASSIFICAÇÃO DO ESTRESSE USANDO SINAIS FISIOLÓGICOS: UMA REVISÃO ABRANGENTE DE MÉTODOS E ABORDAGENS COMBINADA COM UM NOVO EXPERIMENTO DE ECG BASEADO EM CNN
DOI:
https://doi.org/10.47820/recima21.v6i9.6745Palavras-chave:
Classificação, Estresse, Sinais fisiológicosResumo
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.
Downloads
Referências
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. DOI: 10.1109/ICIRCA48905.2020.9183244. DOI: https://doi.org/10.1109/ICIRCA48905.2020.9183244
CAN, Y. S.; CHALABIANLOO, N.; EKIZ, D.; FERNANDEZ-ALVAREZ, J.; RIVA, G.; ERSOY, C. Personal stress-level clustering and decision-level smoothing to enhance the performance of ambulatory stress detection with smartwatches. IEEE Access, v. 8, p. 38146–38163, 2020. DOI: https://doi.org/10.1109/ACCESS.2020.2975351
DELMASTRO, F.; MARTINO, F. D.; DOLCIOTTI, C. Cognitive training and stress detection in MCI frail older people through wearable sensors and machine learning. IEEE Access, v. 8, p. 65573–65590, 2020. DOI: https://doi.org/10.1109/ACCESS.2020.2985301
DHAM, V. et al. Mental stress detection using artificial intelligence models. Journal of Physics: Conference Series, v. 1950, 012047, 2021. DOI: https://doi.org/10.1088/1742-6596/1950/1/012047
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. DOI: 10.1145/3397482.3450732. DOI: https://doi.org/10.1145/3397482.3450732
GEDAM, S.; PAUL, S. A review on mental stress detection using wearable sensors and machine learning techniques. IEEE Access, v. 9, p. 84045–84066, 2021. DOI: 10.1109/ACCESS.2021.3085502. DOI: https://doi.org/10.1109/ACCESS.2021.3085502
GJORESKI, M.; LUŠTREK, M.; GAMS, M.; GJORESKI, H. Monitoring stress with a wrist device using context. Journal of Biomedical Informatics, v. 73, p. 159–170, 2017. DOI: 10.1016/j.jbi.2017.08.006. DOI: https://doi.org/10.1016/j.jbi.2017.08.006
HUANG, J.; LIU, Y.; PENG, X. Recognition of driver’s mental workload based on physiological signals: a comparative study. Biomedical Signal Processing and Control, v. 71, parte A, p. 103094, 2022. DOI: 10.1016/j.bspc.2021.103094. DOI: https://doi.org/10.1016/j.bspc.2021.103094
KUMAR, A.; SHARMA, K.; SHARMA, A. Hierarchical deep neural network for mental stress state detection using IoT based biomarkers. Pattern Recognition Letters, v. 145, p. 81–87, 2021. DOI: 10.1016/j.patrec.2021.01.030. DOI: https://doi.org/10.1016/j.patrec.2021.01.030
NATH, R. K.; THAPLIYAL, H.; CABAN-HOLT, A. Machine learning based stress monitoring in older adults using wearable sensors and cortisol as stress biomarker. Journal of Signal Processing Systems, 2021. DOI: 10.1007/s11265-020-01611-5. DOI: https://doi.org/10.1007/s11265-020-01611-5
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, v. 21, n. 3155, 2021. DOI: 10.3390/s21093155. DOI: https://doi.org/10.3390/s21093155
ZUBAIR, M.; YOON, C. Multilevel mental stress detection using ultrashort pulse rate variability series. Biomedical Signal Processing and Control, v. 57, 2020. Art. 101736. DOI: https://doi.org/10.1016/j.bspc.2019.101736
Downloads
Publicado
Licença
Direitos de Autor (c) 2025 RECIMA21 -Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 4.0.
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.
