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.
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.
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.
DHAM, V. et al. Mental stress detection using artificial intelligence models. Journal of Physics: Conference Series, v. 1950, 012047, 2021.
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.
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.
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.
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.
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.
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.
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.
ZUBAIR, M.; YOON, C. Multilevel mental stress detection using ultrashort pulse rate variability series. Biomedical Signal Processing and Control, v. 57, 2020. Art. 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.
