Metody extrakce příznaků a umělé inteligence pro klasifikaci a kvantifikaci stresu v rámci Esport

Abstract

Tato diplomová práce se zabývá klasifikací stresových a nestresových stavů při Esport aktivitách na základě biologických signálů elektrodermální aktivity (GSR/EDA), tepové frekvence (HR) a RR intervalů. Pomocí open-source knihovny „tsfresh“ byly z časových řad signálů extrahovány příznaky, které byly následně redukovány pomocí testů statistické významnosti. Pro klasifikaci stresových a nestresových stavů byly zvoleny tři klasifikátory – metoda podpůrných vektorů (SVM), Gradient Boosting (GB) a dopředná neuronová síť (FNN). Hodnocení výkonu bylo provedeno pomocí přesnosti, specificity, senzitivity, F1 skóre, ROC křivek, matice záměn a v případě FNN také pomocí ztrátové funkce. Pro každý biosignál bylo provedeno deset různých nastavení modelů, jejichž stabilita byla ověřena výpočtem procentuálních rozdílů metrik mezi tréninkovou a testovací/validační sadou. Na základě součtů absolutních rozdílů průměrů a mediánů metrik byl určen nejvhodnější klasifikátor pro každý biosignál. Součástí práce je také analýza rozdílů výkonu po tréninku a po testování/validaci, na jejímž základě bylo vyhodnoceno nejoptimálnější a nejhorší nastavení jednotlivých klasifikátorů. Výsledky ukázaly, že klasifikátor dopředné neuronové sítě (FNN) dosahoval nejstabilnějších výsledků pro signály GSR/EDA a RR, zatímco pro signál HR byl nejvhodnější klasifikátor Gradient Boosting (GB). Naopak metoda podpůrných vektorů (SVM) byla vyhodnocena jako nejméně vhodný klasifikátor.

The diploma thesis deals with the classification of stress and non-stress conditions during Esport activities based on biological signals of electrodermal activity (GSR/EDA), heart rate (HR) and RR intervals. Using the open-source library „tsfresh“, features were extracted from the time series of signals, which were then reduced using statistical significance tests. For the classification of stress and non-stress conditions, three classifiers were chosen – Support Vector Machine (SVM), Gradient Boosting (GB) and Feedforward Neural Network (FNN). The performance evaluation was done using accuracy, specificity, sensitivity, F1 score, ROC curves, confusion matrix and in the case of FNN the loss function. Ten different model settings were performer for each biosignal, whose stability was verified by calculating the percentage differences in metrics between the training and test/validation sets. Based on the sum of the absolute differences of the means and medians of the metrics, the best classifier was chosen for each biosignal. The thesis also includes an analysis of performance differences after training and after testing/validation, which was used to evaluate the best and worst settings for each classifier. The results showed that the Feedforward neural network (FNN) classifier performed the most stable for the GSR/EDA and RR signals, while the Gradient Boosting (GB) classifier was the most suitable for the HR signal. On the other hand, the Support Vector machine (SVM) method was evaluated as the least suitable classifier.