پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 710 |
| تعداد مقالات | 10,251 |
| تعداد مشاهده مقاله | 71,963,915 |
| تعداد دریافت فایل اصل مقاله | 63,715,274 |
تشخیص استرس از طریق تغییرات ضربان قلب با استفاده از الگوریتمهای یادگیری ماشین | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2026.39752.2931 | ||
| نویسندگان | ||
| سید علی طباطبائی1؛ فرزین یغمائی* 2؛ سیدموسی طباطبائی3 | ||
| 1دانشکده مهندسی برق و کامپیوتر دانشگاه تبریز | ||
| 2دانشیار گروه آموزشی مهندسی نرم افزار کامپیوتر دانشکده مهندسی برق و کامپیوتر | ||
| 3استادیار گروه آموزشی مشاوره و راهنمایی دانشکده روانشناسی و علوم تربیتی | ||
| تاریخ دریافت: 26 آبان 1404، تاریخ بازنگری: 12 اردیبهشت 1405، تاریخ پذیرش: 11 خرداد 1405 | ||
| چکیده | ||
| استرس یک مسئله فراگیر در زندگی معاصر است که از عوامل مختلفی مانند فشارهای شغلی، چالشهای شخصی و تأثیرات محیطی نشأت میگیرد. این مطالعه بر روی ۲۵ شرکتکننده در بازه سنی ۱۸ تا ۳۰ سال (۱۳ مرد و ۱۲ زن) انجام شده است که وظایف اداری شبیهسازی شده (مانند نگارش گزارش و پاسخ به ایمیل) را تحت استرس ناشی از فشار زمانی و وقفههای حین کار انجام دادند. در این پژوهش، از دادههای تغییرپذیری ضربان قلب (HRV) بهعنوان یک شاخص فیزیولوژیک قابلاعتماد استفاده شد تا مدلی قوی برای تشخیص استرس با بهکارگیری الگوریتمهای طبقهبند جنگل تصادفی (RFC)، رگرسیون لجستیک (LR) و تقویت گرادیان شدید (XGBoost) توسعه یابد. نتایج نشان داد که مدل RFC از هر دو مدل رگرسیون لجستیک و XGBoost عملکرد بهتری داشته و به دقت تست ۹۶.۶٪ دست یافته است؛ در حالی که این دقت برای XGBoost معادل ۸۶.۶٪ و برای رگرسیون لجستیک ۵۹.۶٪ بود. برتری RFC از مکانیزم کیسهگذاری (Bagging) و مجموعهای از درختهای تصمیم مستقل ناشی میشود که بهطور مؤثری واریانس مدل را در حضور نویزهای فیزیولوژیک و عدم تعادل کلاسها مدیریت میکنند؛ در حالی که استراتژی اصلاح خطای متوالی در XGBoost، آن را در برابر بیشبرازش (Overfitting) روی سیگنالهای نویزی HRV آسیبپذیرتر میکند. این یافتهها بیانگر آن است که ترکیب دادههای HRV و الگوریتم RFC پتانسیل بالایی برای کاربردهای پایش بلادرنگ استرس، بهویژه در دستگاههای پوشیدنی و سیستمهای سلامت هوشمند دارد. با این حال، این نتایج تحت شرایط کنترلشده آزمایشگاهی و با نمونهای کوچک و همگن بهدست آمده است. | ||
| کلیدواژهها | ||
| تغییرات ضربان قلب؛ تشخیص استرس؛ طبقه بند جنگل تصادفی؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Stress Detection via Heart Rate Variability Changes Using Machine Learning Algorithms | ||
| نویسندگان [English] | ||
| seyyed ali tabatabaei1؛ farzin yaghmaee2؛ seyyed mosa tabatabaee3 | ||
| 1Faculty of Electrical and Computer Engineering, University of Tabriz | ||
| 2Faculty of Electrical and Computer Engineering. Semnan University | ||
| 3Assistant Professor, Department of Counseling and Guidance, Faculty of Psychology and Educational Sciences | ||
| چکیده [English] | ||
| Stress is a pervasive issue in contemporary life, originating from various factors such as occupational pressures, personal challenges, and environmental influences. This study was conducted on 25 participants aged 18 to 30 (13 male, 12 female) who performed simulated office tasks (e.g., report writing and responding to emails) under stress induced by time pressure and work interruptions. In this research, Heart Rate Variability (HRV) data was utilized as a reliable physiological indicator to develop a robust stress detection model employing Random Forest Classifier (RFC), Logistic Regression, and Extreme Gradient Boosting (XGBoost) algorithms. The results demonstrated that the RFC model outperformed both Logistic Regression and XGBoost, achieving test accuracy of 96.6% compared to 86.6% for XGBoost and 59.6% for Logistic Regression. RFC’s superiority stems from its bagging mechanism and ensemble of independent decision trees, which effectively manage model variance in the presence of physiological noise and class imbalance, whereas XGBoost’s sequential error-correction strategy renders it more susceptible to overfitting on noisy HRV signals. These findings suggest that combining HRV data with the RFC algorithm holds potential for real-time stress monitoring applications, particularly for wearable devices and smart health systems. However, these results were obtained under controlled laboratory conditions with a small, homogeneous sample, and independent validation in larger, more diverse populations and real-world settings is necessary before clinical deployment can be considered. | ||
| کلیدواژهها [English] | ||
| heart rate variability, stress detection, random forest classifier, machine learning | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 77 |
||