Machine Translated by Google

2019 8ª Conferencia Internacional sobre Computación Afectiva e Interacción Inteligente Talleres y Demostraciones (ACIIW)

Un sistema de reconocimiento de estrés que utiliza parámetros

HRV y técnicas de aprendizaje automático
Giorgos Giannakakis Kostas Marías Manolis Tsiknakis
Instituto de Ciencias de la Computación Instituto de Ciencias de la Computación Instituto de Ciencias de la Computación
Fundación para la Investigación y la Fundación para la Investigación y la Fundación para la Investigación y la
Tecnología - Hellas Tecnología - Hellas Tecnología - Hellas
Heraklion, Grecia Departamento de Ingeniería Eléctrica e Informática, Departamento de Ingeniería Eléctrica e Informática,
ggian@ics.forth.gr Universidad Helénica Mediterránea, Heraklion, Universidad Helénica Mediterránea, Heraklion,
Grecia Grecia
kmarias@ics.forth.gr tsiknaki@ics.forth.gr

Resumen—En este estudio, investigamos parámetros confiables de
variabilidad de la frecuencia cardíaca (VFC) para reconocer el estrés. Se
estableció un protocolo de experimentación que incluye diferentes estresores
que corresponden a una serie de condiciones de la vida cotidiana. Se formuló
una línea de base personalizada para cada participante con el fin de eliminar
la variabilidad entre sujetos y normalizar los datos proporcionando una
referencia común para todo el conjunto de datos. Las características de HRV
extraídas se transformaron en consecuencia utilizando la transformación por
pares para tener en cuenta la línea de base personalizada de cada fase en la
construcción del modelo de estrés. Las características más robustas fueron
“respuesta al estrés”. La actividad cardíaca está modulada por dos tipos
de receptores neuromoduladores (acetilcolina y norepinefrina) de las
células cardíacas correspondientes al sistema nervioso Parasimpático
(SNP) y Simpático (SNS) respectivamente. El estrés conduce a la
activación del SNS, lo que resulta en el aumento de la frecuencia
cardíaca y su fuerza de contracción. Como resultado, la cantidad de
sangre circula más rápido por el cuerpo para entregar inmediatamente
más oxígeno a los órganos como un intento de eliminar el factor
estresante.

seleccionado utilizando el algoritmo de selección de Relevancia Máxima de

Redundancia mínima (mRMR). Las características seleccionadas alimentaron
los sistemas de aprendizaje automático logrando una precisión de clasificación
del 84,4% utilizando una validación cruzada de 10 veces.
Palabras clave: estrés, HRV, frecuencia cardíaca, ECG, transformación
por pares, clasificación de estrés
YO.
INTRODUCCIÓN
En los últimos años, existe un creciente interés de investigación en
el reconocimiento de tensiones de área y su estimación automática fiable.
Aunque existe un sentido común sobre la experiencia de estrés, sin
embargo, constituye una tarea difícil categorizar de manera eficiente y
estimar objetivamente los niveles de estrés de uno. El problema se
vuelve más complejo considerando la variedad de tipos de estrés
existentes o manifestaciones de estrés que varían mucho. Además, en
ocasiones las personas se esfuerzan por ocultar su experiencia de estrés
como resultado de mecanismos de defensa para evitar las situaciones
embarazosas que provoca.
Existen varios estudios en la literatura que emplean parámetros HRV
para estudiar estados de estrés [2-6]. Sin embargo, la mayoría de los
estudios utilizan solo un subconjunto de características (por ejemplo,
solo HR, SDNN) sin proporcionar información sobre cuáles son los
parámetros de HRV más relevantes en la respuesta al estrés o
proporcionar evidencia estadística sobre su razonamiento. Por otro lado,
la investigación de todas las medidas de HRV proporciona una imagen
más completa de la actividad cardíaca en la activación del SNS/PNS
durante condiciones de estrés [5].
En este estudio, se investiga la combinación óptima de parámetros
HRV para detectar tipos de estrés específicos inducidos en condiciones
experimentales. Estos parámetros alimentan un sistema de aprendizaje
automático para discriminar de manera eficiente entre el estrés y los
estados neutrales. La metodología propuesta
Se realizó una validación estableciendo un protocolo experimental
completo que registra videos faciales/señales de ECG para desarrollar
un sistema confiable de reconocimiento de estrés.
TABLA I TAREAS EXPERIMENTALES Y CONDICIONES DE ESTE ESTUDIO.

Por lo tanto, existe la necesidad de desarrollar métodos de detección Afectivo Duración

de estrés que se basen en medidas semivoluntarias o involuntarias Fase experimental
Estado (min)
donde es difícil verse afectado por el comportamiento del usuario. En exposición social
este sentido, las señales fisiológicas pueden proporcionar información 1.1 Neutro (referencia) norte 1

útil sobre la respuesta al estrés corporal [1]. 1.2 Entrevista (autodescripción) S 1

Las medidas comunes que se utilizan para analizar el estrés son los Recuerdo de eventos estresantes

parámetros de variabilidad de la frecuencia cardíaca (HRV), actividad 2.1 Neutro (referencia) norte 1

electrodérmica (EDA), frecuencia respiratoria, electromiograma (EMG), 2.2 Recordar evento ansioso S 1

electroencefalograma (EEG), etc. Sin embargo, debido al hecho de que 2.3 Recordar un evento estresante S 1

el estrés se considera un complejo de factores cognitivos, afectivos y Carga cognitiva

psicológicos, la pregunta de investigación en muchos estudios es la 3.1 Imágenes neutrales/estresantes S 2

S 2
identificación de la combinación óptima de patrones fisiológicos que 3.2 Stroop Color Word Task Videos

conducen al estado emocional bajo investigación. estresantes

4.1 Neutro (referencia) norte 1

4.2 Vídeo relajante 4.3 R 2

Cuando una persona percibe una amenaza próxima, ocurre una Vídeo aventura S 2
cascada de procesos fisiológicos que constituyen el término S 2
4.4 Video de presión psicológica Nota:

Estado afectivo pretendido (N:neutro,S:estrés,R:relajado).

978-1-7281-3891-6/19/$31.00 ©2019 IEEE

269
Machine Translated by Google
II. PROCEDIMIENTO EXPERIMENTAL Y CONJUNTO DE DATOS
UNA.
Procedimiento experimental
Para investigar los efectos de las condiciones de estrés, se indujeron
factores estresantes a los participantes diseñados para simular una amplia
gama de condiciones de la vida cotidiana. Los diferentes estresores
categorizados en 4 fases (exposición social, recuerdo de eventos
estresantes, carga cognitiva, videos estresantes) con el objetivo de cubrir
los tipos de estrés subyacentes que pueden causar. El procedimiento
experimental (para más detalles sobre el procedimiento favor leer [4]) con
la descripción de las tareas, duración y su estado afectivo correspondiente
se presenta en la Tabla I.
B. Conjunto de datos del estudio
La población de este estudio fue de 24 participantes (7 mujeres, 17
hombres) con edad 47,3±9,3 años. El estudio fue aprobado por el Comité
Ético del ESTAV (Servicio Regional de Salud, Agencia para los Servicios
Técnico-Administrativos de Área Amplia) del Noroeste de Toscana. El
conjunto de datos se recopiló durante la segunda campaña de adquisición
de datos (SRD'15) de un proyecto de investigación relacionado con una
plataforma computacional que monitorea el riesgo cardiometabólico [7].
tercero MÉTODOS
A. Registro y preprocesamiento de ECG
Para el registro del ECG se preparó la piel del paciente
utilizando gel de preparación y pasta conductora. Se colocaron dos
electrodos de Ag/AgCl en posición simétrica del tórax correspondiente a
las derivaciones V1 y V2 que se consideran las más apropiadas para
adquirir el registro de ECG bipolar [8].
Fig. 2. Un ejemplo de señal de ECG preprocesada de este estudio, picos R (marcadores
rojos) y determinación del intervalo RR.
Se eliminó la tendencia de la señal restando la serie temporal
ajuste polinomial y filtrado de paso de banda. Los picos y los artefactos
(debidos a la actividad/movimientos corporales del sujeto, etc.) también se
suprimieron con los filtros adecuados. En la figura 2 se presenta una señal
típica de ECG preprocesada adquirida durante este estudio. Se detectaron
los componentes R del complejo QRS y se calcularon los intervalos RR
(RRI) (figura 2). Los latidos cardíacos ectópicos (latidos cardíacos
irregulares desviados de lo normal) también se detectaron y excluyeron
mediante la adopción del enfoque de señal HRV [9]. (cambio porcentual
del 40 % sobre el promedio de los 5 latidos anteriores). Las series
temporales de RRI se interpolaron a una frecuencia de
Fen trp Hz10
= .
B. Extracción de parámetros HRV
Después de la extracción de RRI, HRV temporal y espectral
se calcularon los parámetros. Los parámetros temporales de HRV fueron
calculado directamente a partir de RRI [10], mientras que los parámetros
espectrales de HRV se estimaron a partir de la frecuencia de tiempo
representación (TFR) de la serie temporal RRI. La TFR (Fig. 1)
Fig. 1. Representación tiempo-frecuencia de los intervalos RR que se utiliza para la
estimación de los parámetros espectrales de HRV.
se estimó utilizando un modelo autorregresivo variable en el tiempo [11].
La señal x(t) se puede expresar como
pags
x(t) = ÿ a (t)x(tk)
k
ÿ+ e(t) (1)
k =1
donde ÿÿ(t) son los coeficientes autorregresivos variables en el tiempo
(TVAR) , p es el orden del modelo y e(t) es el ruido gaussiano con media
cero y varianza 2 . El orden del modelo fue
ÿ
norte
seleccionado utilizando el criterio de Akaike (AIC) y determinado en el
orden 18 que conduce a índices espectrales normalizados. La actualización
temporal y la evolución de los coeficientes (AR) se estimaron utilizando un
algoritmo de filtro de Kalman [11], que es un estimador óptimo en el sentido
de la media cuadrática. La estimación adaptativa variable en el tiempo del
espectro logra una resolución espectral mejorada en comparación con el
espectro basado en FFT [11], lo que permite estimaciones confiables
incluso para períodos de tiempo más cortos. El espectrograma producido
S(t,f) se discretiza en resels (elementos de resolución) integrando el
intervalo de tiempo de cada ventana móvil superpuesta ÿt [12].
Los parámetros de HRV que investigaron en este estudio
dividido en el dominio del tiempo y de la frecuencia de la siguiente manera:
Dominio del tiempo: RR, SDNN, HRm, HRstd, RMSSD, NN50, pNN50,
índice triangular HRV, envolvente de ECG
Dominio de frecuencia: potencia total, LF, HF, LF/HF, LFnorm,
HFnorma, pico LF, pico HF
2
Todos ellos forman la matriz de características X ÿ ÿ con
dimensiones NxM que representan N muestras y M características (por
ejemplo, una muestra específica se proporciona como un vector M-dimensional
( )]( )i [ =( ), (1),...,
i X2 tftftft
Yo M Yo ) y Y ÿ ÿ es la clase
vector (clase 1: sin tensión, clase 2: tensión).
C. Eliminación de la línea de base y transformación por pares
Para cada participante se estableció un período de relajación
que se tuvo muy en cuenta al diseñar el experimento de investigación.
Este período corresponde a la línea de base de cada sujeto que se elimina
de todos los análisis de características posteriores. Esta transformación
genera una referencia común entre los sujetos que proporciona la
normalización de datos [4].
El problema de la detección de tensiones puede verse como un
problema de clasificación donde la entrada es la matriz de características
X y el vector de clase Y descrito en la sección IIB. Para transformar en un
problema de clasificación de 2 clases (clases: sin estrés, estrés), se utilizó
la transformación por pares como se introdujo en [13]
270
Machine Translated by Google

Fig. 3. Arquitectura del sistema de reconocimiento de estrés de ECG que consta de 5 subsistemas: (a) preprocesamiento, (b) extracción de características de HRV, (c) normalización, (d) selección
de características, (e) aprendizaje automático.

TXX
: tXt = ( )i
ÿ

( )j
IV. RESULTADOS

ÿ , ÿcorrespondienteyo, La arquitectura del sistema de reconocimiento de estrés propuesto se presenta en

=
Y signo t Y{Y(
t )i
ÿ

( )}j
donde i, j se refieren a los índices temporales de los períodos sin estrés y estrés,
respectivamente, con todos los pares posibles de un caso específico de la matriz de
características. La transformación por pares crea pares de preferencias de vectores de
características y sus etiquetas sign(Y(ti)-
Y(tj)). Si Y(ti)> Y(tj) entonces X(ti) X(tj) y este par de preferencias es una instancia
positiva, de lo contrario, es una instancia negativa (X(ti)
X(tj)). Los pares de preferencias y sus etiquetas correspondientes después de la
transformación pueden considerarse instancias y etiquetas en un nuevo problema de
clasificación que luego puede realizarse con esquemas de clasificación tradicionales.
D. Selección de características
la Fig. 3. Su entrada es la señal de ECG y la salida es la decisión automática sobre los 2
estados emocionales bajo
investigación (estrés, sin clases de estrés).
C. Evaluación de características
Se evaluaron los parámetros de HRV en busca de diferencias significativas entre
los estados neutral y de estrés para las diferentes tareas del experimento. Las
comparaciones entre tareas para cada fase se realizaron utilizando como estado de
control el registro neutral al inicio de cada fase. Hay algunos parámetros de HRV con
capacidad de discriminación entre los dos estados, sin embargo, su comportamiento no
está presente ni es consistente en todas las tareas. Específicamente, las funciones HRV
más consistentes son HRm, HRstd, potencia total, LF/HF, LFnorm que aumentan
significativamente y las funciones SDNN, RMSSD,

Las características de HRV más relevantes e importantes se investigan y

seleccionan para mejorar el rendimiento de la anticipación del estrés. La clasificación de
NN50, pNN50 que disminuyen significativamente en tareas experimentales específicas,
la importancia de las características se realizó utilizando el algoritmo de selección de
lo que las convierte en características eficientes posibles para la anticipación del estrés.
Relevancia Máxima de Redundancia Mínima (mRMR) [14]. Este algoritmo evalúa la
clasificación de importancia de las características en función de la relevancia máxima y
la optimización de redundancia mínima en términos del criterio del cociente de información
mutua (MIQ).

Fig. 5. (Gráfico superior) Error de clasificación errónea (SVM, validación cruzada de 10

Fig. 4. Un ejemplo de eliminación de la línea de base (tarea relajada) que proporciona una veces) en función del número de características seleccionadas y el número seleccionado (11)
referencia común y revela los efectos del estrés que estaban ocultos debido a la gran de características. (Gráfico inferior) Clasificación de importancia de las características según
variabilidad entre sujetos. RF y la selección de las 11 características más importantes (indicadas con columnas rojas).

271
Machine Translated by Google
TABLA IV CLASIFICADORES RENDIMIENTOS DE PRECISIÓN DE DISCRIMINACIÓN
PARA LAS CARACTERÍSTICAS DE HRV MEJOR CLASIFICADAS SELECCIONADAS
Base de muestra Después de la transformación por pares
clasificador
Precisión (%) Precisión (%)
73.8
KNN 66.7
76.2
GLM 56.2
64,9
NVB 61.5
69,9
LDA 65,6
MVS 73.6 84.4
70.0
RF 75.1
Una consideración importante para revelar los efectos del estrés fue la
determinación cuidadosa de un período relajado en el experimento para que
los análisis de características posteriores se refieran a esta línea de base.
Esto es muy importante para eliminar la gran variabilidad entre sujetos en la
respuesta al estrés proporcionando una referencia común para cada
característica en todos los sujetos asegurando
normalización de datos. Los efectos de este procedimiento sobre la FC media
(FCm) se presentan en la figura 4.
Después de que se eliminó la línea de base y la matriz de características
se transformó mediante la transformación por pares (consulte la sección III.C)
para transformar el problema de clasificación en un problema de clasificación
de 2 clases [sin estrés, estrés]. Se empleó el algoritmo de selección de
características mRMR (sección III.D) para estimar la clasificación de
importancia de cada característica y para seleccionar un subconjunto sólido
de características mejor clasificadas.
El algoritmo minimiza el error de clasificación errónea de la precisión de
discriminación SVM de 10 veces entre las 2 clases
(sin estrés, estrés) (Fig. 5, gráfico superior) dando como resultado la selección
de las 11 características mejor clasificadas. Las 11 características más importantes
(HRm, LF, NN50, LFnorm, HRstd, pNN50, LF/HF, RMSSD,
HFnorm, potencia total, HRVtri) fueron seleccionados para el problema
bajo investigación (Fig. 5, gráfico inferior).
Luego, las características seleccionadas mejor clasificadas se evaluaron
en términos de su capacidad para discriminar entre las dos clases (sin estrés,
estrés). Se utilizó un esquema de validación cruzada de 10 veces sobre la
base de una muestra con los clasificadores KNN, Modelo lineal generalizado
(GLM), Naïve Bayes (NVB), Análisis discriminante lineal (LDA), Máquinas de
vectores de soporte (SVM), Random Forest (RF) . Los resultados se muestran
en la Tabla IV, donde RF supera a todos los demás esquemas de clasificación
con una precisión de clasificación del 75,1 %. Luego, se investigó el rendimiento
del sistema en las características seleccionadas transformadas por pares
donde el rendimiento del sistema mejoró notablemente alcanzando una
precisión de clasificación del 84,4% usando SVM. Los resultados de
rendimiento se presentan en la Tabla IV.
v 18, págs. 228-244, 2015.
DISCUSIÓN
Este estudio investiga los efectos del estrés en los parámetros de HRV y
busca identificar la combinación óptima de características de HRV que puedan
detectar condiciones de estrés de manera confiable. Las funciones HRV se
clasificaron en términos de su importancia y relevancia para la anticipación
del estrés, lo que condujo a la selección de las 11 funciones mejor clasificadas
(HRm, LF, NN50, LFnorm, HRstd, pNN50, LF/HF, RMSSD, HFnorm, potencia
total, HRVtri).
El sistema propuesto se evaluó en 24 participantes y 11 tareas realizando
un protocolo de investigación durante unos 45 min.
A pesar de que una muestra más grande mejoraría la generalización de los
resultados, el número de tareas (11 en total) aumentó los datos disponibles
para cada participante.
Además, la transformación por pares propuesta mejora la
conjunto de datos y es una forma eficiente de abordar este tipo de problemas
haciendo que el conjunto de datos sea adecuado para alimentar los sistemas
de clasificación tradicionales.
El mejor rendimiento logrado en el sistema de reconocimiento de estrés
propuesto que solo utiliza parámetros HRV es una precisión de clasificación
del 84,4% en un enfoque de 10 veces. Estos resultados son prometedores ya
que solo se utilizó la señal de ECG. Teniendo en cuenta que el estrés es un
estado complejo que puede utilizar información de fuentes multimodales para
evaluar niveles de estrés fiables, esta precisión podría, en determinadas
circunstancias, aumentarse utilizando otras modalidades en paralelo.
El interés de la comunidad científica en el uso de un solo canal de ECG
hace que estos métodos sean apropiados, ya que pueden usarse
convenientemente a través de dispositivos portátiles en el monitoreo diario.
Más estudios y un mayor tamaño de la muestra aumentarían la confiabilidad y
precisión del modelo, así como la estimación de la importancia de los
parámetros HRV involucrados.
Aunque las señales cardíacas contienen información limitada, este estudio
indica que el uso de solo registros de ECG podría servir de manera eficiente
en la detección del estrés.
REFERENCIAS
[1] G. Giannakakis, D. Grigoriadis, K. Giannakaki, O. Simantiraki, A.
Roniotis y M. Tsiknakis., "Revisión sobre la detección de estrés psicológico
mediante bioseñales", IEEE Transactions on Affective Computing, 2019.
[2] V. Vuksanoviÿ y V. Gal, “Variabilidad de la frecuencia cardíaca en el estrés mental
en voz alta”, Ingeniería médica y física, vol. 29, 2007.
[3] C. Schubert, M. Lambertz, R. Nelesen, W. Bardwell, J.-B. Choy y J.
Dimsdale, "Efectos del estrés en la complejidad de la frecuencia cardíaca: una
comparación entre el estrés a corto plazo y crónico", Biol Psychol, vol. 80, págs. 325-
332, 2009.
[4] G. Giannakakis, M. Pediaditis, D. Manousos, E. Kazantzaki, F.
Chiarugi, P. Simos, K. Marias y M. Tsiknakis, "Detección de estrés y ansiedad
mediante señales faciales de videos", Procesamiento y control de señales
biomédicas, vol. 31, págs. 89-101, 2017.
[5] E. Clays, D. De Bacquer, V. Crasset, F. Kittel, P. De Smet, M.
Kornitzer, R. Karasek y G. De Backer, “La percepción del trabajo
factores estresantes está relacionado con una actividad parasimpática reducida”,
Archivos internacionales de salud ocupacional y ambiental, vol. 84, págs. 185-
191, 2011.
[6] A. Sano y RW Picard, “Reconocimiento de estrés usando sensores portátiles
y teléfonos móviles”, en 2013 Conferencia sobre Computación Afectiva e Interacción
Inteligente, 2013.
[7] Y. Andreu, F. Chiarugi, S. Colantonio, G. Giannakakis, D. Giorgi, P.
Henriquez, E. Kazantzaki, et al., "Wize Mirror: un sistema inteligente y multisensorial
de monitoreo de riesgos cardiometabólicos", Computer Vision and Image
Understanding, vol. 148, 2016.
[8] M. Puurtinen, J. Viik y J. Hyttinen, "Las mejores ubicaciones de electrodos para un
pequeño dispositivo de ECG bipolar: análisis de intensidad de señal de datos clínicos"
Anales de ingeniería biomédica, vol. 37, 2009.
[9] D. Nabil y FB Reguig, "Métodos de detección y corrección de latidos ectópicos: una
revisión", Control y procesamiento de señales biomédicas, vol.
[10] TF o ES o. Cardiología, “Estándares de medición, interpretación fisiológica y uso
clínico de la variabilidad de la frecuencia cardíaca”, European Heart Journal, vol.
17, págs. 354-381, 1996.
[11] MP Tarvainen, SD Georgiadis, PO Ranta-Aho y PA
Karjalainen, "Análisis variable en el tiempo de las señales de variabilidad de la
frecuencia cardíaca con un algoritmo más suave de Kalman", Medición fisiológica, vol.
27, pág. 225, 2006.
[12] J. Zygierewicz, PJ Durka, H. Klekowicz, PJ Franaszczuk y NE
Crone, "Enfoques computacionalmente eficientes para calcular cambios
significativos de ERD/ERS en el plano de frecuencia de tiempo", Journal of
Neuroscience Methods, vol. 145, 2005.
[13] R. Herbrich, T. Graepel y K. Obermayer, "Aprendizaje de vectores de apoyo para la
regresión ordinal", en la 9ª Conferencia Internacional sobre Redes Neuronales
Artificiales, 1999, págs. 97-102.
[14] C. Ding y H. Peng, “Selección de función de redundancia mínima de
datos de expresión génica de micromatrices”, J Bioinform Comput Biol, vol. 3,
págs. 185-205, 2005.
272