prikaz prve stranice dokumenta Raspoznavanje stresa na temelju analize fizioloških značajki metodama dubokog učenja
Rad nije dostupan
završni rad
Raspoznavanje stresa na temelju analize fizioloških značajki metodama dubokog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:958526
Nikolić, Ljubica
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Nikolić, Lj. (2024). Raspoznavanje stresa na temelju analize fizioloških značajki metodama dubokog učenja (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:958526

Nikolić, Ljubica. "Raspoznavanje stresa na temelju analize fizioloških značajki metodama dubokog učenja." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:958526

Nikolić, Ljubica. "Raspoznavanje stresa na temelju analize fizioloških značajki metodama dubokog učenja." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:958526

Nikolić, Lj. (2024). 'Raspoznavanje stresa na temelju analize fizioloških značajki metodama dubokog učenja', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 28.12.2024., https://urn.nsk.hr/urn:nbn:hr:168:958526

Nikolić Lj. Raspoznavanje stresa na temelju analize fizioloških značajki metodama dubokog učenja [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 28.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:958526

Lj. Nikolić, "Raspoznavanje stresa na temelju analize fizioloških značajki metodama dubokog učenja", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:958526

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:958526
Podaci o radu
NaslovRaspoznavanje stresa na temelju analize fizioloških značajki metodama dubokog učenja
Naslov (engleski)Stress recognition based on the analysis of physiological features using deep learning methods
AutorLjubica Nikolić
MentorSiniša Popović (mentor)
Član povjerenstvaSiniša Popović (predsjednik povjerenstva)
Član povjerenstvaHrvoje Nuić (član povjerenstva)
Član povjerenstvaMate Gambiraža (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-07-03, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Ovaj rad se bavi prepoznavanjem stresa temeljenog na analizi fizioloških značajki koristeći metode dubokog učenja. Korištena je javno dostupna baza podataka WESAD (Wearable Stress and Affect Detection), koja sadrži multivarijatne podatke prikupljene putem uređaja RespiBAN. To se odnosi na skup signala koji obuhvaćaju elektrokardiogram (ECG), elektrodermalnu aktivnost (EDA), elektromiogram (EMG), temperaturu (TEMP), akceleraciju u 3 smjera (ACC; 3 signala) i respiraciju (RESP). Podaci su prethodno obrađeni i normalizirani kako bi mogli poslužiti kao ulaz u modele auto-enkodera. Razvijeni su modeli koji koriste sirove podatke i modeli koji koriste valićno transformirane podatke. Rezultati su pokazali da model koji koristi sirove podatke ima bolju točnost od 79.3 % te F1 rezultat od 78.5 % u prepoznavanju stresa u usporedbi s modelom koji koristi valićnu transformaciju kojem je točnost 71.5 % te F1 rezultat 73.3 %.
Sažetak (engleski)
This paper deals with stress recognition based on the analysis of physiological features using deep learning methods. The publicly available WESAD (Wearable Stress and Affect Detection) database was used, containing multivariate data collected via RespiBAN devices. This pertains to a set of signals encompassing electrocardiogram (ECG), electrodermal activity (EDA), electromyogram (EMG), temperature (TEMP), acceleration in 3 directions (ACC; 3 signals), and respiration (RESP). The data was preprocessed and normalized to serve as input to autoencoder models. Models utilizing raw data and models employing wavelet-transformed data were developed. The results indicated that the model using raw data achieved higher accuracy of 79.3 % and F1 score of 78.5 % in stress recognition compared to the model using wavelet transformation, which achieved an accuracy of 71.5 % and F1 score of 73.3 %.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:958526
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2024-10-12 21:40:59