Publication: ECG based stress detection using covolutional neural network
dc.contributor.affiliation | #PLACEHOLDER_PARENT_METADATA_VALUE# | en_US |
dc.contributor.author | Altaf, Hunain | en_US |
dc.contributor.supervisor | Rashidah Funke Olanrewaju, Ph.D | en_US |
dc.contributor.supervisor | Siti Noorjannah Ibrahim, Ph.D | en_US |
dc.date.accessioned | 2024-10-08T03:18:56Z | |
dc.date.available | 2024-10-08T03:18:56Z | |
dc.date.issued | 2021 | |
dc.description.abstract | Stress refers to a man’s ability to respond to any external or internal threat or pressure and has a direct or indirect impact on one’s health. Hence, there is a growing need to detect stress at an early stage as one might not know whether he/she is stressed or not, and stress left undetected for a long time can become chronic and life endangering. Many health-related disorders are linked to stress and thus monitoring, measuring, and managing stress is simply a lifesaving remedy. There are so many physiological methods to measure stress, however, the issue with most of those physiological methods is the complexity in measuring the signals and the methods are not convenient for day-to-day use. This study implements the use of Electrocardiograph (ECG) signals which are recorded using a RAQIB smartwatch and does not need any second person intervention. Features extracted from the ECG signals have been the key to detect stress for many years, however, recent advancements in neural networks have prompted us to apply the convolutional models as well apart from the traditional machine learning approaches. Researchers are rapidly moving towards the neural networks approach due to the automatic ability of these neural networks to learn features and due to higher accuracy classification models of Convolutional Neural Networks (CNNs). Based on the advantages of CNNs over the traditional machine learning approaches, this study based on the two-dimensional CNN model is proposed for the detection and classification of ECG signals into two distinct classes: namely, stress and no-stress. It is the first such study for stress detection where the one- dimensional ECG signals are converted into 2-D scalogram images by virtue of a Continuous Wavelet Transform (CWT). The proposed CNN model consists of an input layer to feed a scalogram image followed by 4 back-to-back layers of convolution, rectified linear unit (RELU) and max pooling. The accuracy of the proposed stress detection model is compared with both the handcrafted features approach and other relevant models. The average accuracy of 99% is certainly better than the traditional approaches for detecting stress and the usage of the smartwatch makes the model more robust and easier to use while performing day to day activities. The model can be easily and conveniently used at workplaces and offices to determine stress without any assistance from a second person and the method is quick. | en_US |
dc.description.abstractarabic | يشري االجهاد إىل قدرة الرجل على االستجابة ألي هتديد أو ضغط خارجي و داخلي، وله أتثري مباشر و غري مباشر على صحته. لذلك، هناك حاجة متزايدة الكتشاف االجهاد يف مرحلة مبكرة، إذ قد ال يعرف املرء ما إذا كان قد تعرض لالجهاد أم ال، كما أن اإلجهاد الذي ال يتم اكتشافه لفرتة طويلة ميكن أن يصبح مزمنا وقد يعرض حياة الفرد للخطر. ترتبط العديد من االضطراابت الصحية ابالجهاد، وابلتايل فإن مراقبة اإلجهاد وقياسه وإدارته يشكل عالجا منقذا للحياة. ومع ذلك، هناك الكثري من األساليب الفسيولوجية لقياس االجهاد، ولكن املشكلة يف معظم هذه الطرق الفسيولوجية هي التعقيد يف قياس اإلشارات واألساليب غري املالئمة لالستخدام اليومي. تطبق هذه الدراسة إستخدام إشارات ECG املسجلة ابستخدام تقنية )RAQIB) وال حتتاج إىل تدخل شخص آخر. إن اخلصائص املستخلصة من إشارات ECG كانت هي املفتاح الكتشاف اإلجهاد لسنوات عديدة، ومع ذلك فإن التطورات األخرية يف الشبكات العصبية دفعتنا إىل تطبيق النماذج الرتكيبية بعيدا عن هنج التعلم اآليل التقليدي. ونظرا للقدرة التلقائية للشبكات العصبية (السي إن إن) على التعلم، تقرتح هذه الدراسة وابإلستنادا إىل منوذج السي إن إن الثنائي األبعاد اكتشاف وتصنيف إشارات ECG يف فئتني: ومها االجهاد، والالجهاد . وهي أول دراسة من هذا النوع الكتشاف االجهاد حبيث يتم حتويل إشارات ECG أحادية البعد إىل صور رسم بياين D-2 بفضل حتويل املوجات املستمرة .CWT يتكون منوذج CNN املقرتح من طبقة إدخال لتغذية صورة الرسم البياين متبوعة ب 4 طبقات من التفاف والوحدة اخلطية الصحيحة )RELU(، والتجميع األقصى. وتقارن دقة منوذج الكشف عن االجهاد املقرتح مع كل من 99٪ هو ابلتأكيد أفضل من .إن متوسط الدقة الذي يبلغ هنج السمات اليدوية والنماذج األخرى ذات الصلة األساليب التقليدية الكتشاف االجهاد واستخدام الساعات الذكية جيعل النموذج أكثر فاعلية وسهولة يف االستخدام أثناء أداء األنشطة اليومية. حبيث ميكن إستخدام النموذج بسهولة و سرعة يف أماكن العمل واملكاتب لتحديد اإلجهاد دون أي مساعدة من شخص آخر | en_US |
dc.description.callnumber | t QA 76.87 A465E 2021 | en_US |
dc.description.identifier | Thesis : ECG based stress detection using covolutional neural network / by Hunain Altaf | en_US |
dc.description.identity | t11100484921HunainAltaf | en_US |
dc.description.kulliyah | Kulliyyah of Engineering | en_US |
dc.description.notes | Thesis (MSCIE)--International Islamic University Malaysia, 2021. | en_US |
dc.description.physicaldescription | xv, 60 leaves : illustrations ; 30cm. | en_US |
dc.description.programme | Master of Science (Computer and Information Engineering) | en_US |
dc.identifier.uri | https://studentrepo.iium.edu.my/handle/123456789/7167 | |
dc.language.iso | en | en_US |
dc.publisher | Kuala Lumpur : Kulliyyah of Engineering, International Islamic University Malaysia, 2021 | en_US |
dc.subject.lcsh | Neural networks (Computer science) -- Physiological aspects | en_US |
dc.subject.lcsh | Stress (Physiology) | en_US |
dc.title | ECG based stress detection using covolutional neural network | en_US |
dc.type | Master Thesis | en_US |
dspace.entity.type | Publication |
Files
License bundle
1 - 1 of 1