مقایسه الگوریتم های یادگیری ماشین و یادگیری عمیق در تشخیص استرس در محیط های آزمایشگاهی و واقعی بر اساس پایگاه های دادگان در دسترس و Drive-DB WESAD

استرس یکی از چالش های اساسی در زندگی انسان امروزی است که تاثیر چشمگیری بر سلامت جسمی و روانی افراد دارد. شناسایی و ارزیابی صحیح میزان استرس گامی حیاتی در پیشگیری و مدیریت آن به شمار می رود. از آنجا که روش های تشخیص استرس نقش مهمی در دقت تحلیل های پژوهشی دارند، استفاده از پایگاه های دادگان در دسترس که امکان مقایسه و تحلیل روش ها را فراهم می کنند اهمیت ویژه ای دارد. در این راستا دو پایگاه داده استرس پرکاربرد WESAD و Drive-DB که به ترتیب در محیط های آزمایشگاهی و واقعی ثبت شده اند برای بررسی انتخاب شدند. مطالعات مبتنی بر این دو پایگاه در طی ۱۲ سال اخیر مورد تحلیل قرار گرفت تا عملکرد روش های یادگیری عمیق و یادگیری ماشین در طبقه بندی سطوح استرس دوسطحی و سه سطحی مورد مقایسه قرار گیرد. نتایج نشان داد که در طبقه بندی دوسطحی روش های مبتنی بر یادگیری عمیق عملکرد بهتری نسبت به روش های یادگیری ماشین دارند. با این حال در طبقه بندی استرس با تعداد سطوح بالاتر، با توجه به افزایش پیچیدگی مسئله، روش های یادگیری عمیق مستلزم دادگان آموزش کافی برای دستیابی به عملکرد بالاتر هستند. این یافته ها نشان می دهند که برای بهره مندی از توانایی های بالقوه روش های یادگیری عمیق به پایگاه دادگان غنی تر نیاز است.

کلیدواژه ها:

یادگیری ماشین ، یادگیری عمیق ، استرس ، Drive-DB ، WESAD