Ανθρώπινοι παράγοντες και μηχανική μάθηση

Τσιγαρίδα, Θεοδώρα

Human factors and machine learning

Διπλωματική εργασία

Author

Τσιγαρίδα, Θεοδώρα

Date

2024-03

Advisor

Nikolaou, Grigoris

Tsigarida_222017002.pdf (3.720Mb)

Keywords

Διακύμανση καρδιακού ρυθμού ; Ψυχικό στρες ; Στρες ; Καρδιακοί παλμοί ; Ανάλυση δεδομένων ; Ανάλυση SHAP ; Μηχανική μάθηση

Abstract

Το ψυχικό στρες αποτελεί έναν κύριο παράγοντα δυσλειτουργίας των φυσιολογικών διεργασιών του ανθρώπινου οργανισμού. Λόγω της έντασης των σύγχρονων ρυθμών ζωής, η παρουσία του ψυχικού στρες παρατηρείται σε διάφορους τομείς της καθημερινότητας, όπως είναι το εργασιακό περιβάλλον, με ένα μεγάλο ποσοστό των εργαζομένων να υποφέρει από το εργασιακό στρες. Η Διακύμανση του Καρδιακού Ρυθμού αποτελεί μία ανερχόμενη μέθοδο μέτρησης του ψυχικού στρες. Άμεσα επηρεαζόμενη από την αντίδραση του Αυτόνομου Νευρικού Συστήματος σε έναν στρεσογόνο παράγοντα, η ανάλυση της στο πεδίο του χρόνου αλλά και της συχνότητας, μπορεί να δώσει σημαντικά στοιχεία για την παρουσία και την ένταση του ψυχικού στρες στον άνθρωπο. Ο κύριος στόχος της παρούσας διπλωματικής εργασίας. είναι η ανίχνευση του ψυχικού στρες χρησιμοποιώντας το σύνολο δεδομένων ανοιχτού κώδικα SWELL-KW. Επιπρόσθετα, διενεργείται ανάλυση των δεδομένων του συνόλου αλλά και εκπαίδευση τεσσάρων μοντέλων Μηχανικής Μάθησης, τα οποία αξιολογούνται για την απόδοση τους. Τέλος, για την ανάλυση των αποτελεσμάτων και της σημασίας των χαρακτηριστικών του συνόλου δεδομένων στην πρόβλεψη, διεξάγεται ανάλυση SHAP στο εκάστοτε μοντέλο.

Abstract

Mental stress is a major factor in the dysfunction of the physiological processes of the human body. Due to the intensity of the rhythm of modern life, the presence of mental stress is observed in various areas of daily life, such as the work environment, with a large percentage of employees suffering from work stress. Heart Rate Variability is an emerging method of measuring mental stress. Directly influenced by the response of the Autonomic Nervous System to a stressor, its analysis in both time and frequency domains can provide important insights into the presence and intensity of mental stress in humans. The main objective of this thesis is the detection of mental stress using the SWELL-KW open source dataset. In addition, an analysis of the dataset is carried out, as well as the training of four Machine Learning models, which are evaluated for their performance. Finally, to analyze the results and the importance of the dataset characteristics in the prediction, a SHAP analysis is performed on each model.