مریم محمدی - کارشناسی ارشد مهندس فناوری اطلاعات، دانشگاه گیلان
حامد آقاپناه رودسری - دکترای مهندسی پزشکی، دانشگاه علوم پزشکی اصفهان

براساس تحقیقات به عمل آمده، استرس می تواند باعث تاثیر به سزایی در روابط بین انسانها و حوادث انسانی شود. با شناسایی استرس در طول فعالیت های روزانه افراد، مانند رانندگی ، می توان جلوی برخی از اتفاقات و حوادث را گرفت . به این منظور در این پژوهش از پایگاه داده physionet مربوط به نوار قلب رانندگان در حین رانندگی استفاده شد و ویژگی های آنها استخراج شد، سپس ویژگی ها با PCA کاهش یافتند و به دو روش هوش مصنوعی مقایسه شد. نتایج معیار های دقت ، MSE و PSNR در روش شبکه عصبی و شبکه های یادگیری عمیق و با اعتبار سنجی -fold۱۰ در چهار کلاس، بدست آمدند. در بخش استخراج ویژگی از ۷ ویژگی مکانی ، ۱۶ ویژگی فرکانسی و ۶۴ ویژگی موجک استفاده شده است . نتیجه طبقه بندی شبکه عصبی به دقت ۸.۰±۸.۹۰ درصد رسید. در شبکه عمیق شامل دو لایه CNN۱D و Dense با تلفیق سیگنال خام و ویژگی های مستخرج به دقت ۶.۰±۳.۹۶ درصد رسید. این نتایج بیانگر برتری روش یادگیری عمیق بر شبکه عصبی در این حوزه می باشد. این سیستم تشخیصی برای کاربردهای قابل حمل و کوچک در فعالیت های روزانه افراد مناسب است .

استخراج ویژگی،سنسورهای پوشیدنی،طبقه بندی،نوار قلب،یادگیری عمیق