Resumen

El estrés mental al que se enfrentan muchas personas en la sociedad moderna es un factor causante de diversas enfermedades crónicas, como depresión, cáncer y enfermedades cardiovasculares, según la acumulación de estrés. Por lo tanto, es muy importante controlar y monitorizar regularmente el estrés de una persona. En este estudio, proponemos un algoritmo de conjunto que puede determinar con precisión los estados de estrés mental utilizando una arquitectura modificada de red neuronal convolucional (CNN)-memoria a largo plazo (LSTM). Cuando una persona está expuesta a estrés, se produce un desplazamiento en la señal del electrocardiograma (ECG). Es posible clasificar las señales de estrés analizando las señales de ECG y extrayendo parámetros específicos. Para maximizar el rendimiento del algoritmo de clasificación del estrés propuesto, se aplicaron la transformada rápida de Fourier (FFT) y espectrogramas para preprocesar las señales de ECG y producir señales en los dominios del tiempo y la frecuencia para ayudar al proceso de entrenamiento. Para evaluar el rendimiento del modelo de clasificación del estrés se utilizaron matrices de confusión, curvas ROC (receiver operating characteristic) y curvas PR (precision-recall), y la precisión alcanzada por el modelo propuesto fue del 98,3%, lo que supone una mejora del 14,7% con respecto a los resultados de investigaciones anteriores. Por lo tanto, nuestro modelo puede ayudar a gestionar la salud mental de las personas expuestas al estrés. Además, si se combina con diversas bioseñales, como el electromiograma (EMG) y la fotopletismografía (PPG), puede tener potencial de desarrollo en diversos sistemas sanitarios, como el entrenamiento en casa, el análisis del estado del sueño y la monitorización cardiovascular.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:estrés, señales de ECG, red neuronal convolucional, transformada rápida de Fourier, estados de estrés mental, parámetros de evaluación del rendimiento, resultados de investigaciones anteriores, análisis del estado de sueño, algoritmo de clasificación del estrés, modelo de clasificación del estrés
• Keywords:stress, ECG signals, convolutional neural network, fast Fourier transform, mental stress states, performance evaluation benchmarks, previous research results, sleep state analysis, stress classification algorithm, stress classification model