Ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους
Το άγχος είναι ένας κυρίαρχος παράγοντας στην ζωή των ανθρώπων και διαδραματίζει τεράστιο ρόλο στην απόδοση του ατόμου και την ψυχική του κατάσταση. Οι αρνητικές επιπτώσεις του ψυχικού στρες στην ανθρώπινη υγεία είναι γνωστές εδώ και δεκαετίες. Το υψηλό άγχος πρέπει να ανιχνεύεται σε πρώιμα στάδια γ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15173 |
| id |
nemertes-10889-15173 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-151732022-09-05T05:00:09Z Ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους Image (spectrogram), biosignal and face feature analysis for stress recognition Λιακόπουλος, Λεωνίδας Liakopoulos, Leonidas Μηχανική μάθηση Βαθιά μάθηση Stress detection Convolutional neural networks Machine learning Deep learning Sensor fusion Multisensoring systems Biosignal processing Spectrogram Το άγχος είναι ένας κυρίαρχος παράγοντας στην ζωή των ανθρώπων και διαδραματίζει τεράστιο ρόλο στην απόδοση του ατόμου και την ψυχική του κατάσταση. Οι αρνητικές επιπτώσεις του ψυχικού στρες στην ανθρώπινη υγεία είναι γνωστές εδώ και δεκαετίες. Το υψηλό άγχος πρέπει να ανιχνεύεται σε πρώιμα στάδια για την πρόληψη των αρνητικών του επιπτώσεων. Στα εργασιακά περιβάλλοντα, όπου οι εργαζόμενοι υποχρεούνται να αναλαμβάνουν πολλαπλά καθήκοντα για την επίτευξη των στόχων τους, το άγχος είναι ένα κοινό συναίσθημα που οδηγεί σε έλλειψη συγκέντρωσης και απόδοσης. Λόγω του ποσού των ευθυνών, το άγχος των εργαζομένων θα πρέπει να κρατηθεί στο ελάχιστο εύρος, προκειμένου να αυξηθεί η παραγωγικότητα. Σκοπός της συγκεκριμένης αυτής μελέτης είναι να προτείνει έναν αποτελεσματικό τρόπο για τον εντοπισμό και την αναγνώριση του άγχους όταν και όποτε αυτό προκαλείται σε εργαζομένους κατά τη διάρκεια των καθηκόντων τους. Η παρακολούθηση γίνεται από πολλαπλούς αισθητήρες, wearable και μη, οι οποίοι δίνουν τις απαραίτητες πληροφορίες στο σύστημα λήψης αποφάσεων. Μετά την εμφάνιση των wearable συσκευές που θα μπορούσαν να αποτελούν αναπόσπαστο μέρος της ζωής μας λόγω των δυνατοτήτων μόνιμης καταγραφής βιολογικών δεδομένων, οι ερευνητές έχουν αρχίσει να ανιχνεύουν ακραία πίεση των ατόμων μαζί τους κατά τη διάρκεια της καθημερινής ρουτίνας. Μια ποικιλία σύγχρονων τεχνικών μηχανικής μάθησης χρησιμοποιούνται για την επίτευξη της μέγιστης απόδοσης του συστήματος, χρησιμοποιώντας τις πληροφορίες από έρχονται από τους αισθητήρες, εφόσον υποστούν την κατάλληλη επεξεργασία τόσο από το υλικολογισμικό του αισθητήρα όσο και από τους αλγορίθμους επεξεργασίας. Stress is a dominant factor that plays massive role to person`s performance and mental condition. During the last decades, many researchers have pointe out the negative effects of mental stress. That is why it is mandatory to monitor stress from its manifestation, so the negative effect could be counter measured. In working environments, where employees are required to undertake multiple duties in order to achieve their goals, stress is a common emotion which leads to lack of concentration and performance. Because of the amount of responsibilities, worker`s stress should be held to the minimum range in order to increase productivity. The purpose of the specific study is to propose an effective way to detect and recognize stress conditions of employees during their duties. Monitoring is performed by multiple sensors, wearable and not, which give the necessary information to the decision system. After the emergence of wearable devices that could be part of our lives, because of their capability for continuous health-care monitoring using low-energy, researchers have started a great amount of experiments that prove the existence of extreme stress of individuals during daily routines. The last years, during the extremely fast rise of machine learning access from the most of researchers, a variety of modern machine learning techniques are being d in order to achieve maximum system efficiency, using the preprocessed information from the sensors. 2021-09-09T05:25:05Z 2021-09-09T05:25:05Z 2020-10-20 http://hdl.handle.net/10889/15173 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Βαθιά μάθηση Stress detection Convolutional neural networks Machine learning Deep learning Sensor fusion Multisensoring systems Biosignal processing Spectrogram |
| spellingShingle |
Μηχανική μάθηση Βαθιά μάθηση Stress detection Convolutional neural networks Machine learning Deep learning Sensor fusion Multisensoring systems Biosignal processing Spectrogram Λιακόπουλος, Λεωνίδας Ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους |
| description |
Το άγχος είναι ένας κυρίαρχος παράγοντας στην ζωή των ανθρώπων και διαδραματίζει τεράστιο ρόλο στην απόδοση του ατόμου και την ψυχική του κατάσταση. Οι αρνητικές επιπτώσεις του ψυχικού στρες στην ανθρώπινη υγεία είναι γνωστές εδώ και δεκαετίες. Το υψηλό άγχος πρέπει να ανιχνεύεται σε πρώιμα στάδια για την πρόληψη των αρνητικών του επιπτώσεων. Στα εργασιακά περιβάλλοντα, όπου οι εργαζόμενοι υποχρεούνται να αναλαμβάνουν πολλαπλά καθήκοντα για την επίτευξη των στόχων τους, το άγχος είναι ένα κοινό συναίσθημα που οδηγεί σε έλλειψη συγκέντρωσης και απόδοσης. Λόγω του ποσού των ευθυνών, το άγχος των εργαζομένων θα πρέπει να κρατηθεί στο ελάχιστο εύρος, προκειμένου να αυξηθεί η παραγωγικότητα.
Σκοπός της συγκεκριμένης αυτής μελέτης είναι να προτείνει έναν αποτελεσματικό τρόπο για τον εντοπισμό και την αναγνώριση του άγχους όταν και όποτε αυτό προκαλείται σε εργαζομένους κατά τη διάρκεια των καθηκόντων τους. Η παρακολούθηση γίνεται από πολλαπλούς αισθητήρες, wearable και μη, οι οποίοι δίνουν τις απαραίτητες πληροφορίες στο σύστημα λήψης αποφάσεων. Μετά την εμφάνιση των wearable συσκευές που θα μπορούσαν να αποτελούν αναπόσπαστο μέρος της ζωής μας λόγω των δυνατοτήτων μόνιμης καταγραφής βιολογικών δεδομένων, οι ερευνητές έχουν αρχίσει να ανιχνεύουν ακραία πίεση των ατόμων μαζί τους κατά τη διάρκεια της καθημερινής ρουτίνας. Μια ποικιλία σύγχρονων τεχνικών μηχανικής μάθησης χρησιμοποιούνται για την επίτευξη της μέγιστης απόδοσης του συστήματος, χρησιμοποιώντας τις πληροφορίες από έρχονται από τους αισθητήρες, εφόσον υποστούν την κατάλληλη επεξεργασία τόσο από το υλικολογισμικό του αισθητήρα όσο και από τους αλγορίθμους επεξεργασίας. |
| author2 |
Liakopoulos, Leonidas |
| author_facet |
Liakopoulos, Leonidas Λιακόπουλος, Λεωνίδας |
| author |
Λιακόπουλος, Λεωνίδας |
| author_sort |
Λιακόπουλος, Λεωνίδας |
| title |
Ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους |
| title_short |
Ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους |
| title_full |
Ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους |
| title_fullStr |
Ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους |
| title_full_unstemmed |
Ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους |
| title_sort |
ανάλυση εικόνας (σπεκτρογράμματος), βιοσημάτων και χαρακτηριστικών έκφρασης για ανίχνευση άγχους |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15173 |
| work_keys_str_mv |
AT liakopoulosleōnidas analysēeikonasspektrogrammatosbiosēmatōnkaicharaktēristikōnekphrasēsgiaanichneusēanchous AT liakopoulosleōnidas imagespectrogrambiosignalandfacefeatureanalysisforstressrecognition |
| _version_ |
1771297132000575488 |
