University of Oulu

Exploring behaviour patterns with self-organizing map for personalised mental stress detection

Saved in:
Author: Tervonen, Jaakko1
Organizations: 1University of Oulu, Faculty of Science, Mathematics
Format: ebook
Version: published version
Access: open
Online Access: PDF Full Text (PDF, 1.2 MB)
Pages: 85
Persistent link: http://urn.fi/URN:NBN:fi:oulu-201904131491
Language: English
Published: Oulu : J. Tervonen, 2019
Publish Date: 2019-04-16
Thesis type: Master's thesis
Tutor: Sillanpää, Mikko
(VTT), Jani Mäntyjärvi
Reviewer: Sillanpää, Mikko
Läärä, Esa
Description:

Abstract

Stress is an important health problem and the cause for many illnesses and working days lost. It is often measured with different questionnaires that capture only the current stress levels and may come in too late for early prevention. They are also prone to subjective inaccuracies since the feeling of stress, and the physiological response to it, have been found to be individual. Real-time stress detectors, trained on biosignals like heart rate variability, exist but majority of them employ supervised learning which requires collecting a large amount of labelled data from each system user. Commonly, they are tested in situations where the stress response is deliberately induced (e.g. laboratory). Thus they may not generalise to real-life conditions where more general behavioural data could be used.

In this study the issues with labelling and individuality are addressed by fitting unsupervised stress detection models at several personalisation levels. The method explored, the Self-Organizing Map, is combined with different clustering algorithms to find personal, semi-personal and general behaviour patterns that are converted to stress predictions. Laboratory biosignal-data are used for method validation. To provide an always-on type stress detection, real-life behavioural data consisting of biosignals and smartphone data are experimented on.

The results show that personalisation does improve the predictions. The best classification performance for the laboratory data was found with the fully personalised model (F1-score 0.89 vs. 0.45 with the general model) but for the real-life data there was no big difference between fully personal (F1-score 0.57) and general model as long as the behaviour patterns were mapped to stress individually (F1-score 0.60).

While the scores also validate the feasibility of SOM for mental stress detection, further research is needed to determine the most suitable and practical level of personalisation and an unambiguous mapping between behaviour patterns and stress.

Tiivistelmä

Stressi on merkittävä terveysongelma ja syynä useisiin sairauksiin sekä työpoissaoloihin. Sitä mitataan usein erilaisilla kyselyillä, jotka kuvaavat vain hetkellistä stressitasoa ja joihin voidaan vastata liian myöhään ennaltaehkäisyn kannalta. Kyselyt ovat myös alttiita subjektiivisille epätarkkuuksille, koska stressintunteen, ja stressinaikaisten fysiologisten reaktioiden, on havaittu olevan yksilöllisiä. Reaaliaikaisia, biosignaalien kuten sykevälivaihtelun analyysiin perustuvia, stressintunnistimia on olemassa, mutta pääosin ne käyttävät ohjatun oppimisen menetelmiä, mikä vaatii jokaiselta järjestelmän käyttäjältä suuren stressintunteella merkityn aineiston. Stressintunnistimia myös usein testataan tilanteissa, joissa stressi on tahallisesti aiheutettua (esimerkiksi laboratoriossa). Siten ne eivät yleisty tosielämän tarpeisiin, jolloin voidaan käyttää yleisempää käyttäytymistä kuvaavaa aineistoa.

Tässä tutkimuksessa vastataan datan merkintäongelmaan sekä yksilöllisyyden huomioimiseen käyttäen ohjaamattoman oppimisen stressintunnistusmalleja eri yksilöimisen tasoilla. Käytetty menetelmä, itseorganisoituva kartta, yhdistetään eri ryhmittelyalgoritmeihin tavoitteena löytää henkilökohtaiset, osin henkilökohtaiset sekä yleiset käyttäytymismallit, jotka muunnetaan stressiennusteiksi. Menetelmän sopivuuden vahvistamiseksi käytetään laboratoriossa kerättyä biosignaalidataa. Menetelmää sovelletaan myös tosielämän stressintunnistukseen biosignaaleista ja älypuhelimen käyttödatasta koostuvalla käyttäytymisaineistolla.

Tulokset osoittavat, että yksilöiminen parantaa ennustetarkkuutta. Laboratorio-aineistolla paras luokittelutarkkuus löydettiin täysin yksilöllisellä mallilla (F1-pistemäärä 0.89, kun yleisellä 0.45). Tosielämän aineistolla täysin yksilöllisen (F1-pistemäärä 0.57) ja yleisen mallin, jossa käyttäytymismallien ja stressin välinen kuvaus määrättiin yksilöidysti (F1-pistemäärä 0.60), välinen ero ei ollut suuri.

Vaikka tulokset vahvistavatkin itseorganisoituvan kartan sopivuuden psyykkisen stressin tunnistamisessa, lisätutkimusta tarvitaan määräämään soveltuvin ja käytännöllisin yksilöimisen taso sekä yksikäsitteinen kuvaus käyttäytymismallien ja stressin välille.

see all

Subjects:
Copyright information: © Jaakko Tervonen, 2019. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited.