Ученые обучили искусственный интеллект определять стресс по дыханию
Стрессовое состояние можно распознавать по изменениям дыхательного ритма, к такому выводу пришли ученые из Петрозаводского государственного университета и Эрзинджанского университета имени Бинали Йылдырыма в Турции. Результаты исследования опубликованы в журнале Biomedical Signal Processing and Control.
Они разработали алгоритм машинного обучения, способный распознавать стресс по дыхательному ритму человека. Эффективность системы составила более 96%. В перспективе такой подход может использоваться для наблюдения за дыханием и в экспериментальных системах без нагрудного датчика — для мониторинга стресса в профессиях высокой ответственности: у водителей, диспетчеров, пилотов, операторов сложных систем, а также в спорте, образовании и медицине.
Специалисты проанализировали открытый международный набор физиологических данных WESAD (Wearable Stress and Affect Detection, популярный открытый мультимодальный датасет, предназначенный для автоматического распознавания стресса и эмоционального состояния человека с помощью носимых устройств), полученных другими учеными в 2018 году от 15 добровольцев. В набор входила информация о дыхании, работе сердца, электропроводности кожи и движении, но в новой работе авторы изучили только сигнал дыхания.
Во время эксперимента 2018 года добровольцы последовательно находились в нескольких состояниях: отдыхали, смотрели развлекательные видео, медитировали или проходили тест, который вызывал у них стресс (рассказывали перед «комиссией» из трех человек о своих сильных и слабых сторонах и считали вслух). Во всех случаях дыхание участников записывали нагрудным датчиком, который фиксировал движения грудной клетки.
Именно эти данные взяли ученые из Петрозаводского государственного университета и Эрзинджанского университета и разделили их на отрезки по 60 секунд, после чего передали алгоритмам машинного обучения.
Исследователи использовали два подхода к анализу данных. В первом алгоритм получал непосредственно дыхательную волну и анализировал ее с помощью компактной нейросети. Во втором же из сигнала сначала «извлекали» различные характеристики дыхания — например, особенности формы волны, изменения дыхания на разных частотах и устойчивость его ритма во времени, — а затем использовали их для распознавания состояния человека.
Модель сначала обучили на данных 14 добровольцев и проверили, сможет ли она распознать состояние последнего участника, чьих данных алгоритм раньше не «видел». Затем такую процедуру повторили заново еще 14 раз, каждый раз меняя исключенного участника, который должен был быть для модели новым. Так, каждый из 15 испытуемых по очереди становился «новым» для модели. Эта проверка позволила оценить, насколько хорошо алгоритм работает с данными неизвестных ему людей.
Лучший результат показала компактная нейросеть, которая анализировала саму дыхательную волну. Более чем в 96% случаев она правильно определяла, есть ли стресс или нет.
Исследователи изучали не только то, насколько хорошо алгоритм распознает стресс, но и какие изменения дыхания помогают ему принять решение. Самым сильным одиночным признаком стресса оказалась энергия дыхательного сигнала в диапазоне частот 0,7–1,0 Герц. На стресс еще указывали частота дыхания, продолжительность вдоха, форма дыхания, изменения ритма на разных частотах и его устойчивость во времени. Таким образом, стресс в исследовании был связан сразу с несколькими «маркерами».
При этом ученые предупредили, что точность, полученную на экспериментальных данных, пока нельзя переносить на приложение: микрофон и нагрудный датчик регистрируют разные физические сигналы и еще не прошли одновременную проверку на одной и той же группе участников.
В дальнейшем авторы планируют повторить исследование на более крупной группе добровольцев и проверить метод не только в лаборатории, но и в повседневных условиях.
