Resumo:
O estresse tem se tornado uma doença relevante na sociedade atual, devido a uma série de fatores ligados ao contexto da vida contemporânea. Esse desequilíbrio impacta tanto a esfera pessoal como profissional dos indivíduos por estar associado ao desenvolvimento de diversas patologias. A evidência do estado de estresse pode ser identificada através de diferentes alterações fisiológicas, podendo ser utilizados sensores vestíveis para a medição desses sinais automaticamente. Abordagens de Aprendizagem de máquina vêm sendo usadas para a identificação automática de padrões de estresse a partir do uso de dados gerados por sensores vestíveis monitorando sinais fisiológicos. Apesar de resultados positivos, essas iniciativas apresentam uma lacuna no uso combinado de diversos sinais fisiológicos e no uso de marcadores biológicos para anotação dos dados. Com o objetivo de explorar possibilidades para descrever um modelo para classificação de estresse com múltiplos sinais fisiológicos, foram desenvolvidos experimentos com diferentes combinações de sinais (EMG, EDA e ECG) usando diferentes algoritmos de aprendizado de máquina, usando três diferentes datasets (BeWell, WESAD e Training2017). Segundo os experimentos realizados no contexto de multisinais, o melhor resultado foi utilizando ECG e EMG quando processado com Gaussian Naïve Bayes, obtendo precisão de 90%.