DOI: https://doi.org/10.1109/access.2025.3644400
تاريخ النشر: 2026-01-01
المؤلف: Mahvish Ali وآخرون
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تقدم ورقة البحث نموذج تعلم عميق جديد، شبكة الترميز التلقائي المعززة بالتحويل (TEANet)، مصممة لمراقبة الإجهاد بشكل آلي باستخدام إشارات نبض حجم الدم (BVP) من الأجهزة القابلة للارتداء. نظرًا للقلق المتزايد بشأن الصحة العامة المتعلقة بالإجهاد النفسي، تؤكد الدراسة على الحاجة إلى أدوات فعالة ومستدامة لتقييم الإجهاد. تم تدريب TEANet والتحقق من صحته على مجموعتين من البيانات: مجموعة بيانات RUET SPML التي تم تطويرها ذاتيًا ومجموعة بيانات WESAD المتاحة للجمهور. حقق النموذج مقاييس أداء مثيرة للإعجاب، مع دقة بلغت 92.94% و96.94%، ودرجات F1 بلغت 95.16% و95.95%، وإحصاءات كابا بلغت 0.8181 و0.9350، على التوالي، مما يدل على قوته في اكتشاف الإجهاد النفسي.
تسلط النتائج الضوء على فعالية TEANet في استخدام إشارة BVP واحدة، والتي تعتبر عادة أقل معلوماتية لتحليل الإجهاد، مما يظهر عمليتها للتطبيقات في العالم الحقيقي. تم التحقق من قابلية تعميم النموذج من خلال التحقق المتقاطع مع ترك موضوع واحد خارجًا، ويشير نشره على Raspberry Pi 3B+ إلى إمكانيته لمراقبة الإجهاد في الوقت الحقيقي في البيئات ذات الموارد المحدودة. بالإضافة إلى ذلك، استخدمت الدراسة تصور الميزات المعتمد على UMAP ونسبة التدرج المتكاملة لتعزيز قابلية تفسير وشفافية عملية اتخاذ القرار للنموذج. ستسعى الأبحاث المستقبلية إلى توسيع قدرات النموذج لتصنيف الإجهاد على مستويات متعددة ودمج إشارات فسيولوجية إضافية لتحسين الدقة.
مقدمة
تتناول مقدمة ورقة البحث هذه القضية الحرجة للإجهاد، الذي يُعرف بأنه استجابة الكائن الحي للضغط البدني أو النفسي، والذي يمكن أن يؤدي إلى مشاكل صحية متنوعة مثل أمراض القلب والأوعية الدموية والاكتئاب والقلق. تؤكد الورقة على أهمية التعرف على الإجهاد النفسي ومراقبته من خلال طرق متنوعة، مع التركيز بشكل خاص على الإشارات الفسيولوجية كمؤشرات موثوقة. بينما تواجه الطرق التقليدية مثل تخطيط الدماغ (EEG) وتخطيط العضلات (EMG) قيودًا عملية، ظهرت مستشعرات نبض حجم الدم (BVP) كبديل فعال من حيث التكلفة وغير جراحي لمراقبة الإجهاد، خاصة عند دمجها مع تقنيات التعلم الآلي (ML) والتعلم العميق (DL).
يقترح المؤلفون شبكة الترميز التلقائي المعززة بالتحويل (TEANet) الجديدة لتقييم الإجهاد باستخدام إشارات BVP، بهدف تحسين الأداء في الأجهزة القابلة للارتداء ذات الموارد المحدودة. تشمل المساهمات الرئيسية تطوير نموذج DL عالي الأداء يعالج عدم توازن الفئات من خلال استراتيجية تعزيز تعتمد على تقسيم النافذة المنزلقة، والتحقق من صحته على كل من مجموعة بيانات خاصة وبيانات متاحة للجمهور، وإظهار جدوى النموذج للتطبيقات في الوقت الحقيقي. توضح الورقة هيكلها، مشيرة إلى أن الأقسام التالية ستفصل المواد والأساليب، والنتائج والمناقشة، والاستنتاجات.
طرق
توضح قسم “المواد والأساليب” تصميم التجربة والإجراءات المستخدمة في الدراسة. تتفصل المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الطرق الإحصائية، والبروتوكولات التجريبية، وأي أدوات حسابية مستخدمة.
بالإضافة إلى ذلك، قد يصف القسم الضوابط المنفذة للتحقق من النتائج والمعايير لاختيار العينات أو الموضوعات. من الضروري تأسيس موثوقية النتائج وضمان أن الاستنتاجات المستخلصة تستند إلى تحقيق قوي ومنهجي. بشكل عام، يعد هذا القسم مكونًا أساسيًا من البحث، حيث يوفر الشفافية والوضوح بشأن النهج التجريبي.
نتائج
تشير نتائج الدراسة إلى أن أداء TEANet هو الأمثل مع ثلاث طبقات TEA (TEA-3)، كما يتضح من نتائجه المتفوقة على مجموعتي بيانات RUET SPML وWESAD. على وجه التحديد، حقق TEANet مع TEA-3 دقة بلغت 92.94%، وخصوصية 88.60%، وحساسية 94.43%، ودرجة F1 بلغت 95.16%، وAUC بلغت 0.9384، وكابا بلغت 0.8181 على مجموعة بيانات RUET SPML. بالمقابل، سجل دقة بلغت 96.93%، وخصوصية 97.06%، وحساسية 96.63%، ودرجة F1 بلغت 95.95%، وAUC بلغت 0.9824، وكابا بلغت 0.9350 على مجموعة بيانات WESAD.
تكشف التحليلات أنه بينما يزداد عدد المعلمات مع إضافة طبقات TEA، فإن TEA-3 يحافظ على تعقيد قابل للإدارة مع 1.11 مليون معلمة، وبالتالي تحقيق توازن فعال بين دقة النموذج وتعقيده. تظهر النتائج قدرة TEANet القوية على التمييز بين الحالات الطبيعية والمجهدة، مع الحد الأدنى من التباين في الأداء عبر طبقات TEA من TEA-2 إلى TEA-7، مما يشير إلى قابليته للتوسع وإمكانيته للتطبيق في سيناريوهات اكتشاف الإجهاد في العالم الحقيقي.
مناقشة
في هذه الدراسة، تحقق المؤلفون من صحة شبكة الترميز التلقائي المعززة بالتحويل (TEANet) المقترحة للكشف عن الإجهاد باستخدام مجموعتين من البيانات: مجموعة بيانات RUET SPML للإجهاد ومجموعة بيانات WESAD. تضمنت مجموعة بيانات RUET SPML بيانات فسيولوجية من 19 مشاركًا، بينما تضمنت مجموعة بيانات WESAD بيانات من 15 مشاركًا. شمل تصميم التجربة مهام مختلفة تسبب الإجهاد، وتم تسجيل الإشارات الفسيولوجية باستخدام سوار Empatica E4. تم استخدام تقنيات تعزيز البيانات لمعالجة عدم توازن الفئات، مما يعزز بشكل خاص الفئة الأقل خلال التدريب، مما أدى إلى تحسين كبير في مقاييس أداء النموذج مثل الدقة والخصوصية ودرجة F1 عبر كلا المجموعتين.
تدمج بنية TEANet كتلة تقليل العينة، وطبقات الترميز التلقائي المعززة بالتحويل، وكتل التصنيف لاستخراج الميزات من إشارات نبض حجم الدم (BVP). تم تقييم أداء النموذج بدقة باستخدام التحقق المتقاطع مع ترك موضوع واحد خارجًا، مما يدل على قوته وقابلية تعميمه. من الجدير بالذكر أن تعزيز البيانات أدى إلى تحسينات كبيرة في مقاييس الأداء، خاصة بالنسبة للفئة الأقل، مما يبرز فعاليته في التخفيف من الإفراط في التكيف وتعزيز دقة النموذج. شملت الدراسة أيضًا تحليل إلغاء، مما يؤكد أهمية كل من مسار TE ومسار الالتفاف في تحقيق أداء متوازن عبر المجموعات. كشفت المقارنات مع الهياكل الحديثة أن TEANet تفوقت على النماذج الحالية مع الحفاظ على عدد معلمات أقل بكثير، مما يجعلها مناسبة للنشر في الأجهزة القابلة للارتداء ذات الموارد المحدودة.
DOI: https://doi.org/10.1109/access.2025.3644400
Publication Date: 2026-01-01
Author(s): Mahvish Ali et al.
Primary Topic: Emotion and Mood Recognition
Overview
The research paper presents a novel deep learning model, the Transpose-Enhanced Autoencoder Network (TEANet), designed for automated stress monitoring using blood volume pulse (BVP) signals from wearable devices. Given the increasing public health concerns related to mental stress, the study emphasizes the need for effective and continuous stress assessment tools. TEANet was trained and validated on two datasets: the self-developed RUET SPML dataset and the publicly available WESAD dataset. The model achieved impressive performance metrics, with accuracies of 92.94% and 96.94%, F1 scores of 95.16% and 95.95%, and kappa statistics of 0.8181 and 0.9350, respectively, demonstrating its robustness in detecting mental stress.
The findings highlight TEANet’s effectiveness in utilizing a single BVP signal, which is typically deemed less informative for stress analysis, thus showcasing its practicality for real-world applications. The model’s generalizability was validated through leave-one-subject-out cross-validation, and its deployment on a Raspberry Pi 3B+ indicates its potential for real-time stress monitoring in resource-constrained environments. Additionally, the study employed UMAP-based feature visualization and integrated gradient attribution to enhance the interpretability and transparency of the model’s decision-making process. Future research will aim to expand the model’s capabilities to multi-level stress classification and incorporate additional physiological signals for improved accuracy.
Introduction
The introduction of this research paper addresses the critical issue of stress, defined as the organism’s response to physical or psychological strain, which can lead to various health problems such as cardiovascular disease, depression, and anxiety. The paper emphasizes the importance of recognizing mental stress and monitoring it through various methods, particularly focusing on physiological signals as reliable indicators. While traditional methods like electroencephalogram (EEG) and electromyogram (EMG) face practical limitations, blood volume pulse (BVP) sensors have emerged as a cost-effective and non-invasive alternative for stress monitoring, especially when combined with machine learning (ML) and deep learning (DL) techniques.
The authors propose a novel transpose-enhanced autoencoder network (TEANet) for stress assessment using BVP signals, aiming to optimize performance in resource-constrained wearable devices. Key contributions include the development of a high-performance DL model that addresses class imbalance through a sliding window segmentation-based augmentation strategy, validation on both a private dataset and publicly available data, and demonstration of the model’s feasibility for real-time applications. The paper outlines its structure, indicating subsequent sections will detail materials and methods, results and discussion, and conclusions.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methodology encompasses the techniques applied for data collection and analysis, such as statistical methods, experimental protocols, and any computational tools utilized.
Additionally, the section may describe the controls implemented to validate the results and the criteria for selecting samples or subjects. It is crucial for establishing the reliability of the findings and ensuring that the conclusions drawn are based on robust and systematic investigation. Overall, this section serves as a foundational component of the research, providing transparency and clarity regarding the experimental approach.
Results
The results of the study indicate that TEANet’s performance is optimal with three TEA layers (TEA-3), as evidenced by its superior results on the RUET SPML and WESAD datasets. Specifically, TEANet with TEA-3 achieved an accuracy of 92.94%, specificity of 88.60%, sensitivity of 94.43%, F1-score of 95.16%, AUC of 0.9384, and kappa of 0.8181 on the RUET SPML dataset. In contrast, it recorded an accuracy of 96.93%, specificity of 97.06%, sensitivity of 96.63%, F1-score of 95.95%, AUC of 0.9824, and kappa of 0.9350 on the WESAD dataset.
The analysis reveals that while the number of parameters increases with additional TEA layers, TEA-3 maintains a manageable complexity with 1.11 million parameters, thus achieving an effective balance between model accuracy and complexity. The findings demonstrate TEANet’s robust ability to differentiate between normal and stressed states, with minimal performance variation across TEA layers from TEA-2 to TEA-7, suggesting its scalability and potential for application in various real-world stress detection scenarios.
Discussion
In this study, the authors validated their proposed Transpose-Enhanced Autoencoder Network (TEANet) for stress detection using two datasets: the RUET SPML Stress Dataset and the WESAD dataset. The RUET SPML dataset included physiological data from 19 participants, while the WESAD dataset comprised data from 15 participants. The experimental design involved various stress-inducing tasks, and physiological signals were recorded using the Empatica E4 wristband. Data augmentation techniques were employed to address class imbalances, particularly enhancing the minority class during training, which significantly improved model performance metrics such as accuracy, specificity, and F1-score across both datasets.
The TEANet architecture integrates a down-sampling block, transpose-enhanced autoencoder layers, and classification blocks to extract features from blood volume pulse (BVP) signals. The model’s performance was rigorously evaluated using leave-one-subject-out cross-validation, demonstrating its robustness and generalizability. Notably, data augmentation led to substantial improvements in performance metrics, particularly for the minority class, highlighting its effectiveness in mitigating overfitting and enhancing model accuracy. The study also included an ablation analysis, confirming the importance of both the TE path and convolutional path in achieving balanced performance across datasets. Comparisons with state-of-the-art architectures revealed that TEANet outperformed existing models while maintaining a significantly smaller parameter count, making it suitable for deployment in resource-constrained wearable devices.