Заключение

В результате данной работы были рассмотрены основные виды датчиков, использующихся в современных мобильных устройствах, изучены подходы к обработке данных, получаемых от этих датчиков, а также необходимые разрешения, прописываемые в манифестах.

Были также рассмотрены основы глубокого обучения, часто применяемые для обработки больших наборов данных, основные задачи машинного обучения. Изучены принципы построения простейших нейронных сетей.

Были выделены некоторые методы определения стресса, основанные на разных принципах получения сигнала. Для собственной модели был выбран метод, основанный на анализе вариабельности сердечного ритма. Для проверки модели была выбрана база данных CLAS, с довольно большим количеством входных данных. Была проверена существующая модель классификации, приведённая в одной из работ. Проверка показала, что полученная точность для модели значительно снижается, если правильно подготовить входные данные. Для собственной модели был выбран метод градиентного бустинга, точность которого превысила точность проверяемой модели.

Также была разработана модель приложения для оценки основных параметров ВСР, которое подключается к пульсометру и анализирует показатели, влияющие на важнейшие системы организма.

Список использованных источников

1. Датчики современных смартфонов // android mobile review URL: http://android.mobile-review.com/articles/62300/ (дата обращения: 18.10.2021)

2. Фильтрация и сглаживание данных // exponenta URL: https://docs.exponenta.ru/R2021a_nmtnew/curvefit/smoothing-data.html (дата обращения: 25.10.2021)

3. Глубокое обучение // habr URL: https://habr.com/ru/company/otus/blog/459785/ (дата обращения: 30.10.2021)

4. Основы нейронных сетей // машинное обучение URL: https://www.dmitrymakarov.ru/intro/neural-21/ (дата обращения: 09.11.2021)

5. U. R. Acharya, S. V. Sree, P. C. A. Ang, R. Yanti, et al., "Application of nonlinear and wavelet-based features for the automated identification of epileptic EEG signals," Int J Neural Syst, 22, 2012

6. J. T. Cacioppo, G. G. Berntson, J. T. Larsen, K. M. Poehlmann, et al., "The psychophysiology of emotion," Handbook of emotions, 2, pp. 173-191, 2000.

7. L. M. Gatzke-Kopp, M. K. Jetha, and S. J. Segalowitz, "The role of resting frontal EEG asymmetry in psychopathology: Afferent or efferent filter?," Developmental psychobiology, 56, pp. 73-85, 2014.

8. G. Giannakakis, D. Grigoriadis, and M. Tsiknakis, "Detection of stress/anxiety state from EEG features during video watching," in IEEE Engineering in Medicine and Biology Conference (EMBC), 2015, pp. 6034-6037.

9. R. S. Lewis, N. Y. Weekes, and T. H. Wang, "The effect of a naturalistic stressor on frontal EEG asymmetry, stress, and health," Biol Psychol, 75, pp. 239-247, 2007.

10. N. L. Lopez Duran, R. Nusslock, C. George, and M. Kovacs, "Frontal EEG asymmetry moderates the effects of stressful life events on internalizing symptoms in children at familial risk for depression," Psychophysiology, 49, pp. 510-521, 2012.

11. H. Peng, B. Hu, F. Zheng, D. Fan, et al., "A method of identifying chronic stress by EEG," Personal and Ubiquitous Computing, 17, pp. 1341-1347, 2013

12. T. Hayashi, E. Okamoto, H. Nishimura, Y. Mizuno,et al., "Beta activities in EEG associated with emotional stress," International Journal of Intelligent Computing in Medical Sciences & Image Processing, 3, pp. 57-68, 2009.

13. C. Setz, B. Arnrich, J. Schumm, R. La Marca, et al., "Discriminating stress from cognitive load using a wearable EDA device," IEEE Transactions on Information Technology in Biomedicine, 14, pp. 410-417, 2010.

14. J. Taelman, S. Vandeput, A. Spaepen, and S. Huffel, "Influence of mental stress on heart rate and heart rate variability," in 4th European Conference int federation for medical and biological engineering, 2009, pp. 1366-1369.

15. Введение в задачу распознавания эмоций // habr URL: https://habr.com/ru/company/speechpro/blog/418151/ (дата обращения: 01.12.2021)