Classificação de estados de estresse mental através da variabilidade cardíaca

Abstract

Considerado pela OMS como uma epidemia, o estresse mental é definido como uma resposta natural do corpo a estímulos externos, sendo benéfico até certos níveis. No entanto, períodos prolongados de altos níveis desse estado estão associados ao desenvolvimento de doenças, como um aumento no risco de infarto, impotência ou depressão. Por ter um aumento constante de casos desse estresse prejudicial ao longo dos últimos anos, a informação de nível de estresse em tempo real é valiosíssima, podendo ser utilizada pelo usuário como uma forma de prevenção ou redução do nível alto de estresse. Dentro desse contexto, este trabalho apresenta uma metodologia para a identificação de níveis de estresse através da variabilidade cardíaca (HRV), justificado pela interação entre sistema nervoso autônomo (SNA) e atividade elétrica cardíaca. Através de análises temporais, frequenciais e não-lineares, essa metodologia proposta considera a dinâmica dos parâmetros extraídos para construir uma matriz de parâmetros evoluindo temporalmente e a seguir fornecer essa informação a um classificador. Neste trabalho foram utilizadas duas abordagens de classificadores, o clássico SVM (Support Vector Machine) e métricas de Riemann aplicadas a matrizes de covariância construídas a partir da dinâmica das análises. Testes foram realizados em cima de uma base de dados aberta, da qual foram selecionados 54 eventos em 9 sujeitos, que foram expostos a um experimento padronizado de níveis de estresse, classificados entre baixo, médio e alto. O resultado final dessa metodologia é comparado com a abordagem que não leva em consideração a dinâmica dos parâmetros, através da acurácia, métrica utilizada por trabalhos com o mesmo fim. As melhores configurações obtiveram acurácias de 86% e 82% através de meéricas de Riemann e SVM, respectivamente, comparado com a abordagem mencionada que obteve uma acurácia de 75% para o mesmo conjunto de dados. Esses resultados demonstram que a dinâmica das análises de variabilidade pode ser utilizada como mais informação para a tomada de decisão dos classificadores ao identificar níveis de estresse mental a partir de sinais de HRV.

Abstract : Considered by the WHO as an epidemic, mental stress is defined as a natural response by the body to external stimuli, being beneficial until certain levels. However, prolonged periods of high levels of stress can lead to serious conditions, such as heart attack, elevated blood pressure and even depression. Considering that this state has increased in case numbers during recent years, the result of real time stress level identification is a significant piece of information that can be used as an alarm so that the user can act in response to it. This work presents a methodology for stress level identification using Heart Rate Variability (HRV). From the HRV signal, temporal, frequencial and nonlinear parameters are computed several times to consider the dynamic of each parameter. Two types of classifiers were used, SVM (Support Vector Machine) and Riemannian metrics applied to covariance matrices built from the dynamical parameters. Simulations were performed applying the methodology to an open database comprising of 9 subjects, with a total of 54 epochs, split into low, medium and high stress levels. The fi- nal result is compared with the classical approach for identifying stress levels, where the HRV parameters dynamics is ignored. The best configurations provided accuracies of 86% and 82% for Riemann metrics and SVM classifiers respectively, compared to the mentioned approach with an accuracy of 75% for the same dataset. These results show that, by using the parameters dynamics, this methodology has the potential of working better than the classical approach when identifying mental stress levels from HRV.