Publisher

UMYUMY

Journal Journal of Robotics and Control (JRC)Journal of Robotics and Control (JRC) Abstract

Stres mental merupakan ancaman besar bagi kesehatan global karena memiliki efek buruk yang serius terhadap memori, kesejahteraan emosional, dan produktivitas orang. Meskipun elektroensefalografi (EEG) menawarkan metode non-invasif dengan resolusi temporal tinggi untuk penilaian stres, sifat kompleks dan tidak stabil dari respons neural terkait stres tetap menjadi tantangan signifikan untuk sistem klasifikasi berbasis EEG yang andal. Kontribusi penelitian ini adalah pengembangan kerangka kerja pengenalan stres berbasis EEG yang dapat ditafsirkan dan modular yang menggunakan deskriptor konektivitas spasial-temporal dengan model pembelajaran mesin klasik. Kerangka kerja yang diusulkan mengekstrak fitur yang dibuat secara manual dari dua domain yang saling melengkapi: deskriptor temporal, termasuk statistik domain waktu dan parameter Hjorth, serta pengukuran konektivitas spasial, termasuk korelasi antar saluran, asimetri amplitudo, dan Indeks Lag Fase (PLI). Selain itu, deskriptor meta-korelasi log-transformed diperkenalkan untuk menangkap ketergantungan non-linear di antara fitur temporal. Sinyal EEG dari dataset DASPS dipotong dan dievaluasi menggunakan validasi silang 5-lipat terstratifikasi. Hasil eksperimen menunjukkan bahwa kerangka kerja yang diusulkan mencapai akurasi 99,18% dan AUC 99,89% dalam klasifikasi stres biner menggunakan KNN, serta akurasi 98,56% dan AUC 99,95% dalam klasifikasi multikelas menggunakan SVM. Selain itu, XGBoost memberikan keseimbangan yang menguntungkan antara akurasi dan efisiensi komputasi, mencapai latensi inferensi rendah (0,0015 detik). Hasil ini mengonfirmasi kinerja yang konsisten di seluruh klasifikasi tanpa bergantung pada arsitektur pembelajaran dalam. Secara keseluruhan, kerangka kerja yang diusulkan menawarkan solusi yang dapat ditafsirkan, dengan latensi rendah untuk pendeteksi stres mental berbasis EEG, dengan potensi kuat untuk penerapan dalam aplikasi praktis, seperti sistem pemantauan kesehatan mental yang dapat dikenakan dan platform penilaian stres waktu nyata.

Conclusion

Hasil penelitian menunjukkan bahwa kerangka kerja yang diusulkan, yang disebut Spatial-Temporal Connectivity Descriptor (STCD), mampu mencapai akurasi yang tinggi dalam mendeteksi stres mental menggunakan deskriptor konektivitas spasial-temporal yang dibuat secara manual.STCD menggabungkan berbagai fitur temporal dan spasial, seperti statistik domain waktu, parameter Hjorth, korelasi antar saluran, asimetri amplitudo, dan Indeks Lag Fase (PLI), untuk mengekstrak informasi yang relevan dari sinyal EEG.Penelitian ini juga mengevaluasi kinerja delapan klasifikasi mesin klasik, yaitu XGBoost, SVM, Random Forest, KNN, Decision Tree, AdaBoost, Gradient Boosting, dan Gaussian Naive Bayes, dalam skenario klasifikasi stres biner dan multikelas.Hasilnya menunjukkan bahwa KNN dan SVM mencapai akurasi tertinggi, sedangkan XGBoost menawarkan keseimbangan optimal antara akurasi prediktif dan efisiensi komputasi.Analisis matriks kebingungan lebih lanjut mengonfirmasi perilaku prediksi yang stabil untuk setiap kelas, menunjukkan bahwa kinerja yang dilaporkan tidak didorong oleh ketidakseimbangan kelas, tetapi mencerminkan kemampuan pemisahan fitur yang kuat.Penelitian ini juga membandingkan kinerja STCD dengan pendekatan sebelumnya dalam pengenalan stres berbasis EEG, menunjukkan keunggulan STCD dalam hal akurasi dan representasi spasial-temporal yang kuat.Secara keseluruhan, penelitian ini menunjukkan bahwa STCD merupakan kerangka kerja yang efisien untuk pengenalan stres mental berbasis EEG, dengan kemampuan diskriminatif yang kuat antara tingkat stres yang berbeda, dan dapat menjadi alternatif yang menarik untuk arsitektur pembelajaran dalam yang kompleks.

Future Research

Berdasarkan hasil penelitian, berikut adalah tiga saran untuk penelitian lanjutan:. . 1. Pengembangan teknik pengurangan fitur yang lebih efisien untuk dataset EEG yang kecil. Penelitian ini menunjukkan bahwa klasifikasi mesin klasik sering kali outperform metode pembelajaran dalam dalam dataset EEG yang kecil karena mereka lebih baik dalam generalisasi dan kurang intensif secara komputasi. Namun, teknik pengurangan fitur yang lebih canggih dapat meningkatkan kinerja klasifikasi tanpa mengurangi interpretabilitas.. . 2. Eksplorasi metode transformasi dan normalisasi konektivitas yang lebih lanjut. Penelitian ini memperkenalkan transformasi log-transformed untuk meningkatkan stabilitas distribusi korelasi dan meningkatkan interpretabilitas. Metode transformasi dan normalisasi lainnya dapat dieksplorasi untuk meningkatkan kinerja dan stabilitas konektivitas berbasis EEG.. . 3. Pengujian kerangka kerja STCD pada dataset EEG yang lebih beragam dan skenario real-time. Penelitian ini dilakukan pada dataset DASPS yang terkontrol, dan hasilnya mungkin tidak sepenuhnya mewakili skenario dunia nyata. Pengujian kerangka kerja STCD pada dataset yang lebih beragam dan skenario real-time dapat memberikan wawasan lebih lanjut tentang kinerjanya dalam aplikasi praktis, seperti sistem pemantauan kesehatan mental yang dapat dikenakan dan platform penilaian stres waktu nyata.

Metadata

File size	1.31 MB
Pages	16
DMCA	Report