Identifikace projevů responzivní složky elektrodermální aktivity

Abstract

Elektrodermální aktivita je druh elektrochemického signálu generovaným v návaznosti na aktivitu autonomního nervového systému, který stimuluje potní žlázy. Tímto způsobem lze měřit aktivitu sympatické části nervstva a vyhodnotit kognitivní zátěž vyšetřované osoby, která se projevuje responzivními signály v záznamu EDA, resp. jejich vyšší četností. Cílem této práce je navrhnout algoritmus hlubokého učení pro identifikaci této složky v záznamu dat vypůjčených z databáze UBMI. Záznamy obsahují sekvenci měření konduktance na pokožce vyšetřovaného v čase, které byl podroben střídavě klidovému stavu a následně stavu mentální zátěže. Data byla anotována dle přítomnosti responzivní složky. Následně byl navržen a implementován vhodný algoritmus hlubokého učení určeného ke klasifikaci responzivních složek v měřeném signálu EDA. Model neuronové sítě byl následně setem anotovaných předzpracovaných dat naučen, optimalizován a implementován na vzorcích měření. Získaná data byla statisticky vyhodnocena z pohledu úspěšnosti klasifikace responzivních složek a rozdílů v záznamech mentálního klidu a zátěže. Výsledky klasifikace a porovnání záznamů EDA měřených při různých stavech dotyčného byly následně diskutovány.

Electrodermal acitivity is a kind of electrochemical signal generated with relation to activity of the autonomic nervous system that stimulates the sweat glands. In this way, is it possible to measure the activity of the sympathetic part of the nerve systém and evaluate the cognitive stress of the treated person, which is manifested by responsive signals in EDA record, respectively to increased occurence of responses. The aim of this work is to design a deep learning algorithm for the identification of this component in the record of data taken from UBMI database. The recordings contain a sequence of measurements the conductance of the skin of patient, who was subjected alternately to the states of rest and subsequently a state of mental stress. The data were annotated according to presence of the responsive components occuring in the records of EDA. Subsequently, a suitable deep learning algorithm was implemented in order to classify the responsive components in the measured EDA signal. The neural network model has been taught, optimized and implemented on the measurement samples using annotated data. The obtained results data were statistically evaluated to qualify the success of the classification of responsive components and differences in the records of mental calm and stress. The results of the classification and comparison of EDA records measured at different conditions of the patient were discussed subsequently.