چکیده مقاله
استرس یکی از چالش های اساسی در زندگی انسان امروزی است که تاثیر چشمگیری بر سلامت جسمی و روانی افراد دارد شناسایی و ارزیابی صحیح میزان استرس گامی حیاتی در پیشگیری و مدیریت آن به شمار می رود از آنجا که روش های تشخیص استرس نقش مهمی در دقت تحلیل های پژوهشی دارند، استفاده از پایگاه های دادگان در دسترس که امکان مقایسه و تحلیل روش ها را فراهم می کنند اهمیت ویژه ای دارد در این راستا دو پایگاه داده استرس پرکاربرد WESAD و Drive DB که به ترتیب در محیط های آزمایشگاهی و واقعی ثبت شده اند برای بررسی انتخاب شدند مطالعات مبتنی بر این دو پایگاه در طی ۱۲ سال اخیر مورد تحلیل قرار گرفت تا عملکرد روش های یادگیری عمیق و یادگیری ماشین در طبقه بندی سطوح استرس دوسطحی و سه سطحی مورد مقایسه قرار گیرد نتایج نشان داد که در طبقه بندی دوسطحی روش های مبتنی بر یادگیری عمیق عملکرد بهتری نسبت به روش های یادگیری ماشین دارند با این حال در طبقه بندی استرس با تعداد سطوح بالاتر، با توجه به افزایش پیچیدگی مسئله، روش های یادگیری عمیق مستلزم دادگان آموزش کافی برای دستیابی به عملکرد بالاتر هستند این یافته ها نشان می دهند که برای بهره مندی از توانایی های بالقوه روش های یادگیری عمیق به پایگاه دادگان غنی تر نیاز است
کلیدواژه‌ها
نویسندگان
فائزه دانشمند بهمن
دانشجوی دکتری گروه بیوتکنولوژی دانشکده علوم و فناوری های نوین دانشگاه سمنان سمنان ایران
علی مالکی
دانشیار گروه مهندسی پزشکی دانشگاه سمنان سمنان ایران
شیوه ارجاع
�انشمند بهمن، فائزه و مالکی، علی،1404،مقایسه الگوریتم های یادگیری ماشین و یادگیری عمیق در تشخیص استرس در محیط های آزمایشگاهی و واقعی بر اساس پایگاه های دادگان در دسترس و Drive-DB WESAD،هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع،اسفراین
ارائه‌شده در
مجموعه مقالات هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع19 آبان 1404 · اسفراین