Reconhecimento de estresse via eletrocardiograma utilizando dimensionalidade reduzida e aprendizagem de máquina

Objetivo: Reconhecer eventos de estresse de um usuario usando tecnicas de reducao de dimensionalidade e classificadores de aprendizagem de maquina. Metodo: Estudo realizado com sinal ECG captado atraves de dispositivo vestivel, com extracao das caracteristicas dos dados obtidos e aplicacao da reducao de dimensionalidade sobre o conjunto, e experimentos dos modelos com e sem reducao. Resultados: Foram realizados experimentos com K-Nearest Neighbors (KNN), Naive Bayes, Decision Tree e Random Forest. Foi observado que a maioria dos modelos conseguiu detectar estresse eficientemente, obtendo uma acuracia media de 81% sem aplicacao da reducao e 83,5% aplicando a reducao. Sendo Random Forest o melhor classificador final, com acuracia de 90%. Conclusao: A reducao de dimensionalidade demonstrou-se eficaz em melhorar o desempenho geral do metodo KNN. Alem de que, ao ser testada em metodos mais robustos, nao apresentou quedas significativas nas metricas propostas, diminuindo o custo computacional de processamento dos algoritmos.