A multimodal approach towards stress classification during the Covid-19 pandemic

Φράγκου, Αικατερίνη; Fragkou, Aikaterini

dc.contributor.author	Φράγκου, Αικατερίνη	el
dc.contributor.author	Fragkou, Aikaterini	en
dc.date.accessioned	2024-03-11T12:05:52Z
dc.date.available	2024-03-11T12:05:52Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58976
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26672
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Smarty4Covid	en
dc.subject	Anxiety	en
dc.subject	Covid-19	en
dc.subject	Multimodal analysis	en
dc.subject	Emotion recognition	en
dc.subject	Smarty4Covid	en
dc.subject	Άγχος	el
dc.subject	Αναγνώριση συναισθήματος	el
dc.subject	Πολυτροπική ανάλυση	el
dc.subject	Covid-19	en
dc.title	A multimodal approach towards stress classification during the Covid-19 pandemic	en
heal.type	masterThesis
heal.classification	Machine learning	en
heal.classification	Emotion recognition	en
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-30
heal.abstract	Η πανδημία που προκλήθηκε από την ταχύτατη εξάπλωση του ιού Sars-CoV-2 επέφερε σημαντική επιδείνωση στη ψυχική υγεία σε παγκόσμιο επίπεδο. Η ανάγκη για τη δημιουργία εφαρμογών ψηφιακής υγείας με την ικανότητα να αναγνωρίζουν τέτοια περιστατικά απομακρυσμένα και σε πραγματικό χρόνο χαρακτηρίζεται ως επιτακτική. Η συνεισφορά μικροδιατάξεων αισθητήρων, που εξασφαλίζουν την απρόσκοπτη και μη επεμβατική συλλογή των απαραίτητων δεδομένων, αναμένεται να είναι πολύτιμη. Στην παρούσα διπλωματική εργασία μελετάται προς αυτή την κατεύθυνση η δυνατότητα εκπαίδευσης μοντέλων μηχανικής μάθησης με δεδομένα αισθητήρων που συλλέγονται από τη διαδικτυακή εφαρμογή Smarty4Covid. Αρχικά, για τις ανάγκες της μελέτης πραγματοποιείται στατιστική ανάλυση ετερογενών δεδομένων που συλλέγονται από την εφαρμογή ως προς τη συσχέτιση τους με την υποκειμενική αναφορά των επιπέδων άγχους. Στη συνέχεια, τα δεδομένα χωρίζονται σε υποσύνολα και πραγματοποιείται συγκριτική μελέτη σε σχέση με την ικανότητα των μοντέλων μηχανικής μάθησης που εκπαιδεύονται να αναγνωρίζουν τα επίπεδα άγχους όπως γίνονται αντιληπτά από τους συμμετέχοντες. Αυτή η μεθοδολογία περιλαμβάνει δεδομένα ηχητικών καταγραφών, δείκτη μάζας σώματος και κορεσμού οξυγόνου αίματος, που συλλέγονται από αισθητήρες, ενώ τα επίπεδα άγχους χωρίζονται σε δύο κλάσεις και πραγματοποιείται δυαδική ταξινόμηση από ρηχά μοντέλα μηχανικής μάθησης ( SVM, MLP, Random Forest, Naive Bayes, Logistic Regression, KNN). Η εκπαίδευση πραγματοποιείται με ηχητικές καταγραφές βήχα και βαθιάς αναπνοής στην πρώτη περίπτωση και με το συνδυασμό τους με τιμές κορεσμού οξυγόνου και BMI σε μια πολυτροπική προσέγγιση στη δεύτερη περίπτωση. Τα αποτελέσματα έδειξαν πως η πολυτροπική προσέγγιση αν και είχε χαμηλή διακριτική ικανότητα, λειτούργησε εμφανώς καλύτερα, αφήνοντας περιθώρια για μελλοντικές προεκτάσεις.	el
heal.abstract	The pandemic caused by the rapid spread of the Sars-CoV-2 virus resulted in the deterioration of mental health on a global scale. As a result, there is an urgent need for the development of digital health applications capable of remotely and in real-time recognizing such cases. The integration of sensor data, facilitating seamless and non- invasive data collection, is expected to be highly valuable in this context. The present thesis investigates the possibility of training machine learning models with sensor data collected from the Smarty4Covid web application. Initially, a statistical analysis of heterogeneous data collected from the application is conducted, exploring their correlation with self-reported anxiety levels. Subsequently, the data is divided into subsets, and a comparative study is carried out concerning the capacity of machine learning models to recognize anxiety levels. This methodology includes audio recordings, Body Mass Index (BMI), and blood oxygen saturation data collected from sensors. Anxiety levels are split into two classes, and binary classification is performed using various shallow machine learning models (e.g., SVM, MLP, Random Forest, Naive Bayes, Logistic Regression, KNN). Training is conducted using cough and deep breathing audio recordings in the first case, and a multimodal approach involving a combination of these recordings with blood oxygen saturation and BMI values in the second case. The results demonstrated that the multimodal approach, despite having low discriminatory power, performed significantly better, leaving space for future progress.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Ζεργιώτη, Ιωάννα	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	114 σ.	el
heal.fullTextAvailability	false