文摘
压力是一个复杂的多方面的概念是不利的结果或要求的情况下。工人,特别是卫生保健工作者,遭受了显著的压抑,倦怠和其他身体疾病,如高血压和糖尿病引起的压力。众多压力检测系统实现但他们只在早期阶段,帮助检测压力,工作规则,这些系统使用其他手段。这些系统缺乏任何固有特性正规化的压力。小说系统向这一目标的贡献,因为它使得基于脑电图”资质检测系统”。这一系统将有助于在考虑工作能力的员工在工作场所的工作打算帮助他们分配合适的工作角色基于他们的工作能力。选择合适的工作对工人的角色不仅有助于提升生产力,还有助于调节压力不当所导致的员工的工作角色分配,减少疲劳。能够为工人将帮助他们选择合适的工作角色在提供高效的工作环境。详细介绍了分层架构,提出新颖的系统的实现细节,和结果。集成这个系统的工作场所将帮助管理者在利用人力资源更合适,将有助于在调节压力相关问题与改善整个办公室的整体性能。 In this work, different implementation architectures based on KNN, SVM, DT, NB, CNN, and LSTM are tested, where LSTM has provided better results and achieved accuracy up to 94% in correctly classifying an EEG signal. The rest of the details can be seen in Sections 3 and 5.
1。介绍
指数增长的使用无处不在的计算系统和城市生活的发展导致了一个独特的一类复杂的监测和控制子系统。这些系统被用于不同的领域和组件可以影响运输等行业,健康、能源、家庭/建筑,和环境。这样的系统识别的一般术语智能城市。他们的功能涉及到大量的硬件传感器的使用,他们通常使用无线传感器网络,实现物联网设备,智能手机,但肯定不是只局限于这些架构。在这个领域的研究是进一步分为健康监测等领域1- - - - - -4),交通管理(5),智能农业(6),智能电网(7),环境监测8- - - - - -10,人类心理学11- - - - - -14),智能电网,智能住宅(15),和智能办公室(16]。这些应用程序包括制定架构,集成了传感、存储、通信、处理和人机接口。在这种背景下,这手稿描述了一个架构,结合智能方面的办公室和人类心理学,这种体系结构的目的可以用来创建一个有益的和相互联系的办公环境,员工生产力可以实现其全部潜力。
这个词聪明的办公室一般适用于一个福利员工和组织的环境部署。员工的工作经验,一方面,和办公效率,另一方面,是提高。该领域的主要研究问题的领域属于通信、人机接口、高效的信息处理,办公室管理,适应服务和援助17,18]。
最近,压力检测和情感等方面检测,包括成智能办公室的上下文(19- - - - - -27]。识别员工的压力水平允许组织管理他们在早期阶段,它会影响性能,成为导致健康恶化。在全球范围内,所有工人,特别是卫生保健工作者更倾向于风险造成的压力。因为他们经常接触危险因素如工作要求高、低工作控制和高情感的参与(1)、高接触这些危险因素提高压力和心理健康投诉和背后的主要原因是可耻的工作表现(2]。这些抱怨也有其它不良方面像质量与病人互动和他的同事们3]。众所周知,中等和高心理压力增加了职场失败的可能性和减少职场成功的几率4]。
同样,情感探测系统地图在办公室员工的情绪状态与常规活动环境。这种方式由于方面的人类心理允许经理预测和分配适当的工作角色为员工(28- - - - - -30.]。角色分配可以进一步优化,最终提高生产力。本研究工作提出了使用一个额外的参数的形式资质为角色分配的工作。
能力是一个定性的天生的能力来执行一个特定任务更有效地比一个普通人,也反向与压力(31日,32]。它通常是量化的测试机制。测试标准和全球用于各种类型的专业能力评估。例子是GRE(研究生入学考试),GMAT(研究生管理入学考试),坐(学习能力倾向测验),和其他类似的测试。
这个研究工作进行量化通过脑电图因为它使得基于脑电图EEG信号,提出了一种检测资质的架构。我们最好的知识,才能作为参数纳入smart-office环境是小说。作为一个概念验证,分析技巧作为一个二进制的能力被认为是在这个系统。分析能力和智商水平,灵巧的数量方面,集体定义能力。这些额外的方面在未来将得到解决。在当前的范围,实现管道包括卷积神经网络(CNN),决策树(DT),再邻居(资讯),朴素贝叶斯(NB)、支持向量机(SVM)和long-short-term内存(LSTM)。这个研究报告使用LSTM最高94%的准确性。深层网络,它也提出了不同的拓扑和过滤器的脑电图信号。最后,一个aptitude-based脑电图数据集也是小说的贡献这手稿。
在剩下的手稿,文献综述部分给出2节中,提出系统和体系结构4,最后讨论的结果和结果部分5,紧随其后的是结论部分6。
2。文献综述
脑电图信号在大脑电活动的差异归因于神经元。信号表现为波模式可以使用EEG设备捕获(14,27,33]。波段代表大脑活动由于不同类型的兴奋剂,如感官使用、记忆、注意力和注意力,解决问题,放松,睡意,深度睡眠等(见表1)。一些兴奋剂会导致失踪的一个波段,但带宽的增加另一个(41]。脑电图信号和EEG设备形式在许多医疗应用的核心业务,包括检测痴呆和癫痫、睡眠障碍、压力或工作负载测量(39,41,42),和情感识别20.- - - - - -24,33]。后者应用情感探测和识别形成了一个核心组件在大脑智能办公室和计算机交互(BCI)。不同的研究人员作出了贡献情感探测和识别利用生理信号作为输入(见表2)。
分类精度最高的报道是99.5%,这是通过使用皮肤电活动(EDA)和心率(HR)信号的模糊逻辑分类器(39]。在这里,一个捕捉情感特质。两个情感特征(觉醒和帷幔),最大精度96.6%使用多通道信号使用标准的统计特性(22]。在这里,一个安作为分类器。有四个情感特征(快乐,愤怒,悲伤和快乐),最大精度95%使用标准的统计和entropy-based特性(20.]。在这里,线性判别分析作为分类器使用肌电图,心电图,负责信号。使用支持向量机精度是最高的报道(24在[]92%,紧随其后的是91%27]。前者使用多通道生理信号,而后者仅使用脑电图。在所有情况下,一系列的因素,包括数量的形态信号,特征集,和分类技术,有助于提高准确性。
作者在32]提出了建模能力;他们提供了基于信号的多通道系统如心率、皮肤温度、呼吸、皮肤电反应。他们已经设法实现精度高达96%使用多通道方法F1-score为0.91。本文提出的系统是基于encephalographic信号。据作者的知识,没有做过这样的工作。之前提出的系统的实现细节,简要介绍的工具用于实现部分3。
3所示。工具和方法
建立协作的设置使用Python和数据科学/数值库,这些库和相关的细节提供如下。值得一提的是,在实现完整的系统著名的NumPy包和各自的支持起到了非常重要的作用。
3.1。工具
不同的库和包下面,利用在提出系统的实际实现的验证和测试。(1)NumPy和熊猫。在Python中数组处理、数学计算和数据科学、特殊包NumPy和熊猫是利用。(2)h5py。这个库使用传统的批处理,使Python兼容HDF5格式的大量的数字数据。这个图书馆系统的负担在训练我们的模型,特别是在生理信号。(3)Matplotlib。这个库是用于生成和绘制不同的图形和图表可视化的结果由使用该系统。(4)Sklearn。这个工具作为主要构成部分代的混淆矩阵和其他相关指标。这些指标实际上帮助我们弄清楚我们的模型所产生的实际结果。这些指标也帮助验证生成结果的真实性和验证。(5)认为齿轮。它是图书馆提供的Neurosky蓝牙系统之间的连接和通信数据和MindWave移动脑电图装置。这个库采用通讯端口建立连接和沟通。(6)Neurosky MindWave移动脑电图耳机。这个耳机是用来捕捉脑电图信号由大脑大脑活动的结果。它是一个单通道的设备,能够提供12位原始EEG信号的采样率512赫兹和乐队3 - 100赫兹的范围。
部分4全面涵盖了更多细节。
3.2。数据集
该系统是一种新型的自主系统;因此,没有数据集。所以,需要完成的首要任务是收集和组织数据集提出系统通过适当的标签。收集相关数据集包含两类:“与分析技巧”和“没有分析能力。“收集这些数据,创建适当的实验装置,参与者分析推理测验来解决。解决测试时,我们的系统中收集数据;这些数据然后分配适当的标签,然后利用训练和验证我们的模型。参见图1描述总体结构的数据流中使用收集的数据集,而其余的细节提供了简单的部分4。可用性的数据,见第7节。
4所示。提出了系统
拟议的架构是由四个不同的层次如图2。第一层是传感器和通信层负责捕捉各种脑电图功率谱。传统头齿轮组成的多个电极和通道在真实的场景中是不可能实现的由于其制备和定位时间。此外,它是不舒服穿很长一段时间,需要训练有素的人员监督下使用。舒适和更便宜的商品硬件在过去十年已经开始流行。的例子是Neurosky MindWave移动脑电图耳机,普遍用于娱乐和游戏行业,以及儿童动作发展技能的发展。这耳机是一个单通道的设备,能够提供12位原始脑电图信号采样率512赫兹和乐队3 - 100赫兹的范围。在这种情况下,这个设备是一个服务器系统配置为使用想轮子库配置为使用Python。接收到的原始信号使用脑电图耳机构成这一层的输入和存储在CSV格式。
第二个预处理层负责清洁获得信号使用的DSP过滤器之前收购相关的特性。这是至关重要的,因为当EEG设备捕捉神经元活动,它还捕捉交叉噪音和其他电活动在邻近电极点(这可能包括肌肉活动)。由于EEG是一个复合信号,其组成α,β,γ、δ和θ波模式可以通过快速傅里叶变换的应用程序,紧随其后的是一个带通滤波器相关的频率范围。说明复杂的EEG信号的傅里叶变换后的图3,想象的和实际的部分信号叠加的振幅进行比较的目的。图3也显示了不同频段的表1。这里,频带的振幅减小指数作为他们的频率范围减少。这使得低频率范围容易产生噪音。交叉噪音的影响减轻均值滤波器的应用。小和地方噪声源(归因于目光闪烁,心跳加速,等等)被使用一个独立分量分析(ICA)过滤器,导致相同的振幅范围为所有频段(见图4)。需要原始信号存储在CSV文件(由传感器和通信层)作为输入,并执行必要的处理后存储在另一个CSV文件的输出。这个新生成的CSV文件然后美联储作为决策的输入层。的决定层熊三个子层:数据集,形态变换,决定子层。首先是数据集的子层。在这里,准备一个数据集,包括预处理信号及其相关的标签。这个数据集用于培训和各种机器学习模型作为输入。的地面实况数据集确定实验使用另一种工作流程和利用MindWave移动脑电图装置(见图1)。实验设计,在神经元活动的状态测量,而表现主题的分析任务。在讨论一些例子的分析任务42]。手头的工作,作者准备测试组成的问题分析部分国际GRE。解决这些问题然后给课题参与者在一个固定的时间间隔被附加到脑电图装置。测试得分之后,和一个阈值用于确定收购数据属于主体参与者与或没有分析能力。数据集还包括湿度等因素,环境噪声水平意味着,室温当时收购。地面真理是来自22至45岁的男性和女性候选人。候选人有正常的视觉和听觉,是免费的从任何类型的神经紊乱。在学习子层,然后正式用于训练模型分类使用的方案,诸如DT,资讯,支持向量机,NB, CNN, LSTM。资讯,支持向量机,DT,手工制作的频域特征是用来准备一个特征向量。包括最小、最大和平均频率,以及它们的标准差。鉴于脑电图包含五部分波段,这给了总共20手工特性。作者建立了CNN模型使用卷积(ReLU激活),max-pooling,辍学,密集,夷为平地,充分连接层与ReLU和Softmax激活函数(见图5)。LSTM模型包括平均池、密集夷为平地,辍学,和完全连接层与乙状结肠和双曲正切(棕褐色h(见图),激活功能6)。这些模型使用Keras和TensorFlow实现。
(一)
(b)
(c)
最后一层的体系结构输出层,验证了分类器的决策。接口的架构支持交流、转换、实时处理和分类。
5。结果与讨论
简洁的标签与和没有被视为分析技能积极的和负标签,分别。使用这个术语,评价可以基于真正的积极措施(TP),即,correctly identified positive labels, and True Negative (TN), i.e. correctly identified negative labels. In contrast, we also have False Positive (FP), i.e., positive labels identified as negative labels, and False Negative (FN), i.e., negative labels identified as positive labels. In addition, other metrics such as specificity, recall, precision, and F1-scores can also be formulated. The exact calculation of these measures is given in Table3。除了这些指标,为更好地理解分类概率,接受者操作特征(ROC)曲线也被计算。这是一个阴谋的真阳性率对假阳性(TPR)率(玻璃钢)。ROC曲线下的面积显示分类的概率模型。面积越大意味着更好的真阳性率和更好的分类模型的能力。我们可以看到在图7进行验证,十倍交叉验证技术是利用。所有无关的类标签的信号都是随机分配到十个大小相同的块。其中,培训是使用9块,执行,其余部分则用于验证。每个模型的过程是重复250年的时期。在每个时代的结束,等参数精度,验证丢失和混淆矩阵中提取。四个标签TP, FP、TN和FN然后获得这种混淆矩阵。随后,表中给出的分数3。
许多机器学习模型被用来执行分类中所描绘的一样(43,44),最大,最小,平均精度后250时代报道在表4。
为每个列出的四个标签前,混淆矩阵和成绩表3表中给出5和6,分别。
最好的结果是那些报道LSTM最大和平均验证的准确性为100%和75%,分别和一致的F1-score,精度和特异性的0.91,0.99,和0.99,分别。支持向量机提供最大精度为97%,而平均精度为92%。F1-score、精度和特异性相当收于0.93,0.93,和0.92,分别。然而,和DT提供最大精度为95%。他们的平均准确率为89%和90%(见图8)。然而,他们F1-score、精度和特异性很不到LSTM和支持向量机(见图9)。CNN的体系结构中使用这个手稿给了最高精度99%,但可怜的平均精度为54%。CNN的其他成绩也不一致。NB的成绩并不比其他模型由于高数据中的不变性。在这项研究中,提供了实现管道已经完成(见图10)。
6。结论
能力是一个天生的技能来执行一个特定任务轻松和完美。它不仅起着至关重要的对于提高产量,也调节员工工作环境的压力水平。本研究讨论利用能力来调节压力的工作环境。这是一个确定的事实,如果一个员工分配工作角色根据他的工作能力,它可以帮助减少压力和疲劳引起的工作角色分配不当,给。保持这一事实的观点,实现管道,利用脑电图信号的检测能力,提出了详细的实现。该管道测试不同类型的机器学习模型。我们的研究结果显示与LSTM好的结果,基于svm实现94%和97%的准确性,与F1-scores分别为0.91和0.93。在本研究工作中,我们的主要重点是分析技能的工人。对于未来的工作,双星系统可以扩大到包括贫穷,公平,好,好,和优秀的分析能力。等能力方面智商、灵巧和推理也可以为未来的工作。
数据可用性
这项工作中所使用的数据集是适当的数据属于机构。很快这个研究工作完成后,这些数据将向公众公开使用GitHub或任何其他可用资源。然而,与此同时,数据将提供在发送请求(电子邮件保护)。数据只能提供增强的研究在这一领域,请求者显然将提及的目的使请求数据。请求应使用一个机构提交的电子邮件。
的利益冲突
作者宣称没有利益冲突。