Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/11531/86488
Título : | SELF-SUPERVISED LEARNING FOR ACUTE STRESS DETECTION IN ELECTROCARDIOGRAMS |
Autor : | Ruíz González, Berta López López, Álvaro Jesús Barragán Castro, Francisco Universidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI) |
Fecha de publicación : | 2024 |
Resumen : | La integración de modelos de aprendizaje profundo y sensores IoT está marcando el comienzo de una nueva era de avances, con profundas implicaciones para las industrias de la salud y la automoción. En este proyecto, exploramos el potencial de modelos basados en transformers para la detección de estrés utilizando señales de electrocardiograma (ECG) en vehículos. Optimizamos los procesos de entrenamiento y la arquitectura del modelo, demostrando la efectividad del aprendizaje auto-supervisado para tales tareas. Además, se realiza un estudio interpretativo para entender los mecanismos médicos detrás del éxito del modelo, cerrando la brecha entre teoría y práctica. Nuestra contribución representa un enfoque integral para aplicar modelos basados en transformadores en la detección de estrés a partir de señales ECG, logrando resultados de vanguardia para el conjunto de datos WESAD. The integration of deep learning models and IoT sensors is heralding the onset of a new era of advancements, with profound implications for the health and automotive industries. In this project, we explore the potential of transformer-based models for stress detection using electrocardiogram (ECG) signals in vehicles. We optimize training processes and the model's architecture, demonstrating the effectiveness of self-supervised learning for such tasks. Furthermore, we conducted an interpretative study to understand the medical mechanisms behind the model's success, bridging the gap between theory and practice. Our contribution represents a comprehensive approach to applying transformer-based models in stress detection from ECG signals, achieving state-of-the-art results for the WESAD dataset. |
Descripción : | Máster Universitario en Ingeniería Industrial + Máster en Industria Conectada / in Smart Industry |
URI : | http://hdl.handle.net/11531/86488 |
Aparece en las colecciones: | TFG, TFM (temporales) |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
TFM - Barragan Castro, Francisco.pdf | Trabajo Fin de Máster | 3,86 MB | Adobe PDF | Visualizar/Abrir |
ANEXO I (2).pdf | Autorización | 541,91 kB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.