SELF-SUPERVISED LEARNING FOR ACUTE STRESS DETECTION IN ELECTROCARDIOGRAMS

Abstract

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.