SELF-SUPERVISED LEARNING FOR ACUTE STRESS DETECTION IN ELECTROCARDIOGRAMS

Abstract

Este estudio presenta un modelo basado en transformadores para la detección de estrés mediante señales de electrocardiograma (ECG) de una sola derivación. El modelo combina aprendizaje auto-supervisado y la arquitectura de transformadores, procesando datos de ECG en bruto y asegurando explicabilidad a través de saliency maps, utilizando el conjunto de datos WESAD.

El estrés es un problema global creciente, y la tecnología wearable, como los sensores de ECG, ofrece una solución prometedora para su análisis. Los transformadores superan a las Redes Neuronales Convolucionales (CNN) en el manejo de datos secuenciales y la captura de dependencias a largo plazo.

El método propuesto usa un entrenamiento en dos etapas: preentrenamiento auto-supervisado y ajuste fino. En la primera etapa, el modelo predice partes ocultas de la señal de ECG, mejorando su capacidad para manejar datos reales. En la segunda etapa, se ajusta el encoder preentrenado y un nuevo decoder para la detección de estrés.

Múltiples configuraciones del modelo, variando la duración de la señal y el número de capas del transformer encoder, mostraron resultados de vanguardia en el conjunto de datos WESAD. Los saliency maps visualizan el proceso de toma de decisiones del modelo, alineándose con indicadores médicos de estrés.

Este estudio demuestra la efectividad del aprendizaje auto-supervisado en la detección de estrés basada en ECG y propone expandir el conjunto de datos, desplegar el modelo en escenarios reales, reducir la complejidad y explorar otros métodos de optimización.

Here is the translation to English:

---

This study presents a transformer-based model for stress detection using single-lead electrocardiogram (ECG) signals. The model combines self-supervised learning and transformer architecture, processing raw ECG data and ensuring explainability through saliency maps, utilizing the WESAD dataset.

Stress is a growing global problem, and wearable technology, such as ECG sensors, offers a promising solution for its analysis. Transformers outperform Convolutional Neural Networks (CNNs) in handling sequential data and capturing long-term dependencies.

The proposed method uses a two-stage training approach: self-supervised pretraining and fine-tuning. In the first stage, the model predicts hidden parts of the ECG signal, enhancing its ability to handle real-world data. In the second stage, the pretrained encoder is fine-tuned along with a new decoder for stress detection.

Multiple model configurations, varying the signal duration and the number of transformer encoder layers, showed state-of-the-art results on the WESAD dataset. The saliency maps visualize the model’s decision-making process, aligning with medical indicators of stress.

This study demonstrates the effectiveness of self-supervised learning in ECG-based stress detection and proposes expanding the dataset, deploying the model in real-world scenarios, reducing complexity, and exploring other optimization methods.