Využití rekurentních grafů pro potřeby hodnocení stresové zátěže z EKG záznamu

Abstract

Rekurentní grafy jsou stále populárnější metodou analýzy nelineárních dat, která má mnoho využití, mimo jiné v biomedicíně, kybernetické bezpečnosti a strojírenství, kde pomáhá identifikovat opakující se vzory v systémech. Elektrokardiograf (EKG) je jednou z nejméně invazivních metod, přičemž jeho nejčastěji analyzovanou částí je vzdálenost mezi jednotlivými údery srdce, kterou lze měřit i pomocí chytrých hodinek. Cílem této práce je zjistit, zda má použití rekurentních grafů smysl při klasifikaci stresu z dat EKG. Porovnali jsme také několik modelů strojového učení při použití pouze HRV příznaků s modely využívajícími HRV ve spojení s příznaky rekurentní kvantifikační analýzy (RQA) generovanými pomocí dvou různých sad parametrů. Zjistili jsme určitý vztah mezi příznaky RQA a stresovým stavem subjektu a také určité statisticky významné rozdíly mezi příznaky RQA v závislosti na stresovém stavu. Příznaky RQA pomohly klasifikaci jen minimálně ve srovnání s modely bez nich, navíc jsme nebyli schopni klasifikovat stres přímo z obrázků rekurentních grafů.

Recurrence plots are an increasingly popular method for the analysis of nonlinear data that has many uses, among others, in the biomedical, cybersecurity, and mechanical fields, helping identify patterns in systems. The electrocardiograph (ECG) is one of the least invasive methods, the most frequently analyzed part being the distance between heartbeats, which can even be measured with a smart wristwatch. The aim of this thesis is to find out whether the use of recurrent plots makes sense when classifying stress from ECG data. We also compared multiple machine learning models when using only HRV features with models using HRV in conjunction with Recurrence Quantification Analysis (RQA) features generated using two different sets of parameters. We found some relationship between the RQA features and the stress condition of a subject, as well as some statistically significant differences between the RQA features depending on the stress condition. The RQA features helped classification only minimally when compared to models without, furthermore, we were not able to classify stress directly from the recurrence plot images.