Stress State Evaluation by an Improved Support Vector Machine
Effective methods of evaluation of the psychological pressure can detect and assess realtime stress states, warning people to pay necessary attention to their health. This study is
 focused on the stress assessment issue using an improved support vector machine (SVM)
 algorithm on th...
Saved in:
| Published in: | Нейрофизиология |
|---|---|
| Date: | 2016 |
| Main Authors: | , , , , , |
| Format: | Article |
| Language: | English |
| Published: |
Інститут фізіології ім. О.О. Богомольця НАН України
2016
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/148339 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Stress State Evaluation by an Improved Support Vector Machine / L. Xin, Ch. Zetao, Zh. Yunpeng, X. Jiali, W. Shuicai, Z. Yanjun // Нейрофизиология. — 2016. — Т. 48, № 2. — С. 96-102. — Бібліогр.: 15 назв. — англ. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862589215459508224 |
|---|---|
| author | Xin, L. Zetao, Ch. Yunpeng, Zh. Jiali, X. Shuicai, W. Yanjun, Z. |
| author_facet | Xin, L. Zetao, Ch. Yunpeng, Zh. Jiali, X. Shuicai, W. Yanjun, Z. |
| citation_txt | Stress State Evaluation by an Improved Support Vector Machine / L. Xin, Ch. Zetao, Zh. Yunpeng, X. Jiali, W. Shuicai, Z. Yanjun // Нейрофизиология. — 2016. — Т. 48, № 2. — С. 96-102. — Бібліогр.: 15 назв. — англ. |
| collection | DSpace DC |
| container_title | Нейрофизиология |
| description | Effective methods of evaluation of the psychological pressure can detect and assess realtime stress states, warning people to pay necessary attention to their health. This study is
focused on the stress assessment issue using an improved support vector machine (SVM)
algorithm on the base of surface electromyographic signals. After the samples were clustered,
the cluster results were given to the loss function of the SVM to screen training samples. With
the imbalance amongst the training samples after screening, a weight was given to the loss
function to reduce the prediction tendentiousness of the classifier and, therefore, to decrease
the error of the training sample and make up for the influence of the unbalanced samples.
This improved the algorithm, increased the classification accuracy from 73.79% to 81.38%,
and reduced the running time from 1973.1 to 540.2 sec. Experimental results show that this
algorithm can help to effectively avoid the influence of individual differences on a stress
appraisal effect and to reduce the computational complexity during the training phase of the
classifier
Ефективні методи визначення ступеня психологічного
тиску можуть забезпечувати виявлення та оцінку стресових
станів у реальному часі, примушуючи людей приділяти
необхідну увагу їх здоров’ю. Метою нашого дослідження
було оцінити стан стресу з використанням покращеного
методу опорних векторів (SVM), базуючись на відведенні поверхневих електроміограм. Після того, як зразки даних були кластеризовані, результати передавалися до функції розділення SVM для того, щоб представити тренувальні
зразки. Після встановлення дисбалансу між тренувальними
зразками після скринінга для функції розділення надавався
параметр ваги для зменшення тенденційності прогнозування
класифікатора і, таким чином, зменшення похибки
тренувального зразка і впливу незбалансованих зразків. Це
покращувало алгоритм, підвищувало точність класифікації
від 73.79 до 81.38 % та зменшувало час обробки від 1973.1
до 540.2 с. Результати експериментів показали, що даний
алгоритм може допомогти ефективно уникнути впливу
індивідуальних відмінностей на оцінювання стресу та
зменшити складність комп’ютерних розрахунків у перебігу
тренувальної фази діяльності класифікатора.
|
| first_indexed | 2025-11-27T02:27:47Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-148339 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0028-2561 |
| language | English |
| last_indexed | 2025-11-27T02:27:47Z |
| publishDate | 2016 |
| publisher | Інститут фізіології ім. О.О. Богомольця НАН України |
| record_format | dspace |
| spelling | Xin, L. Zetao, Ch. Yunpeng, Zh. Jiali, X. Shuicai, W. Yanjun, Z. 2019-02-18T10:24:22Z 2019-02-18T10:24:22Z 2016 Stress State Evaluation by an Improved Support Vector Machine / L. Xin, Ch. Zetao, Zh. Yunpeng, X. Jiali, W. Shuicai, Z. Yanjun // Нейрофизиология. — 2016. — Т. 48, № 2. — С. 96-102. — Бібліогр.: 15 назв. — англ. 0028-2561 https://nasplib.isofts.kiev.ua/handle/123456789/148339 616.891 Effective methods of evaluation of the psychological pressure can detect and assess realtime stress states, warning people to pay necessary attention to their health. This study is
 focused on the stress assessment issue using an improved support vector machine (SVM)
 algorithm on the base of surface electromyographic signals. After the samples were clustered,
 the cluster results were given to the loss function of the SVM to screen training samples. With
 the imbalance amongst the training samples after screening, a weight was given to the loss
 function to reduce the prediction tendentiousness of the classifier and, therefore, to decrease
 the error of the training sample and make up for the influence of the unbalanced samples.
 This improved the algorithm, increased the classification accuracy from 73.79% to 81.38%,
 and reduced the running time from 1973.1 to 540.2 sec. Experimental results show that this
 algorithm can help to effectively avoid the influence of individual differences on a stress
 appraisal effect and to reduce the computational complexity during the training phase of the
 classifier Ефективні методи визначення ступеня психологічного
 тиску можуть забезпечувати виявлення та оцінку стресових
 станів у реальному часі, примушуючи людей приділяти
 необхідну увагу їх здоров’ю. Метою нашого дослідження
 було оцінити стан стресу з використанням покращеного
 методу опорних векторів (SVM), базуючись на відведенні поверхневих електроміограм. Після того, як зразки даних були кластеризовані, результати передавалися до функції розділення SVM для того, щоб представити тренувальні
 зразки. Після встановлення дисбалансу між тренувальними
 зразками після скринінга для функції розділення надавався
 параметр ваги для зменшення тенденційності прогнозування
 класифікатора і, таким чином, зменшення похибки
 тренувального зразка і впливу незбалансованих зразків. Це
 покращувало алгоритм, підвищувало точність класифікації
 від 73.79 до 81.38 % та зменшувало час обробки від 1973.1
 до 540.2 с. Результати експериментів показали, що даний
 алгоритм може допомогти ефективно уникнути впливу
 індивідуальних відмінностей на оцінювання стресу та
 зменшити складність комп’ютерних розрахунків у перебігу
 тренувальної фази діяльності класифікатора. This work was supported by the funding
 project for outstanding experts go abroad in the Hebei province
 and the key project in department of education of the Hebei
 province. en Інститут фізіології ім. О.О. Богомольця НАН України Нейрофизиология Stress State Evaluation by an Improved Support Vector Machine Оцінка стресового стану за допомогою покращеного методу опорних векторів Article published earlier |
| spellingShingle | Stress State Evaluation by an Improved Support Vector Machine Xin, L. Zetao, Ch. Yunpeng, Zh. Jiali, X. Shuicai, W. Yanjun, Z. |
| title | Stress State Evaluation by an Improved Support Vector Machine |
| title_alt | Оцінка стресового стану за допомогою покращеного методу опорних векторів |
| title_full | Stress State Evaluation by an Improved Support Vector Machine |
| title_fullStr | Stress State Evaluation by an Improved Support Vector Machine |
| title_full_unstemmed | Stress State Evaluation by an Improved Support Vector Machine |
| title_short | Stress State Evaluation by an Improved Support Vector Machine |
| title_sort | stress state evaluation by an improved support vector machine |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/148339 |
| work_keys_str_mv | AT xinl stressstateevaluationbyanimprovedsupportvectormachine AT zetaoch stressstateevaluationbyanimprovedsupportvectormachine AT yunpengzh stressstateevaluationbyanimprovedsupportvectormachine AT jialix stressstateevaluationbyanimprovedsupportvectormachine AT shuicaiw stressstateevaluationbyanimprovedsupportvectormachine AT yanjunz stressstateevaluationbyanimprovedsupportvectormachine AT xinl ocínkastresovogostanuzadopomogoûpokraŝenogometoduopornihvektorív AT zetaoch ocínkastresovogostanuzadopomogoûpokraŝenogometoduopornihvektorív AT yunpengzh ocínkastresovogostanuzadopomogoûpokraŝenogometoduopornihvektorív AT jialix ocínkastresovogostanuzadopomogoûpokraŝenogometoduopornihvektorív AT shuicaiw ocínkastresovogostanuzadopomogoûpokraŝenogometoduopornihvektorív AT yanjunz ocínkastresovogostanuzadopomogoûpokraŝenogometoduopornihvektorív |