{"id":{"repo_id":"brno-tech","oai_identifier":"oai:dspace.vut.cz:11012/258400"},"canonical_url":"https://search.dev.ndltd.org/etd/brno-tech/oai:dspace.vut.cz:11012/258400","repository":{"repo_id":"brno-tech","name":"Brno University of Technology","base_url":"https://dspace.vut.cz/oai/request"},"display":{"title":"Detekce stresu s využitím biologických a enviromentálních dat","abstract":"Tato bakalářská práce se zabývá problematikou objektivní detekce stresu prostřednictvím analýzy fyziologických signálů z nositelných senzorů. V teoretické části je popsána psychofyziologie stresové reakce, zejména aktivace sympato-adreno-medulární (SAM) a hypotalamo-hypofyzárně-nadledvinové (HPA) osy, a jejich projev v biologických markerech, jako jsou variabilita srdeční frekvence (HRV), elektrodermální aktivita (EDA) a respirační parametry. Pro experimentální část byla zvolena multimodální databáze WESAD, která obsahuje synchronizovaná data z hrudního pásu RespiBAN a zápěstního zařízení Empatica E4. Praktická část práce zahrnuje předzpracování signálů pomocí Butterworthových filtrů a následnou extrakci 47 příznaků. Statistická analýza pomocí t-testu identifikovala 26 významných markerů vykazujících signifikantní rozdíly mezi stresovou a klidovou fází. Z této skupiny byla následně na základě korelační analýzy (prahová hodnota R >0,85) vybrána finální sada 17 nezávislých prediktorů. V rámci klasifikace byly porovnány modely Random Forest, SVM a XGBoost, přičemž všechny dosáhly srovnatelné úspěšnosti (průměrnou přesnost přesahující 90 %). Pro další analýzu byl zvolen algoritmus Random Forest, a to zejména pro jeho vysokou odolnost vůči šumu a transparentní interpretovanost příznaků. Navržený systém byl validován metodou Leave-One-Subject-Out a testován na nezávislém datasetu WAUC, kde po aplikaci transfer learningu s 20% kalibrací dosáhl přesnosti 80,58 %.","abstract_html":"Tato bakalářská práce se zabývá problematikou objektivní detekce stresu prostřednictvím analýzy fyziologických signálů z nositelných senzorů. V teoretické části je popsána psychofyziologie stresové reakce, zejména aktivace sympato-adreno-medulární (SAM) a hypotalamo-hypofyzárně-nadledvinové (HPA) osy, a jejich projev v biologických markerech, jako jsou variabilita srdeční frekvence (HRV), elektrodermální aktivita (EDA) a respirační parametry. Pro experimentální část byla zvolena multimodální databáze WESAD, která obsahuje synchronizovaná data z hrudního pásu RespiBAN a zápěstního zařízení Empatica E4. Praktická část práce zahrnuje předzpracování signálů pomocí Butterworthových filtrů a následnou extrakci 47 příznaků. Statistická analýza pomocí t-testu identifikovala 26 významných markerů vykazujících signifikantní rozdíly mezi stresovou a klidovou fází. Z této skupiny byla následně na základě korelační analýzy (prahová hodnota R >0,85) vybrána finální sada 17 nezávislých prediktorů. V rámci klasifikace byly porovnány modely Random Forest, SVM a XGBoost, přičemž všechny dosáhly srovnatelné úspěšnosti (průměrnou přesnost přesahující 90 %). Pro další analýzu byl zvolen algoritmus Random Forest, a to zejména pro jeho vysokou odolnost vůči šumu a transparentní interpretovanost příznaků. Navržený systém byl validován metodou Leave-One-Subject-Out a testován na nezávislém datasetu WAUC, kde po aplikaci transfer learningu s 20% kalibrací dosáhl přesnosti 80,58 %.","abstract_has_math":false,"creators":["Valoušková, Miroslava"],"institution":"Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Vítek, Martin"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-24T01:22:29Z","subjects":["Stres","biologické signály","environmentální signály","multimodální data","detekce","biologické markery","WESAD","WAUC","Random Forest","XGBoost","SVM","Stress","biological signals","environmental signals","multimodal data","detection","biological markers","Random Forest. XGBoost"],"languages":["cs"],"rights":["Standardní licenční smlouva - přístup k plnému textu bez omezení"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["175746"],"render_values":[{"text":"175746","href":null,"code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/11012/258400","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Vítek, Martin"]},{"key":"dc:creator","label":"Author","values":["Valoušková, Miroslava"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:publisher","label":"Institution","values":["Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií"]},{"key":"dc:type","label":"Dc Type","values":["Text"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Bc."]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Stres","biologické signály","environmentální signály","multimodální data","detekce","biologické markery","WESAD","WAUC","Random Forest","XGBoost","SVM","Stress","biological signals","environmental signals","multimodal data","detection","biological markers","Random Forest. XGBoost"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["cs"]},{"key":"dc:rights","label":"Dc Rights","values":["Standardní licenční smlouva - přístup k plnému textu bez omezení"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["175746"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/11012/258400"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Tato bakalářská práce se zabývá problematikou objektivní detekce stresu prostřednictvím analýzy fyziologických signálů z nositelných senzorů. V teoretické části je popsána psychofyziologie stresové reakce, zejména aktivace sympato-adreno-medulární (SAM) a hypotalamo-hypofyzárně-nadledvinové (HPA) osy, a jejich projev v biologických markerech, jako jsou variabilita srdeční frekvence (HRV), elektrodermální aktivita (EDA) a respirační parametry. Pro experimentální část byla zvolena multimodální databáze WESAD, která obsahuje synchronizovaná data z hrudního pásu RespiBAN a zápěstního zařízení Empatica E4. Praktická část práce zahrnuje předzpracování signálů pomocí Butterworthových filtrů a následnou extrakci 47 příznaků. Statistická analýza pomocí t-testu identifikovala 26 významných markerů vykazujících signifikantní rozdíly mezi stresovou a klidovou fází. Z této skupiny byla následně na základě korelační analýzy (prahová hodnota R >0,85) vybrána finální sada 17 nezávislých prediktorů. V rámci klasifikace byly porovnány modely Random Forest, SVM a XGBoost, přičemž všechny dosáhly srovnatelné úspěšnosti (průměrnou přesnost přesahující 90 %). Pro další analýzu byl zvolen algoritmus Random Forest, a to zejména pro jeho vysokou odolnost vůči šumu a transparentní interpretovanost příznaků. Navržený systém byl validován metodou Leave-One-Subject-Out a testován na nezávislém datasetu WAUC, kde po aplikaci transfer learningu s 20% kalibrací dosáhl přesnosti 80,58 %.","This bachelor thesis focuses on the objective detection of psychological stress through the analysis of physiological signals from wearable sensors. The theoretical part describes the psychophysiology of the stress response, particularly the activation of the sympatho-adreno-medullary (SAM) and hypothalamo-pituitary-adrenal (HPA) axes, and their manifestation in biological markers such as heart rate variability (HRV), electrodermal activity (EDA), and respiratory parameters. For the experimental part, the multimodal WESAD database was selected, containing synchronized data from the RespiBAN chest strap and the Empatica E4 wrist device. The practical part includes signal preprocessing using Butterworth filters and the subsequent extraction of more 47 features. Statistical analysis using t-test identified 26 significant markers showing significant differences between stress and rest phases. From this group, a final set of 17 independent predictors was subsequently selected on correlation analysis (threshold R >0,85). For classification, Random Forest, SVM, and XGBoost models were compared, with all achieving comparable performance (average accuracy exceeding 90 %). The Random Forest algoritm was chosen for further analysis, primarily due to its high resistence to noice and transparent interpretability of its features. The proposed system was validated using the Leave-One-Subject-Out method and tested on the independent WAUC dataset, where it reached an accuracy of 80.58 % after applying transfer learning with 20% calibration."]},{"key":"dc:title","label":"Title","values":["Detekce stresu s využitím biologických a enviromentálních dat"]}]}],"canonical_facts":{"dc:contributor.advisor":["Vítek, Martin"],"dc:creator":["Valoušková, Miroslava"],"dc:description.abstract":["Tato bakalářská práce se zabývá problematikou objektivní detekce stresu prostřednictvím analýzy fyziologických signálů z nositelných senzorů. V teoretické části je popsána psychofyziologie stresové reakce, zejména aktivace sympato-adreno-medulární (SAM) a hypotalamo-hypofyzárně-nadledvinové (HPA) osy, a jejich projev v biologických markerech, jako jsou variabilita srdeční frekvence (HRV), elektrodermální aktivita (EDA) a respirační parametry. Pro experimentální část byla zvolena multimodální databáze WESAD, která obsahuje synchronizovaná data z hrudního pásu RespiBAN a zápěstního zařízení Empatica E4. Praktická část práce zahrnuje předzpracování signálů pomocí Butterworthových filtrů a následnou extrakci 47 příznaků. Statistická analýza pomocí t-testu identifikovala 26 významných markerů vykazujících signifikantní rozdíly mezi stresovou a klidovou fází. Z této skupiny byla následně na základě korelační analýzy (prahová hodnota R >0,85) vybrána finální sada 17 nezávislých prediktorů. V rámci klasifikace byly porovnány modely Random Forest, SVM a XGBoost, přičemž všechny dosáhly srovnatelné úspěšnosti (průměrnou přesnost přesahující 90 %). Pro další analýzu byl zvolen algoritmus Random Forest, a to zejména pro jeho vysokou odolnost vůči šumu a transparentní interpretovanost příznaků. Navržený systém byl validován metodou Leave-One-Subject-Out a testován na nezávislém datasetu WAUC, kde po aplikaci transfer learningu s 20% kalibrací dosáhl přesnosti 80,58 %.","This bachelor thesis focuses on the objective detection of psychological stress through the analysis of physiological signals from wearable sensors. The theoretical part describes the psychophysiology of the stress response, particularly the activation of the sympatho-adreno-medullary (SAM) and hypothalamo-pituitary-adrenal (HPA) axes, and their manifestation in biological markers such as heart rate variability (HRV), electrodermal activity (EDA), and respiratory parameters. For the experimental part, the multimodal WESAD database was selected, containing synchronized data from the RespiBAN chest strap and the Empatica E4 wrist device. The practical part includes signal preprocessing using Butterworth filters and the subsequent extraction of more 47 features. Statistical analysis using t-test identified 26 significant markers showing significant differences between stress and rest phases. From this group, a final set of 17 independent predictors was subsequently selected on correlation analysis (threshold R >0,85). For classification, Random Forest, SVM, and XGBoost models were compared, with all achieving comparable performance (average accuracy exceeding 90 %). The Random Forest algoritm was chosen for further analysis, primarily due to its high resistence to noice and transparent interpretability of its features. The proposed system was validated using the Leave-One-Subject-Out method and tested on the independent WAUC dataset, where it reached an accuracy of 80.58 % after applying transfer learning with 20% calibration."],"dc:identifier.other":["175746"],"dc:identifier.uri":["http://hdl.handle.net/11012/258400"],"dc:language.iso":["cs"],"dc:publisher":["Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií"],"dc:rights":["Standardní licenční smlouva - přístup k plnému textu bez omezení"],"dc:subject":["Stres","biologické signály","environmentální signály","multimodální data","detekce","biologické markery","WESAD","WAUC","Random Forest","XGBoost","SVM","Stress","biological signals","environmental signals","multimodal data","detection","biological markers","Random Forest. XGBoost"],"dc:title":["Detekce stresu s využitím biologických a enviromentálních dat"],"dc:type":["Text"],"thesis:institution_name":["Bc."]},"updated_at":"2026-07-24T01:22:29Z"}