|
Stres, modern toplumdaki en büyük sorunlardan biridir. İnsanların yüksek stres altında olup olmadıklarını fark etmeleri pek mümkün olmayabilir. Stresin erken ve göze çarpmayan bir şekilde tespit edilmesi önemlidir. Bu kapsamda stres tespiti bir sınıflandırma problemi olarak ele alınabilir.
Bu tez çalışmasında, akıllı telefonun dokunmatik panel, ivmeölçer ve jiroskop algılayıcıları verileri kullanılarak, kullanıcının yazma davranışları üzerinden stresli olup olmadığının tespit edilmesi araştırılmıştır. Bu kapsamda 110 katılımcıdan 2 durumu (stres ve sakin) içeren akıllı telefon verileri toplanmıştır. Elde edilen algılayıcı sinyalleri 5, 10 ve 15 saniyelik pencerelere bölünerek 3 farklı veri kümesi oluşturulmuştur. Ham verilerden 172 adet öznitelik çıkartılmıştır. Sonrasında Mahalanobis uzaklığı tabanlı bir yaklaşım ile aykırı değerli veriler bulunup veri kümesinden silinmiştir. Devamında, daha etkili öznitelik alt kümelerini elde etmek için Kazanç Oranı, Korelasyon tabalı öznitelik seçimi ve ReliefF algoritmaları kullanılarak öznitelikler derecelendirilmiştir. Sonrasında yazma davranışları, yaygın olarak kullanılan C4.5, kNN, Bayes Ağları, Lojistik Regresyon ve Destek Vektör Makineleri yöntemleri ile sınıflandırılmıştır. Temel sınıflandırma yöntemlerine ek olarak sınıflandırıcı topluluklarından Rastgele Alt Uzay, Rastgele Orman ve İstifleme yöntemlerinin başarıları test edilmiştir. Ayrıca, Temel Bileşen Analizi ve Manifold Öğrenme yöntemleri ile veri kümelerinin boyutları indirgenmiş ve sınıflandırma performansına etkileri incelenmiştir. Verimli öznitelik alt kümelerine karar verilmesi için ayrıca Genetik Algoritmalar tabanlı melez bir yapı oluşturulmuştur. Deneyler sonucunda en başarılı sınıflandırma aykırı verileri temizlenmiş, 15 saniye pencere uzunluğunda oluşturulan veri kümesi kullanılarak Genetik Algoritmalar tarafından seçilen öznitelikler ile kNN yönteminden elde edilmiştir.
Stres, özellikle zaman kısıtlaması olan işlerde kişiyi motive eden bir unsur olsa da fazla miktarda strese maruz kalmak kişiye zarar vermektedir. Bu nedenle stresin gözetim altında tutulması ve rahatlama yoluna gidilmesi önemli bir adımdır. Buna bağlı olarak, stresi tespit edebilen ve sonrasında kullanıcının rahatlamasına yardımcı olacak bir mobil uygulama geliştirilmiştir. Bu uygulama rahatlatıcı görseller, müzikler ve nefes egzersizleri içermektedir.
|
|
Stress is one of the biggest problems in modern society. People may not be able to realize whether they are under high stress. It is important to detect stress early and inconspicuously. In this context, stress detection can be considered a classification problem.
In this thesis, it was investigated whether the user is stressed through typing behaviors by using the data of the smartphone's touchscreen panel, accelerometer, and gyroscope sensors. In this context, smartphone data including 2 states (stress and calm) were collected from 110 participants. The obtained sensor signals were divided into 5, 10, and 15-second windows, and 3 different datasets were created. 172 features were extracted from the raw data. Then, outlier data were detected and cleaned from the dataset with a Mahalanobis distance-based approach. Subsequently, the features were ranked using the Gain Ratio, Correlation-based feature selection, and ReliefF algorithms to obtain more effective feature subsets. Afterward, the typing behaviors were classified by the commonly used C4.5, kNN, Bayesian Networks, Logistic Regression, and Support Vector Machines methods. In addition to the base classification methods, the success of Random Subspace, Random Forest, and Stacking methods, which are among the ensemble classifier, were tested. Moreover, the dimensions of the datasets were reduced with Principal Component Analysis and Manifold Learning methods, and their effects on classification performance were examined. A hybrid structure based on Genetic Algorithms was also created to decide on efficient feature subsets. As a result of the experiments, the most successful classification was obtained from the kNN method with the features selected by the Genetic Algorithms and using the dataset, which was created with a 15-second window length, and the outlier data were cleaned.
Although stress is a motivating factor, especially in time-limited works, being exposed to excessive amounts of stress harms the person. For this reason, keeping stress under control and seeking relaxation methods is an important step. Accordingly, a mobile application was developed that can detect stress and then help the user relax. This app contains relaxing visuals, kinds of music, and breathing exercises. |
