Data set

WESAD

Taille : 63000000 d’instances / 12 attributs

CHEST

• ACC
• BVP  
• EDA 
• TEMP  

WRIST

• ACC 
• ECG 
•  EDA 
•  EMG 
•  RESP  
•  TEMP 

LABEL

• 0 : Etat transitoire
• 1 : Etat de base
• 2 : Etat de stress 
• 3 : Etat d'amusement
• 4 : Etat de méditation
• 5,6,7 : à ignorer

Prétraitement

• Conversion des fichiers .pkl en .csv .
• Concaténation des fichiers des 15 sujets en un unique fichier
• Synchronisation des colonnes à 4 Hz

    INPUT

• Normalisation

TARGET

•  Suppression des labels à ignorer (5,6 et 7)
• Encodage 1 parmi k (onehot)

• Partitionnement des données

1. 307721 instances pour 6 colonnes en input et 5 colonnes en output.

2. 67 % des données seront dédiées a l’entrainement, et a la validation

3. 33 % seront consacrées aux tests

Apprentissage

• Déterminer un encodage approprié
• Architecture utilisée :
  • 1 couche cachée - 5 neurones - softmax

• Encodages testés :
  • Sans encodage
  • One-Hot encoding

Phase préliminaire

• Déterminer les meilleurs fonctions d'activations
• Architecture utilisée :
  • 1 couche cachée - 5 neurones - softmax
  • 8 epochs

• Fonctions d'activation testées :
  • Tanh
  • Sigmoid
  • Softmax

Phase 1

• Déterminer la meilleure architecture et fonctions d'apprentissage 

• Fonctions d'apprentissage testées :
  • adam
  • adagrad
  • adadelta
  • sgd

• Intervalle de nombres de neurones :
  • [ 5, 10, 20, 40, 50, 80, 100 ]
•  Nombre maximum de couches :
  • 9

Phase 2

• Affiner la recherche

• Architecture testée :
  • 5 x 100 neurones 

• Fonction d'activation  :
  •  sigmoid

• Taux d'apprentissage :
  • 0.1
  • 0.01
  • 0.001

• Fonction d'apprentissage  :
  •  adam

Phase 3

Application

Developpement

Front-end

• Html5/CSS3/JS
• Bootstrap
• AnyChart.js

Back-end

• PHP
• Python

Ajax

Application web

Comment ça marche ?

Employé

Administrateur

Back-end

Model

Interface

5. Afficher

1. Instance