Système de détection de stress au bureau
Problématique
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
-
307721 instances pour 6 colonnes en input et 5 colonnes en output.
-
67 % des données seront dédiées a l’entrainement, et a la validation
-
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
2. Input
3. Output
4. Resultat
5. Afficher
1. Instance
FIN
Merci
Système de détection de stress au bureau
By Soheib Boudali
Système de détection de stress au bureau
- 224