基於光體積描述訊號之長期監控心智負荷偵測系統

Abstract

隨著人類社會不斷進步，我們的生活品質獲得了提升，但同時心理健康問題如 憂鬱症、焦慮症等心理疾病相繼產生，並成為全世界需要面對的問題，而心理健康 相關問題的一大來源為工作壓力。心智負荷 (MentalWorkload) 被認為是個體可用 的資源量與作業情況所要求資源量之間的差異，較高的心智負荷意味在處理工作 時需消耗更大量的訊息處理能力，因此透過生理訊號評估心智負荷可即時反映工 作時的狀態，避免工作量超出自身負荷，並藉由生理訊號的長期監控維持心理健康。 然而，需達成長時間的監控必須透過穿戴式裝置，由於穿戴式裝置的便利性使 得活動不會受到限制，造成收錄到的訊號產生不穩定的情形，進而降低分類表現。 因此，我們在此論文提出了一個穩健的心理負荷偵測系統，透過基線飄移的去除及 非線性的特徵抽取提高對噪聲的容忍度。接著基於原本的系統，開發了針對光體積 描述訊號的輔助前處理系統，藉由心電訊號的標記及機器學習的輔助，能夠準確的 識別穿戴式中常見的運動偽影並進行去除，大幅降低穿戴式裝置不穩定所產生的 誤差。接著，將針對此誤差進行評估，在特徵值產生誤差的情況下，勢必會使分類 器產生不確定性，本文針對此不確定性提出了一個評估系統，將此不確定性量化為 可能分類錯誤的機率，藉此找出一些高機率分類錯誤的資料並將其去除，進而減少 誤判的情形。在此架構下，用於穿戴式裝置的光體積描述訊號的分類準確度可以大 幅提升，並能逼近心電訊號的分類表現。