وحید قاسمی

فشار عصبی یک پاسخ فیزیولوژیکی و روانی به شرایط چالش‌برانگیز است که در صورت عدم مدیریت صحیح، می‌تواند به مشکلات جدی سلامت منجر شود. با گسترش استفاده از حسگرهای پوشیدنی، امکان جمع‌آوری داده‌های فیزیولوژیکی به صصورت بلادرنگ فراهم شده و زمینه را برای بازشناسی دقیق فشار عصبی از طریق الگوریتم‌های یادگیری ماشین فراهم کرده است. در این پژوهش رویکردی جدید برای بازشناسی سطح فشار عصبی ارائه شده است، بدین منظور داده‌های چندکاناله فیزیولوژیکی که از حسگرهای پوشیدنی مختلف شامل Empatica E4 و RespiBAN به دست آمده‌اند، پنجره‌گذاری شده و برای آموزش شبکه عصبی ترنسفورمر استفاده شده‌اند. باتوجه ‌به اینکه یکی از چالش‌های شبکه عصبی ترنسفورمر تنظیم ابر پارامترهای این ساختار است، از یک رویکرد مبتنی بر بسته‌بندی برای آموزش شبکه عصبی ترنسفورمر و به طور هم‌زمان تنظیم هایپر پارامترها با یک الگوریتم تکاملی بهره گرفته‌ایم. این روش با استفاده از یک مجموعه ‌داده فیزیولوژیکی معروف برای بازشناسی پنج سطح فشار عصبی در سناریو‌های مختلف ارزیابی شده است. نتایج نشان می‌دهند که مدل ترکیبی ترنسفورمر-ژنتیک عملکرد بهتری نسبت به مدل‌های پیشین مانند LSTM، ترکیب CNN و LSTM، و ترنسفورمر ساده داشته، و برای سه سناریو دودویی، سه‌کلاسه و پنج کلاسه به ترتیب صحت‌ها یی معادل 97/0، 95/0 و 91/0 را کسب کرده است. یافته‌ها نشان می‌دهند که ترکیب معماری ترنسفورمر و بهینه‌سازی تکاملی می‌تواند رویکردی جدید برای دسته‌بندی سطح فشار عصبی بر پایه داده‌های حسگر پوشیدنی باشد.