erzincan.edu.tr

이 이메일 도메인이 관측된 논문 1건

arXiv:2606.26723v1eess.SP

감정 및 스트레스 인식을 위한 상태별 호흡 특징: 해석 가능한 호흡 마커, 자기상관 지연 및 경량 CNN 모델

State-Specific Respiratory Signatures for Affective and Stress Recognition: Interpretable Respiratory Markers, Autocorrelation Lags, and Compact CNN Models

WESAD 데이터셋 흉부 호흡 신호를 60초 윈도우와 피험자-제외 검증으로 분석해, 경량 1D-CNN과 해석 가능한 호흡 특징(자기상관 전환 지연 Zpm/Zmp 포함)을 병행해 스트레스·감정 상태 인식을 예측과 설명 문제로 함께 다룬다. 원시 신호 CNN은 스트레스 대 비스트레스 탐지에서 정확도 96.72%·MCC 90.61%로 가장 우수했고, 경량 특징 모델은 특히 명상(MCC 88.65%) 등 비스트레스 상태에서 더 강한 상태별 마커를 제공한다.