Proaktywne zarządzanie stresem z wykorzystaniem prognozowania opartego na sieci LSTM oraz glębokiego uczenia wzmacniającego

W dzisiejszym życiu stres stal się poważnym problemem z powodu nadmiernego obciążenia pracą, presji związanej z nauką oraz niezdrowych nawyków życiowych. Wplywa on również na zdrowie fizyczne. Typowe systemy monitorowania stresu mają w dużej mierze charakter reaktywny, co oznacza, że wykrywają stres dopiero po jego wystąpieniu, a zatem nie są w stanie zapewnic interwencji w odpowiednim czasie. W niniejszym badaniu zaproponowano proaktywny model zarządzania stresem oparty na sygnalach fizjologicznych rejestrowanych przez urządzenia noszone na ciele oraz inteligentnym podejmowaniu decyzji, którego celem jest przewidywanie lub kontrolowanie zmian fizjologicznych wywolanych stresem poprzez wykorzystanie sygnalów fizjologicznych jako danych wejściowych do systemu. Proponowany system lączy trzy modele: prognozowanie z wykorzystaniem dwukierunkowej sieci Long Short-Term Memory (Bi-LSTM), glębokie uczenie się przez wzmocnienie (DRL) oraz wyjaśnialnośc SHAP, tworząc predykcyjny i adaptacyjny system wsparcia zdrowia.