Derin öğrenme ile ayak hareketlerinden kullanıcı stres durumu analizi

Abstract

Stresin günlük yaşamda bireyin bilişsel performansını, karar alma yetisini ve genel sağlık durumunu doğrudan etkileyen önemli bir faktör olması, stres düzeyinin düşük maliyetli, taşınabilir ve kullanıcıyı rahatsız etmeyen yöntemlerle izlenmesini kritik hale getirmektedir. Özellikle ayak hareketleri gibi çoğu zaman farkında olunmayan davranışsal ipuçlarının analiz edilmesi, bireyin stres düzeyini dolaylı olarak değerlendirebilecek yeni bir biyobelirti kaynağı sunmaktadır. Bu bağlamda, bu tez çalışmasında bireylerin stres düzeylerinin ayak hareketlerine dayalı olarak sınıflandırılması amaçlanmıştır. Çalışmada, giyilebilir bir sistem kullanılarak 9 eksenli bir atalet ölçüm birimi (IMU) üzerinden sensör verileri toplanmış, ardından bu veriler derin öğrenme tabanlı modeller aracılığıyla analiz edilmiştir. Veri toplama sürecinde katılımcılara belirli bir süre boyunca Tetris oyunu oynatılmıştır. Oyunun ilerleyen seviyelerinde hız ve zorluk düzeyinin artmasıyla birlikte, bireylerde stres yanıtlarının tetiklendiği varsayılmıştır. Katılımcılar oyunu oturur pozisyonda oynarken, MPU9250 sensör modülü aracılığıyla üç eksenli ivmeölçer, jiroskop ve manyetometreden elde edilen veriler 50 Hz örnekleme frekansı ile kaydedilmiştir. Stresli ve stresli olmayan anlar deney esnasında manuel olarak etiketlenmiştir. Toplanan zaman serisi verileri, çok aşamalı bir ön işleme sürecinden geçirilmiştir. Bu süreçte pencereleme, gürültü giderme, normalizasyon ve örnekleme teknikleri uygulanmıştır. Elde edilen veriler, farklı sınıflandırma modelleri ile değerlendirilmiştir. Bu kapsamda destek vektör makineleri (SVM), uzun kısa süreli bellek (LSTM) ağları ve otoenkoder (Autoencoder) tabanlı modeller kullanılarak sınıflandırma yapılmıştır. Performans ölçütü olarak doğruluk, F1 skoru, hassasiyet ve özgüllük gibi metrikler kullanılmıştır. Elde edilen sonuçlar, ayak hareketlerinden türetilen verilerin stres düzeylerini ayırt edebilen anlamlı örüntüler içerdiğini ortaya koymuştur. Özellikle LSTM tabanlı modellerin, zaman bağımlı bilgiyi öğrenme konusunda yüksek performans gösterdiği gözlemlenmiştir. Ayrıca sınıflar arasındaki dengesizlik gibi veri kaynaklı sorunlara karşı veri artırma ve sınıf kaynaştırma stratejileri önerilmiştir. Bu çalışma, düşük maliyetli donanım ve kullanıcı etkileşimini minimum düzeyde tutan bir yaklaşımla, davranış temelli stres tespiti konusunda yenilikçi bir yöntem sunmakta ve gelecekteki stres izleme sistemlerine katkı sağlamaktadır.Stress is a critical factor that directly affects an individual's cognitive performance, decision-making ability, and overall health. Therefore, monitoring stress levels using low-cost, portable, and non-intrusive methods has become increasingly important. Analyzing behavioral cues such as foot movements—which often occur unconsciously—offers a novel and indirect approach to estimating an individual's stress level. In this context, the aim of this thesis is to classify individuals' stress levels based on their foot movements. In this study, a wearable system was developed using a 9-axis inertial measurement unit (IMU), and sensor data were analyzed using deep learning models. The data collection process involved having participants play the game of Tetris for a specific duration. As the difficulty and speed of the game increased over time, it was assumed to trigger stress responses in participants. While sitting, participants wore a MPU9250 sensor module that collected data from a 3-axis accelerometer, gyroscope, and magnetometer at a sampling rate of 50 Hz. Stressful and non-stressful time segments were labeled manually after the experiment. The collected time-series data underwent a multi-stage preprocessing pipeline, including windowing, noise reduction, normalization, and resampling. The preprocessed data were then evaluated using various classification models. In this context, support vector machines (SVM), long short-term memory (LSTM) networks, and autoencoder-based models were employed for classification. Performance metrics such as accuracy, F1-score, precision, and specificity were used to evaluate the results. The findings demonstrate that the foot movement data contain meaningful patterns that can be used to distinguish stress levels. Notably, LSTM-based models showed high performance in capturing temporal dependencies in the data. Furthermore, to address challenges such as class imbalance, data augmentation and class fusion strategies were proposed. This study presents an innovative method for behavior-based stress detection using low-cost hardware with minimal user intervention and lays a solid foundation for future affective stress monitoring systems.