Ο στόχος είναι η ανάπτυξη συστήματος που ανιχνεύει επίπεδα στρες (χαμηλό/μεσαίο/υψηλό) σε πραγματικό χρόνο με βάση παραμέτρους HRV από ECG μετρήσεις του Polar H10.

Tο στρες αποτελεί παράγοντα που επηρεάζει τη νοητική και σωματική υγεία. Η μέτρησή του μπορεί να γίνει με φυσιολογικά σήματα όπως το ECG και η μεταβλητότητα καρδιακού ρυθμού (HRV). Στη διπλωματική θα διεξαχθεί πείραμα με εθελοντές (φοιτητές ή ενήλικες) και θα καταγραφεί ECG μέσω του Polar H10 σε δύο συνθήκες:

1. Κατάσταση χαλάρωσης (baseline)

2. Κατάσταση στρες που θα προκληθεί με το Stroop Cognitive Stress Test ή Mental Arithmetic Task.

Η επικοινωνία με τον Polar H10 θα γίνει μέσω Bluetooth Low Energy (BLE) σε εφαρμογή Android ή Python, με αποθήκευση των δεδομένων σε βάση (π.χ. SQLite ή CSV). Το σήμα ECG θα επεξεργαστεί για εξαγωγή χαρακτηριστικών HRV (χρονικό και συχνοτικό πεδίο). Θα χρησιμοποιηθεί Machine Learning (SVM, Random Forest, ή LSTM) για ταξινόμηση μεταξύ «χαλάρωση» και «στρες».

Προγραμματισμός

Ανάλυση Σημάτων

Τεχνητή Νοημοσύνη ή Μηχανική Μάθηση

Προγραμματισμός (Python ή Java/Kotlin Android)

Βασική επεξεργασία σήματος

Βασικές αρχές Machine Learning

Umair, M., Chalabianloo, N., Sas, C., & Ersoy, C. (2021). HRV and stress: A mixed-methods approach for comparison of wearable heart rate sensors for biofeedback. IEEe Access, 9, 14005-14024.

Haque, Y., Zawad, R. S., Rony, C. S. A., Al Banna, H., Ghosh, T., Kaiser, M. S., & Mahmud, M. (2024). State-of-the-art of stress prediction from heart rate variability using artificial intelligence. Cognitive Computation, 16(2), 455-481.