Physiological Data Analysis For Early Stress Detection: Advancing Stress Level Detection Through Comparison of Time Series Foundation Models

Abstract

One of the major health issues of today is stress: a state of worry that affects everyone to some extent and can lead to a range of mental health issues or heart problems. The stress response consists of a wide range of physiological changes, which can be measured with wearable devices and examined with machine learning techniques. This thesis contributes to the study of stress prevention through forecasting physiological stress data of three modalities, electrodermal activity (EDA), skin temperature (TEMP), and heart rate (HR), from a study, using three Time Series Foundation Models, Chronos, Moirai, and TimesFM. The main research objective was to compare which of the modalities and models were the most suitable for forecasting stress-related data.

This thesis used data from a recent study, from 27 subjects, across 8 different tasks. Every individual time series was split into 70% training and 30% testing, then filtered, normalized, and forecasted, after which it was evaluated by three error metrics: Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Scaled Error (MASE). As scale-dependent error metrics, RMSE and MAE were not perfect for the comparison between modalities, though they could be used since the data were normalized. MASE is scale-independent and thus offers a different perspective to the comparison, though the results were quite large as the forecasted horizon was rather lengthy.

Out of the modalities, EDA and TEMP showed promise, with EDA being forecasted most accurately with RMSE and MAE, while TEMP was most accurate when forecasted with MASE. Chronos forecasted HR the most accurately across all error metrics, but due to its overall weaker performance, it was not prioritized in the comparison of modalities. In the models, Moirai was more accurate with forecasting HR, which had shorter context and horizon lengths, while TimesFM was more accurate with most of the EDA and TEMP forecasts, which had longer horizon and context lengths.

These findings offer valuable insights for future research on stress-related data by exploring challenges with real-life physiological data through a successful forecasting experiment. This thesis offers a great starting point for future research, which could include a wider sample set, more modalities and models, or exploration of classifications of tasks, to contribute to early onset stress prevention.

Stressi, jatkuvan huolen tila, on yksi tämän hetken suurista terveysongelmista: se koskettaa kaikkia tavalla tai toisella ja voi johtaa laajaan kirjoon mielenterveysongelmia tai sydänvaivoja. Stressireaktio koostuu fysiologisista muutoksista ihmiskehossa, joita voi mitata puettavilla laitteilla ja tutkia koneoppimisen tekniikoilla. Tämä tutkielma edistää stressin tutkimusta ennustamalla fysiologista, stressiin liittyvää dataa kolmella eri aikasarjan tekoälymallilla, Moirai:lla, Chronos:illa sekä TimesFM:llä. Tutkielmassa käytetty data on kerätty yhdessä tutkimuksessa ja sisältää dataa kolmesta eri muuttujasta: ihon sähkönjohtavuudesta (EDA), ihon lämpötilasta (TEMP) sekä sydämen sykkeestä (HR). Työn päätavoite oli verrata, mitkä muuttujat sekä mitkä tekoälymallit sopivat parhaiten ennustamaan stressiin liittyvää dataa.

Tämä tutkielma käytti dataa tuoreesta tutkimuksesta 27:stä koehenkilöstä, jotka suorittivat kahdeksaa tehtävää. Joka aikasarja jaettiin kahteen osaan: 70% oli opetusjoukkoa ja 30% testausjoukkoa. Seuraavaksi data suodatettiin, normalisoitiin ja ennustettiin, jonka jälkeen sen tulokset arvioitiin kolmella eri virhemittarilla, keski-itseisvirheellä (MAE), jäännösvirhehajonnalla (RMSE) sekä skaalatulla keski-itseisvirheellä (MASE). Koska MAE ja RMSE ovat mittakaavasta riippuvaisia, ne eivät sovi täydellisesti eri muuttujien vertailuun, mutta ovat silti käyttökelpoisia datan normalisoinnin takia. MASE on mittakaavasta riippumaton ja tarjoaa hyödyllistä tietoa vertailuun eri näkökulmista, vaikkakin MASEn tulokset eivät olleet kaikista tarkimmasta päästä ennustehorisontin laajuuden vuoksi.

Muuttujien joukossa EDA ja TEMP näyttivät lupaavilta: EDA tuotti täsmällisimpiä tuloksia RMSE:llä tai MAE:lla arvioituna ja TEMP MASE:lla arvioituna. Chronos ennusti HR:ää tarkimmin huolimatta virhemittarista, mutta koska sen ennustukset olivat keskimääräisesti huomattavasti heikompia kuin muiden tekoälymallien, sen tuloksia ei painoiteta. Tekoälymallejen vertailussa Moirai oli tarkempi HR:n ennustuksessa, millä oli pienempi konteksti sekä ennustehorisontti, kun taas TimesFM ennusti suurinta osaa EDA:a ja TEMP:aa, muuttujia, joilla oli pidempi konteksti ja ennustehorisontti, tarkimmin.

Nämä löydökset tarjoavat arvokasta tietoa stressin tutkimuksen tulevaisuudelle tutkimalla tosielämän stressiin liittyvän datan hankaluuksia onnistuneen ennustuskokeen kautta. Tämä tutkimus luo hyvän pohjan aiheen lisätutkimukselle, joka voisi sisältää muun muassa laajempien tietoaineistojen ennustamista, enempien muuttujien tai tekoälymallien tutkimista tai tehtävien stressitason luokittelun arviointia, joka voi auttaa stressin ennaltaehkäisemisessä.