Hiyerarşik Toplayıcı Kümeleme Kullanılarak Duygusal Fizyolojik Durumların Gözetimsiz Keşfi

Fizyolojik sinyallerle otomatik duygu durumu tanıma hayati önem taşımaktadır, ancak Wearable Stress and Affect Detection (WESAD) gibi etiketlenmiş veri setleri üzerindeki denetimli öğrenme, altta yatan nüansları gözden kaçırabilir. Bu çalışma, 15 WESAD denekinden alınan göğüs sensörü verilerindeki (EKG, EDA, RESP, TEMP) içsel yapıları keşfetmek için Ward bağlantılı denetimsiz Hiyerarşik Yığılmalı Kümeleme (HAC) yöntemini kullanmıştır. NeuroKit2 aracılığıyla türetilen ayrıntılı Kalp Hızı Değişkenliği (HRV) metriklerini içeren kapsamlı öznitelikler çıkarılmıştır. Standartlaştırılmış özniteliklere HAC uygulanmış ve EDA, sıcaklık, solunum ve temel HRV indekslerindeki (örn. RMSSD, LF/HF oranı) benzersiz çok değişkenli imzalarla tanımlanan dört ayrı küme elde edilmiştir. Veriye dayalı bu kümeler, orijinal WESAD deneysel etiketleriyle (bazal, stres, eğlence, meditasyon) kısmi uyum göstermiş ancak aynı zamanda önemli farklılıklar sergileyerek önceden tanımlanmış koşullar içindeki fizyolojik heterojenliği ortaya çıkarmıştır. Bulgular, potansiyel olarak farklı otonom sinir sistemi durumlarını (örn. stres, rahatlama/ilgi, uyanık dinlenme) temsil eden fizyolojik olarak yorumlanabilir kümelerin belirlenmesinde HAC'nin etkinliğini göstermektedir. Bu durum, denetimsiz öğrenmenin duyuşsal bilişimde denetimli yöntemleri tamamlamadaki değerini vurgulamakta, deneysel etiketlerin ötesinde fizyolojik durum taksonomilerinin veriye dayalı keşfine olanak tanımakta ve ruh sağlığı takibi ile uyarlanabilir insan-bilgisayar etkileşimi için daha incelikli yapay zeka araçlarının geliştirilmesine yönelik değerli bilgiler sunmaktadır.