نموذج تعلّم آلة قابل للتفسير للكشف عن التوتر النفسي اعتماداً على خصائص تباين معدل ضربات القلب

الملخص

يُعد كشف التوتر النفسي (Stress Detection) باستخدام تقنيات تعلم الآلة من المجالات البحثية الواعدة نظراً للتأثير المباشر للتوتر على الصحة النفسية والجسدية والأداء البشري، خاصة في بيئات العمل الذكية. تهدف هذه الدراسة إلى تطوير نموذج قابل للتفسير لكشف حالات التوتر اعتماداً على بيانات فيزيولوجية مأخوذة من مجموعة البيانات SWELL Knowledge Work Stress Dataset. تم اعتماد نموذج XGBoost نظراً لملاءمته العالية لطبيعة البيانات الطبية الفيزيولوجية، والتي تتسم بعلاقات غير خطية معقدة وتداخل بين المؤشرات الحيوية المختلفة. تم تقييم أداء النموذج باستخدام مجموعة من المقاييس القياسية، شملت مصفوفة الارتباك ومنحنيات ROC-AUC وPrecision–Recall، بما يوفر تقييماً شاملاً لجودة التصنيف. أظهرت النتائج التجريبية أن النموذج المقترح حقق أداء تصنيف مرتفع ومتوازن عبر فئات الإجهاد الثلاث، حيث بلغت الدقة العامة (F1-score) 95%. كما أظهر النموذج قدرة تمييز شبه مثالية، إذ بلغت قيم AUC-ROC = 1.00 لجميع الفئات. وإلى جانب الأداء التنبؤي، تم توظيف تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) باستخدام SHAP لتحليل مساهمة الخصائص المختلفة في قرارات النموذج، مما أتاح فهماً معمقاً للعوامل الفيزيولوجية الأكثر تأثيراً في كشف التوتر. تؤكد هذه النتائج أن النموذج المقترح يجمع بين الدقة العالية وقابلية التفسير، مما يعزز موثوقيته ويدعم إمكانية اعتماده في التطبيقات الواقعية وأنظمة دعم القرار الصحي.