Anxolotl - An Anxiety Companion App

Gomes, Nuno Miguel Simões

Publication

Anxolotl - An Anxiety Companion App

2022-10Master thesis

dc.contributor.advisor	Pato, Matilde Pós-de-Mina
dc.contributor.advisor	Lourenço, André Ribeiro
dc.contributor.author	Gomes, Nuno Miguel Simões
dc.date.accessioned	2023-03-23T15:02:41Z
dc.date.available	2023-03-23T15:02:41Z
dc.date.issued	2022-10
dc.description	Dissertação para obtenção do Grau de Mestre em Engenharia Informática e de Computadores
dc.description.abstract	A Organização Mundial de Saúde apresentou as perturbações mentais como os maiores contribuintes para incapacidade global em 2015, com os distúrbios de ansiedade a ocuparem a sexta posição. Distúrbios de ansiedade têm um alta prevalência na sociedade, e apresentam sintomas precoces que podem ser detetados. Nesta tese, produzimos um sistema capaz de detetar sintomas de distúrbios de ansiedade antes que a doença se instale por completo. Adicionalmente, queremos dar outra opção a portadores, monitorizando o seu estado mental e oferecendo a hipótese de tratarem dos seus níveis de ansiedade antes que apareçam mais sintomas. Aqui introduzimos um sistema de saúde móvel, entitulado de Anxolotl, que pode detetar e classificar níveis de ansiedade multiclasse e detetar níveis binários de estados de pânico . A nossa solução é composta por: datacenter, com o objectivo de guardar dados fisiológicos anónimos, e aplicar modelos de aprendizagem automática; broker de mensagens, que irá providenciar escalaabilidade e habilidade de desacoplamento no sistema; aplicação móvel, que funcionará em conjunto com um wearable para capturar dados fisiológicos. A nossa applicação é capaz de detetar e monitorizar diariamente, os níveis de ansiedade e pânico do utilizador, filtrando dados dúbios com base em atividade física. A aplicação também apresenta múltiplos exercícios de respiração guiados, bem como meditações acompanhadas para vários cenários de saúde mental. O nosso modelo de deteção de ansiedade foi capaz de apresentar uma precisão de 92% e um f1-Score de 90% na classificação de ansiedade multiclasse, treinando com um dataset com 124 entradas, enquanto que o nosso modelo de deteção de pânico apresenta uma precisão de 94% e um f1-Score de 94%. Estes valores foram atingindos utilizando maioritariamente dados de ritmo cardíaco. O código dos modelos está disponível em https://github.com/nunogoms/Anxolotl-engines.	pt_PT
dc.description.abstract	World Health Organization referred that common mental health disorders were the biggest contributors to global disability during the year of 2015, with anxiety disorders occupying the 6th position. Currently, anxiety disorders have high prevalence in society, and present early symptoms that are suited to be detected. With this thesis, we intend to produce a system capable of detecting the anxiety disorder early symptoms before the onset of the full range of symptoms. Additionally, we want to give another option to people already affected, in the form of monitoring their mental health, and the ability for them to react to their anxiety state quickly. Herein, we are introducing a mobile health system — Anxolotl, that can detect and classify multi class anxiety levels and detect binary panic states. Our solution is composed by: a datacenter, intended to store anonymous physiological data and applying the machine learning models; a message broker, aiming to provide scalability and decoupling to the system; and, finally a mobile app, which will work in tandem with a wearable to capture physiological data. The app is able to track and monitor, on a daily basis, its user’s anxiety and panic levels, filtering when the data is unreliable based on activity. It also presents the users with guided breathing exercises for multiple mental health scenarios as well as some guided meditations, in an effort to help its users. The Anxiety Engine model provided a 92% accuracy and 90% f1-Score in classifying multi-class anxiety levels, training and testing with a dataset containing 124 entries, and our binary Panic Engine had an accuracy of 94% and a f1-Score of 94%. Both these scenarios were mainly achieved by using heart rate data, activity context was also used in some scenarios. The code for these models is available at https://github.com/nunogoms/Anxolotl-engines.
dc.description.version	N/A	pt_PT
dc.identifier.citation	Gomes, Nuno Miguel Simões - Anxolotl - An Anxiety Companion App. Lisboa: Instituto Superior de Engenharia de Lisboa, 2022. Dissertação de Mestrado	pt_PT
dc.identifier.tid	203260066
dc.identifier.uri	http://hdl.handle.net/10400.21/15835
dc.language.iso	eng	pt_PT
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	pt_PT
dc.subject	Monitorização móvel	pt_PT
dc.subject	Biossensores	pt_PT
dc.subject	Wearables	pt_PT
dc.subject	Classificação de ansiedade e pânico	pt_PT
dc.subject	Aprendizagem de máquina	pt_PT
dc.subject	Sistema de monitorização de saúde mental	pt_PT
dc.subject	Biomarcadores	pt_PT
dc.subject	Sinais fisiológicos	pt_PT
dc.subject	Mobile health
dc.subject	Biosensors
dc.subject	Wearables
dc.subject	Anxiety and panic classification
dc.subject	Machine learning
dc.subject	Mental health monitoring system
dc.subject	Biomarkers
dc.subject	Physiological signals
dc.title	Anxolotl - An Anxiety Companion App	pt_PT
dc.type	master thesis
dspace.entity.type	Publication
oaire.citation.conferencePlace	Lisboa: Instituto superior de engenharia de Lisboa	pt_PT
oaire.citation.endPage	118	pt_PT
oaire.citation.startPage	1	pt_PT
rcaap.rights	openAccess	pt_PT
rcaap.type	masterThesis	pt_PT