Stressdetektion bei IT-Fachleuten mittels Gesichtserkennung (Stirnbild)

Die steigende Arbeitsbelastung und der Druck in der IT-Branche führen oft zu erhöhten Stressniveaus bei Fachleuten, was sich negativ auf ihre Gesundheit und Produktivität auswirkt. Diese Forschung schlägt einen neuartigen Ansatz zur Stressdetektion bei IT-Fachleuten vor, der sich auf die Gesichtserkennungstechnologie mit Fokus auf den Stirnbereich stützt. Durch die Analyse von Bildern und die Einbeziehung zusätzlicher Eingaben wie Körpertemperatur, Sauerstoffgehalt und Schlafstunden verwenden wir logistische Regressionsalgorithmen der Künstlichen Intelligenz, um Stressniveaus vorherzusagen. Das vorgeschlagene System soll eine effiziente und nicht-invasive Methode zur frühzeitigen Stressdetektion bieten, die rechtzeitige Interventionen zur Verbesserung des Wohlergehens der Mitarbeiter ermöglicht. Die Methodik umfasst die Vorverarbeitung der Bilder zur Verbesserung der Merkmalsextraktion, gefolgt von der Anwendung von Convolutional Neural Networks (CNN), um stressbezogene Muster zu identifizieren. Das System wird trainiert, um diese Muster zu erkennen und die Stressniveaus genau zu klassifizieren. Zur Validierung der Effektivität des Ansatzes wird die Leistung des Modells anhand von Metriken wie Genauigkeit, Präzision, Recall und F1-Wert bewertet und mit bestehenden Methoden zur Stressdetektion verglichen.