Dynamic Stress Detection: A Study of Temporal Progression Modelling of Stress in Speech

Título: Detecção Dinâmica de Estresse: Um Estudo de Modelagem da Progressão Temporal do Estresse na Fala

1. Problema Identificado

O estresse ocupacional em ambientes de alta pressão (como controle de tráfego aéreo e operações marítimas) impacta negativamente a produtividade e o bem-estar mental. Embora sistemas baseados em biosinais (EEG, frequência cardíaca) sejam precisos, são intrusivos e pouco práticos para uso contínuo. A detecção baseada em fala surge como uma alternativa não intrusiva.

No entanto, a maioria dos sistemas existentes trata o estresse como um rótulo estático, atribuindo uma única etiqueta a todo um segmento de fala. Os autores argumentam que essa abordagem é uma simplificação excessiva, pois o estresse é, na realidade, um fenômeno que evolui temporalmente, influenciado pelo estado emocional e de estresse passado. A falta de anotações dinâmicas de estresse em conjuntos de dados públicos e a incapacidade dos modelos atuais de capturar essa progressão temporal são as lacunas principais que este trabalho busca preencher.

2. Metodologia Proposta

O trabalho propõe um framework inovador que modela o estresse como um processo dinâmico através de três pilares principais:

• Estratégia de Rotulagem Dinâmica (Proxy de Estresse):

  • Como a maioria dos datasets possui apenas rótulos de emoção (ex: CREMA-D, RAVDESS) ou rótulos de estresse estáticos, os autores desenvolveram um método para derivar rótulos de estresse temporais a partir de sequências de emoção.
  • Utiliza-se a codificação binária Valência-Arousal-Dominância (VAD). O estresse é mapeado para um código VAD específico (0, 1, 0).
  • Calcula-se a distância de Hamming entre a codificação VAD da emoção atual e a codificação de estresse.
  • Introduz-se um mecanismo de peso decrescente ($\delta_{t'} = e^{-\lambda(t-t')}$) para considerar janelas de tempo anteriores. A distância total ponderada ($\theta_{total}$) determina se um segmento deve ser rotulado como "estresse" ou não, permitindo criar anotações finas e temporais para treinamento.

• Arquiteturas de Modelos Sequenciais:

  • Foram implementados dois modelos baseados em atenção cruzada (cross-attention) para capturar dependências entre a sequência de fala e a sequência de rótulos de estresse históricos:
    1. LSTM Unidirecional: Duas camadas LSTM paralelas (uma para características de fala, outra para o contexto de estresse) com um mecanismo de atenção cruzada.
    2. Transformer Encoder: Utiliza um codificador Transformer para a fala e um codificador BERT pré-treinado para o contexto de estresse, seguido de atenção cruzada.
  • Entrada: O modelo recebe uma sequência de características de fala ($X$) e uma sequência de contexto de estresse ($S$) das $n$ janelas anteriores.
  • Treinamento: Utiliza-se scheduled sampling (forçamento probabilístico do professor) para que o modelo aprenda a usar suas próprias previsões passadas durante a inferência, simulando a ausência de rótulos verdadeiros em tempo real.

• Extração de Características:

  • Comparou-se características tradicionais (MFCCs) com representações pré-treinadas de deep learning (Wav2Vec 2.0 e HuBERT).

3. Contribuições Chave

1. Framework de Rotulagem de Progressão de Estresse: Uma estratégia validada para inferir anotações de estresse dinâmicas a partir de estados emocionais temporais, superando a limitação de anotações estáticas em datasets públicos.
2. Modelos de Classificação Temporal: Implementação de modelos LSTM e Transformer com mecanismos de atenção cruzada, projetados especificamente para capturar a dependência entre características acústicas e a evolução histórica do estresse.
3. Validação em Múltiplos Cenários: Demonstração de que modelar o estresse como um constructo dinâmico melhora consistentemente a precisão em datasets públicos (MuSE, StressID) e em um conjunto de dados personalizado do mundo real (profissionais marítimos).

4. Resultados Experimentais

Os modelos propostos superaram significativamente as linhas de base (baselines) existentes:

• Desempenho no Dataset MuSE:
  • O modelo Transformer (com HuBERT) alcançou 83% de precisão e F1-score de 0.81, representando um ganho de +5% sobre a melhor linha de base anterior (MUSER Acoustic Encoder).
• Desempenho no Dataset StressID:
  • O modelo Transformer alcançou 78% de precisão e F1-score de 0.80, uma melhoria notável de +18% sobre as melhores abordagens anteriores.
• Dataset Personalizado (Marítimo):
  • O modelo generalizou bem para dados do mundo real, alcançando 81% de precisão e F1-score de 0.82.
• Análise de Parâmetros:
  • A janela de contexto temporal ótima ($n$) variou conforme o dataset: $n=4$ (40 segundos) funcionou melhor para MuSE e o dataset personalizado, enquanto $n=3$ (30 segundos) foi ideal para o StressID, indicando que a duração do contexto histórico deve ser ajustada ao tipo de tarefa.
  • HuBERT combinado com Transformer obteve os melhores resultados gerais, enquanto Wav2Vec 2.0 funcionou melhor com a arquitetura LSTM. Ambos superaram os MFCCs tradicionais.

5. Significado e Conclusão

Este trabalho estabelece que o estresse na fala não é um evento instantâneo, mas um processo evolutivo influenciado pelo estado emocional recente. Ao introduzir uma estratégia de rotulagem dinâmica e utilizar arquiteturas de atenção cruzada, os autores demonstraram que incorporar o contexto histórico melhora substancialmente a detecção de estresse.

A pesquisa destaca a importância de adaptar os parâmetros temporais (como o tamanho da janela de contexto) ao cenário específico de aplicação. O sucesso na generalização para um dataset real de profissionais marítimos sugere que essa abordagem é viável para sistemas de monitoramento não intrusivos em ambientes críticos, abrindo caminho para futuras integrações multimodais (fala + sinais fisiológicos).