@misc{Oehme, type = {Master Thesis}, author = {Oehme, Max}, title = {Erkennung von Stresssituationen durch Analyse der Daten von EDA Sensoren zur Messung der Hautleitf{\"a}higkeit}, school = {Hochschule f{\"u}r Technik und Wirtschaft Berlin}, pages = {84}, abstract = {Stress ist ein wachsendes Problem und hat negative Auswirkungen auf die menschliche Kognition. In Lernsituationen bedeutet das ein Nachlassen der Leistungsf{\"a}higkeit. Durch technologie-gest{\"u}tzte Lernmethoden l{\"a}sst sich dies aber eingrenzen. Computersysteme m{\"u}ssen dazu in der Lage sein, Stresssituationen fr{\"u}hzeitig zu erkennen, um auf diese zu reagieren. Diese Arbeit fokussiert sich auf das Erkennen von Stresszust{\"a}nden in Lernsituationen. Dazu wurden verschiedene Ans{\"a}tze analysiert, die die Bereiche Trainingsdatensatz, Preprocessing und Klassifizierungsmodelle betreffen. Die Daten werden aus dem WESAD Datensatz bezogen, in dessen Studie Stress im Lernkontext hervorgerufen wurde. Mit der Bibliothek cvxEDA und dem Algorithmus von van Halem et al. aus NeuroKit 2 werden die Features des EDA Signals berechnet. Aus der Analyse der Klassifizierungsmodelle ergab sich, dass ein 1D CNN von Li et al. gute Ergebnisse bei der Klassifizierung mit EDA Daten liefert. Mit den ausgew{\"a}hlten Verfahren wurde eine CNN umgesetzt und mit verschiedenen Konstellationen an Features getestet und evaluiert. Dabei erreichte das Modell, das EDA und die tonische EDA in einer Featuremap hatte, die besten Resultate mit einer Accuracy von 89,40\% f{\"u}r bin{\"a}re und 83,91\% f{\"u}r 3-Klassen Klassifizierung.}, language = {de} }