商业现成腕 "服饰" 评估学生压力的评价
Summary
提出了一种基于商业现成 (“服饰”) 手腕的方法来评估学生压力的方案。该协议分为两个阶段, 一是以实验室为基础的压力感应测试, 一个是在学生从事学术活动时在课堂上进行的监控阶段。
Abstract
可穿戴的商用现成 (胶辊) 装置在过去几年中已经流行起来, 主要是在年轻人当中进行体育活动的监测。这些设备包括传感器收集生理信号的数据, 如心率, 皮肤温度或电偶皮肤反应。通过将数据分析技术应用到这些类型的信号中, 可以得到人类行为的高层次方面的估计。在文献中, 有几项著作描述使用临床设备收集的生理数据, 以获取睡眠模式或压力的信息。然而, 使用胶辊手腕 “服饰” 采集的数据是否足以表征学习者在教育环境中的心理状态, 这仍然是一个公开的问题。本文讨论了用胶辊手腕 “服饰” 获得的数据评估应力估计的一种协议。该议定书分为两个阶段进行。第一阶段由一个受控的实验室实验组成, 其中一个移动应用程序用于通过放松的视频、Stroop 的颜色和单词测试、节奏的听觉序列加法测试和过度换气测试来诱导学生的不同的压力水平。第二阶段是在课堂上进行, 在那里进行一些学术活动的分析, 即参加理论讲座, 做练习和其他个人活动, 并进行短期测试和考试。在这两种情况下, 都考虑了从胶辊手腕 “服饰” 获得的定量数据和通过问卷收集的定性数据。该协议涉及一种简单且一致的方法, 带有压力感应应用程序和调查表, 需要支持人员的有限参与。
Introduction
最先进的可穿戴技术是广泛的, 其应用环境不断扩大。我们可以在市场上找到许多不同的设备, 其中的婴儿床腕 “服饰”1, 如智能手表和智能带, 是受欢迎的运动员作为个人体能监测工具2。通过应用数据分析技术, 可以对使用这些设备获得的数据进行处理, 以提供一般物理状态、睡眠质量或恢复因子等指标。在这一领域中表现出的适用性使学术界对其可能在其他领域的应用产生了兴趣, 特别是在3、4健康领域, 尽管临床试验的严格要求限制了他们的介绍。然而, 在教育等较不苛刻的背景下, 我们可以在文献中发现, 最近的调查涉及使用不同类型的可穿戴设备, 这两者都与教学活动5、6和估计学生的某些特点如睡眠模式7, 或对学生参与不同教育活动的分析8。
在我们的例子中, 我们专注于分析胶辊手腕可穿戴装置作为收集生理信号的手段, 最终将促进压力估计, 这反过来是教育环境中的一个关键方面。压力对学术活动的发展和学生的整体表现有相关影响。例如, 压力水平与9、10、11学生的倦怠综合征的发生有直接关系, 高应力水平在大一期间尤为重要, 其中辍学率为20%30%12,13是常见的。检测和控制压力指标可以显著提高学业成绩。
使用胶辊手腕耐磨装置是合理的, 因为他们有传感器, 提供信息的生理信号, 已广泛使用的科学社区在压力评估和检测。用于此目的的文献中提到的一些信号包括心率 (HR)14、心率 varaibility15、皮肤温度 (ST)16、呼吸14和电偶皮肤反应 (GSR)17。这些信号可以通过胶辊手腕 “服饰” 收集。然而, 它们不提供与临床设备相同的性能。与设备18、19、20、21之间的传感器的准确度有差异。然而, 以前的作品18,19,20,21已经表明, 在缓慢的运动场景中, 胶辊手腕可穿戴传感器有类似于专用设备的错误模式。
本文的目的是介绍一个协议, 以评估不同的解决方案的压力估计在学生使用胶辊手腕 “服饰”。有许多安排, 可以建议评估的压力水平, 涉及使用不同的手腕耐磨设备和数据分析技术, 更具体的机器学习算法。婴儿床腕 “服饰” 的特点是其高破碎, 异构性和互操作问题22。三家公司的总市场份额几乎为 50%23, 但许多其他公司的个人市场份额较小, 累计份额高于50%。另一方面, 在异质性方面, 并非所有的 “服饰” 都有相同的数量和类型的传感器, 加速度计和 h 传感器是最常见的, ST 的和 GSR 的是只存在于5% 的设备研究。至于互操作性, 有不同的操作系统和数据收集方法彼此不兼容。至于机器学习技术, 可用于估计的压力, 从采集的数据的手腕设备, 有很多选项可用24, 包括决策树, 神经网络, 最近的邻居方法, 天真的贝叶斯分类器等总结, 对于应力估计有很多可开发的解决方案, 因此设计一个评估协议有助于不同的暂定选项之间的比较, 最终选择最适合在给定的上下文中。
为了实现该协议, 需要几个工具 (图 1)。首先, 需要一个胶辊手腕耐磨装置, 以获取生理数据。这种可穿戴的设备应该至少有 HR 监控能力, 但额外的传感器是可取的 (例如,加速度计, ST, GSR 传感器)。其次, 运行 PhysiologicalSignal 应用程序的智能手机需要收集可穿戴设备捕获的数据。第三, 运行 StressTest 应用程序的平板电脑需要进行压力感应练习 (这款智能手机可以代替平板电脑使用)。第四, 收集学生对压力感知的定性数据问卷。第五, 具有 web 服务25的服务器执行数据收集和预处理, 以及一个 web 仪表板来显示信号的演变。最后, 一个数据分析包26处理的数据收集的学生使用机器学习技术。
评估协议分为两个阶段。第一个, 实验室阶段, 是在一个舒适的房间, 在那里, 不同的压力水平 (即“放松”, “集中精神” 和 “压力”) 通过几个共同的压力诱导任务诱导到目标对象 (学生)。第二部分是在课堂上进行的, 它涉及学生在完成若干学术活动过程中的监控: 理论解释、个人活动、短期考试、考试等.这个协议, 主体的生理信号是通过手腕装置捕捉到的。最后, 利用机器学习算法对这些信号进行处理, 对应力水平进行估计。
在实验室阶段, StressTest 应用程序被用来诱导不同的应力水平。此应用程序指导主题完成四项不同的任务。第一个任务是创建压力分析的基线。在这项任务中, 学生展示了一个4分钟的轻松视频, 其中显示了在桥上不同的日落镜头。第二个任务是对 Stroop 颜色和 Word 测试27 (SCWT) 的改编。每隔两秒钟, 主题必须选择颜色名称的颜色 (红色、绿色、橙色、蓝色和紫色)。在屏幕底部有几个按钮, 其中包含每种颜色的初始字母, 可供主题选择每次绘制的颜色。例如, 指向蓝色的按钮描述了字母 B。在我们的例子中, 这个测试分为三不同的难度水平。对于第一级 (SCWT1), 彩色的 “颜色词” 将以与按钮相同的顺序出现, 因此颜色和名称直接匹配。此级别被视为基线, 因为它不涉及任何困难, 并且主题只应正确按下按钮, 始终按相同的顺序。对于第二级 (SCWT2), 彩色的 “颜色词” 随机出现, 但名称和颜色之间的对应关系保持不变。每当主题失败时发出蜂鸣音, 如果出现两个错误, 则将重置正确的颜色分数。最后, 最困难的级别 (SCWT3), 名称和颜色不匹配。以这种方式, 这个层次的目的是更复杂和压力的主题。第三项任务包括节奏听觉系列加法测试 (PASAT)28, 它测量学生如何体验浓度测试。在这个任务中, 一个连续数字的序列被大声地演奏, 并且学生必须增加最后两个数字并且写结果在提供的屏幕盒在听下数字之前。在这项任务中, 如果主题犯了错误, 就会发生一个令人不安的事件, 产生压力 (两个数字声音在同一时间或长时间的沉默保持)。在这种情况下, 如果提交了三错误, 将重置 sum 帐户。第四项任务是在过度通气的活动中诱导相同的变异, 在生理信号, 这将挑起紧张的情况17。在每一个任务和级别的末尾, 该主题必须根据5值的李克特量表, 使用应用程序本身来表示感知到的压力水平。
在课堂阶段, 学生与其他同学一起进行他们的普通学术活动。该议定书侧重于课堂特定活动中的压力水平。在讲座结束时, 学生完成了一份简短的问卷 (附件 1), 以表明在几项活动中, 根据5价值表所感知到的压力水平。
Protocol
Representative Results
Discussion
胶辊可穿戴设备是当今最受欢迎的消费电子产品之一。这些设备通常用于监视物理活动, 但它们的功能和性能可能对其他领域很感兴趣。本文讨论了利用胶辊可穿戴装置评估学习环境应力的一种协议。为了分析涉及 “服饰” 和机器学习算法的不同解决方案, 此类协议的定义尤为重要。该议定书的目的是在教育环境中使用, 在这种情况下, 对压力检测程序的验证和最终的介绍可以提供 significate 的好处。…
Divulgations
The authors have nothing to disclose.
Acknowledgements
这项工作得到西班牙国家研究机构和欧洲区域发展基金 (ERDF) (TIN2016-80515-R AEI/EFRD, 欧盟) 项目的支持。
Materials
| Microsoft Band 2 | Microsoft | Wearable | |
| Nexus 5 | LG/Google | Smartphone | |
| PhysiologicalSignals | Developed by the paper authors | App to collect data from wearables | |
| StressTest | Developed by the paper authors | App to develop laboraty experiment: Video visualization, Stroop color and word test, paced auditory serial addition test (PASAT) , hyperventilation activity | |
| Quizs | Developed by the paper authors | Questionnaires to collect qualitative data on students’ perception on stress | |
| Server | Developed by the paper authors | Server to store, analyze and display data | |
| Weka application | University of Waikato | Application to process the data using machine learning techniques |
References
- IDC. . Forecasts Wearables Shipments to Reach 213.6 Million Units Worldwide in 2020 with Watches and Wristbands Driving Volume While Clothing and Eyewear Gain Traction. , (2016).
- Piwek, L., Ellis, D. A., Andrews, S., Joinson, A. The rise of consumer health wearables:promises and barriers. PLoS Medicine. 13 (2), (2016).
- Rudner, J., et al. Interrogation of Patient Smartphone Activity Tracker to Assist Arrhythmia Management. Annals of Emergency Medicine. 68 (3), 292-294 (2016).
- Gao, Y., Li, H., Luo, Y. An empirical study of wearable technology acceptance in healthcare. Industrial Management & Data Systems. 115 (9), 1704-1723 (2015).
- Lukowicz, P., et al. Glass-physics: using google glass to support high school physics experiments. Proceedings of the 2015 ACM International Symposium on Wearable Computers – ISWC ’15. , 151-154 (2015).
- Sapargaliyev, D. . Wearables in Education: Expectations and Disappointments. , 73-78 (2015).
- de Arriba Pérez, F., CaeiroRodríguez, M., Santos Gago, J. M. How do you sleep? Using off the shelf wrist wearables to estimate sleep quality, sleepiness level, chronotype and sleep regularity indicators. Journal of Ambient Intelligence and Humanized Computing. , 1-21 (2017).
- Espinosa, H. G., Lee, J., Keogh, J., Grigg, J., James, D. A. On the Use of Inertial Sensors in Educational Engagement Activities. Procedia Engineering. 112, 262-266 (2015).
- Travers, C. J., Cooper, C. L. . El Estrés de los profesores la presión en la actividad docente. , (1997).
- Maslach, C., Jackson, S. E. The measurement of experienced burnout. Journal of occupational Behavior. 2, 99-113 (1981).
- Maslach, C., Jackson, S., Leiter, M. . Maslach Burnout Inventory. , (1986).
- Kitsantas, A., Winsler, A., Huie, F. Self-Regulation and Ability Predictors of Academic Success During College: A Predictive Validity Study. Journal of Advanced Academics. 20, (2008).
- Deberard, C., Scott, M., Glen, I., Spielmans, D. C. Julka Predictors of academic achievement and retention among college freshmen: a longitudinal study. College Student Journal. 381, 66-80 (2004).
- Healey, J. A. . Wearable and automotive systems for affect recognition from physiology. , (2000).
- Vrijkotte, T. G. M., van Doornen, L. J. P., de Geus, E. J. C. Effects of Work Stress on Ambulatory Blood Pressure, Heart Rate, and Heart Rate Variability. Hypertension. 35 (4), (2000).
- Karthikeyan, P., Murugappan, M., Yaacob, S. Descriptive Analysis of Skin Temperature Variability of Sympathetic Nervous System Activity in Stress. Journal of Physical Therapy Science. 24 (12), 1341-1344 (2012).
- de Santos Sierra, A. . Design, implementation and evaluation of an unconstrained and contactless biometric system based on hand geometry and stress detection. , (2012).
- Natale, V., Drejak, M., Erbacci, A. Monitoring sleep with a smartphone accelerometer. Sleep and Biological Rhythms. , (2012).
- Guo, F., Li, Y., Kankanhalli, M., Brown, M. An evaluation of wearable activity monitoring devices. Proceedings of the 1st ACM international workshop on Personal data meets distributed multimedia. , (2013).
- Wallen, M. P., et al. Accuracy of Heart Rate Watches: Implications for Weight Management. PLOS ONE. 11 (5), e0154420 (2016).
- Wang, R., et al. Accuracy of Wrist-Worn Heart Rate Monitors. JAMA Cardiology. 2 (1), 104 (2017).
- de Arriba Pérez, F., CaeiroRodríguez, M., Santos Gago, J. M. Collection and Processing of Data from Wrist Wearable Devices in Heterogeneous and Multiple-User Scenarios. Sensors. 16 (9), 1538 (2016).
- IDC. . Wearables Aren’t Dead, They’re Just Shifting Focus as the Market Grows 16.9% in the Fourth Quarter, According to IDC. , (2017).
- Mark, H., Ian, W., Eibe, F. . Data Mining: Practical Machine Learning Tools and Techniques. , (2011).
- de Arriba Pérez, F., Santos Gago, J. M., Caeiro Rodríguez, M. Analytics of biometric data from wearable devices to support teaching and learning activities. Journal of Information Systems Engineering & Management. 1, 41-54 (2016).
- Machine Learning Group at the University of Waikato. . Weka 3 – Data Mining with Open Source Machine Learning Software in Java. , (2018).
- Zhai, J., Barreto, A. Stress Detection in Computer Users Based on Digital Signal Processing of Noninvasive Physiological Variables. 2006 International Conference of the IEEE Engineering in Medicine and Biology Society. , 1355-1358 (2006).
- Tombaugh, T. N. A comprehensive review of the Paced Auditory Serial Addition Test (PASAT). Archives of Clinical Neuropsychology. 21 (1), 53-76 (2006).
- Fan, Q., Wang, Y. The real-time realization of filtering of speech with DSP TMS320VC5416 Chip. 2010 International Conference on Educational and Information Technology. , (2010).
- González Barajas, J. E., Velandia Cárdenas, C., Nieto Camacho, J. Implementación de filtro digital en tiempo real para detección de la onda R. Revista Tecno Lógicas. 18 (34), 75-86 (2015).
- Mesirov, J. P. Computer science. Accessible reproducible research. Science (New York, N.Y.). 327 (5964), 415-416 (2010).
- American Journal Experts. . How to Write an Easily Reproducible Protocol. , (2018).
