Avaliação de Wearables Commercial-Off-The-Shelf pulso para estimar o Stress em estudantes
Summary
É proposto um protocolo para avaliar soluções baseadas em wearables de pulso commercial-off-the-shelf (COTS) para estimar o stress em estudantes. O protocolo é realizado em duas fases, um teste de indução de estresse de base laboratorial inicial e uma fase de monitoramento ocorrendo na sala de aula, enquanto o estudante está realizando atividades acadêmicas.
Abstract
Wearable dispositivos de commercial-off-the-shelf (COTS) tornaram-se populares durante os últimos anos para monitorar as atividades de esportes, principalmente entre os jovens. Estes dispositivos incluem sensores para obter dados sobre sinais fisiológicos como ritmo cardíaco, temperatura da pele ou resposta galvânica da pele. Através da aplicação de técnicas de análise de dados para estes tipos de sinais, é possível obter estimativas de alto nível aspectos do comportamento humano. Na literatura, existem diversos trabalhos descrevendo o uso de dados fisiológicos coletados usando dispositivos clínicos para obter informações sobre os padrões de sono ou estresse. No entanto, ainda é uma questão em aberto se dados capturados usando wearables pulso de berços são suficientes para caracterizar o estado psicológico dos alunos em contextos educativos. Este artigo discute um protocolo para avaliar a estimativa de esforço de dados obtidos usando wearables pulso de berços. O protocolo é realizado em duas fases. A primeira fase consiste de um experimento de laboratório controlado, onde um aplicativo móvel é usado para induzir a níveis diferentes de estresse em um aluno por meio de um vídeo relaxante, um Stroop Color e palavra teste, um teste de ritmo auditivo adição Serial e um teste de hiperventilação. A segunda fase é realizada na sala de aula, onde o stress é analisada enquanto realizando diversas actividades académicas, nomeadamente atendendo às aulas teóricas, fazendo exercícios e outras atividades individuais e levando os exames e testes de curtos. Em ambos os casos, são considerados tanto dados quantitativos obtidos de wearables pulso de berços e dados qualitativos recolhidos através de questionários. Este protocolo envolve um método simples e consistente com um app de indução de estresse e questionários, exigindo uma participação limitada de pessoal de apoio.
Introduction
Estado-da-arte wearable tecnologias estão amplamente disponíveis, e os ambientes de aplicativos estão continuamente expandindo. Podemos encontrar no mercado muitos dispositivos diferentes, entre os qual um berço wearables pulso1, tais como relógios inteligentes e espertos, bandas, são populares entre os atletas como uma aptidão física pessoal2da ferramenta de monitoramento. Através da aplicação de técnicas analíticas de dados, os dados obtidos usando estes dispositivos podem ser processados para fornecer indicadores como estado físico geral, fator de qualidade ou recuperação de dormir. A aplicabilidade demonstrada neste domínio gerado interesse na comunidade acadêmica sobre sua possível aplicação a outros domínios, especialmente na saúde domínio3,4, apesar de limitam as rigorosas exigências de ensaios clínicos sua introdução. No entanto, em um menos exigente contexto como a educação, podemos encontrar nas investigações recentes literatura envolvendo o uso de diferentes tipos de dispositivos wearable, ambos relacionados ao ensino de atividades5,6 e para a estimativa da certas características do estudante como padrões de sono7, ou a análise de envolvimento dos alunos em diferentes atividades educacionais8.
No nosso caso, nós focamos analisando dispositivos de wearable COTS pulso como meio para coletar os sinais fisiológicos que eventualmente facilitaria a estimativa de estresse, que por sua vez, é um aspecto-chave no contexto educacional. Estresse tem uma influência relevante no desenvolvimento de atividades acadêmicas e desempenho global dos alunos. Por exemplo, os níveis de estresse estão diretamente relacionados com o aparecimento da síndrome de burnout em estudantes de10,9,11, e os níveis de stress elevado são especialmente relevantes durante o ano de caloiro, onde as taxas de abandono entre 20% e 30%12,13 são comuns. Detectar e controlar indicadores de estresse podem melhorar drasticamente o desempenho acadêmico.
Justifica-se a utilização de berços pulso wearable dispositivos porque eles têm sensores que fornecem informações sobre sinais fisiológicos que têm sido amplamente utilizados pela comunidade científica em avaliação de estresse e deteção. Alguns dos sinais referidos na literatura usada para esta finalidade incluem frequência cardíaca (FC)14, frequência cardíaca varaibility15, pele temperatura (ST)16, respiração14e resposta galvânica da pele (GSR)17. Estes sinais podem ser recolhidos por wearables pulso de berços. No entanto, eles não oferecem o mesmo desempenho de dispositivos clínicos. Existem diferenças relacionadas com a precisão dos sensores entre dispositivos18,19,20,21. No entanto, anterior obras18,19,20,21 demonstraram que, em um cenário de movimento lento, sensores de wearable COTS pulso padrões de erro semelhantes a dispositivos especializados.
O objetivo deste trabalho é apresentar um protocolo para avaliar diferentes soluções para estimativa de estresse em estudantes usando wearables pulso de berços. Existem muitos arranjos que podem ser propostos para estimar os níveis de estresse, envolvendo o uso de diferentes pulso wearable dispositivos e dados de análises técnicas e mais especificamente algoritmos de aprendizado de máquina. Wearables de pulso berços são caracterizadas por sua alta interoperabilidade, heterogeneidade e fragmentação problemas22. Três empresas têm uma quota de mercado de agregados de quase 50%23, mas compartilha de muitas outra empresas esclarecem o mercado individual muito menor, com uma quota de agregados acima de 50%. Por outro lado, em termos de heterogeneidade, wearables nem todas têm o mesmo número e tipo de sensores, acelerômetros e sensores h, sendo os mais comuns, e do ST e do GSR só estando presente em 5% dos dispositivos estudados. Quanto a interoperabilidade, existem diferentes sistemas operacionais e dados coleção abordagens que não são compatíveis uns com os outros. Quanto a máquina de aprender técnicas que podem ser aplicadas para estimar o estresse a partir dos dados coletados por meio de um dispositivo de pulso, há muitas opções disponíveis24, incluindo árvores de decisão, redes neurais, mais próximo vizinho abordagens, Naïve Bayes classificadores, etc. em suma, há uma grande variedade de soluções que podem ser desenvolvidas para estimativa de estresse, então é instrumental para projetar um protocolo de avaliação para facilitar a comparação entre diferentes opções provisórias eventualmente selecionar o o mais apropriado em um determinado contexto.
Para a implementação do protocolo, diversas ferramentas são necessários (Figura 1). Em primeiro lugar, um dispositivo wearable de pulso de um berço é necessário buscar dados fisiológicos. Este dispositivo wearable deve ter pelo menos HR monitoramento de recursos, mas os sensores adicionais é desejável (por exemplo, sensores de acelerômetro, ST, GSR). Em segundo lugar, um smartphone rodando o app PhysiologicalSignal é necessário para coletar os dados capturados pelo dispositivo wearable. Em terceiro lugar, um tablet rodando o app StressTest é necessário para executar exercícios de indução de estresse (o smartphone pode ser usado em vez disso, o tablet para essa finalidade). Em quarto lugar, alguns questionários para coletar dados qualitativos na percepção dos alunos sobre stress. Em quinto lugar, um servidor com uma Web serviço25 para realizar coleta de dados e pré-processamento e um painel de controle Web para mostrar a evolução dos sinais. E, finalmente, um pacote analytics dados26 para processar os dados coletados sobre estudantes usando técnicas de aprendizagem de máquina.
O protocolo de avaliação está organizado em duas fases. O primeiro deles, a fase de laboratório, é realizado em um quarto confortável, onde os níveis de estresse diferente (ou seja, “relax”, “esforço concentrado” e “estresse”) são induzidos a um assunto de destino (um estudante) através de várias tarefas comuns indutoras de stress. A segunda parte tem lugar na sala de aula, e envolve o acompanhamento do aluno durante a realização de várias atividades acadêmicas: explicações teóricas, atividades individuais, poucos testes, exames, etc. durante a execução do Este protocolo, o assunto é fisiológico sinais são capturados por meio de um dispositivo de pulso. Finalmente, estes sinais são processados pela máquina aprendendo algoritmos para fornecer estimativas sobre o nível de estresse.
Durante a fase de laboratório, o StressTest app é usado para induzir a níveis diferentes de estresse. Este app orienta o sujeito para a realização de quatro tarefas diferentes. A primeira tarefa é criar uma linha de base para a análise de stress. Nesta tarefa, o aluno visualiza um vídeo de 4 minutos relaxante em que são mostradas diferentes cenas de um pôr do sol sobre uma ponte. A segunda tarefa é uma adaptação da cor de Stroop e a palavra teste27 (SCWT). A cada dois segundos, o sujeito deve escolher a cor na qual o nome de uma cor é pintado (vermelho, verde, laranja, azul e roxo). Vários botões localizados na parte inferior da tela que contém a letra inicial de cada cor estão disponíveis para o assunto escolher a cor pintada em cada tempo. Por exemplo, o botão que refere-se ao azul retrata a letra B. No nosso caso, este teste é dividido em três diferentes níveis de dificuldade. Para o primeiro nível (SCWT1), as palavras”coloridas de cores” irão aparecer na mesma ordem em que os botões, para que cor e corresponder diretamente. Este nível é tomado como linha de base, como não envolve qualquer dificuldade e o assunto deve apenas pressione os botões corretamente, sempre na mesma ordem. Para o segundo nível (SCWT2), as palavras”coloridas de cores” aparecem aleatoriamente, mas a correspondência entre o nome e a cor é mantida. Cada vez que o assunto falha um sinal sonoro é emitido, e se forem dois erros, a pontuação de cor correta será redefinida. Para a última e mais difícil nível (SCWT3), nome e cor não coincidem. Desta forma este nível destina-se a ser mais complexo e estressante para o assunto. A terceira tarefa consiste o ritmo auditivo adição Serial test (PASAT)28, que mede o quanto o aluno experimenta um teste de concentração. Durante esta tarefa, uma sequência de números consecutivos é jogada em voz alta, e o aluno deve adicionar os dois últimos números e escreva o resultado em fornecida na tela da caixa antes de ouvir o próximo número. Nesta tarefa, se o sujeito comete um erro, um evento perturbador ocorre para gerar stress (dois números de som ao mesmo tempo ou um longo período de silêncio em mantida). Neste caso, se três erros são cometidos, a conta de soma será redefinida. A quarta tarefa consiste em uma atividade de hiperventilação para induzir a mesma variação em sinais fisiológicos que provocaria uma situação estressante,17. No final de cada tarefa e o nível, o assunto tem que indicar o nível de estresse percebido, usando o aplicativo em si, de acordo com uma escala de Likert de 5-valor.
Durante a fase de sala de aula, os alunos realizam suas atividades acadêmicas comuns juntamente com o resto dos seus colegas. O protocolo incide sobre os níveis de stress que ocorrem durante as atividades de sala de aula específica. No final da palestra, um breve questionário (anexo 1) é concluído, o aluno para indicar o nível de percepção de esforço nas várias atividades de acordo com uma escala de 5-valor.
Protocol
Representative Results
Discussion
Wearable dispositivos berços estão entre os mais populares produtos eletrônicos de consumo disponíveis hoje. Estes dispositivos são normalmente usados para monitorar atividades físicas, mas suas capacidades e desempenho poderiam ser de grande interesse em outras áreas. Neste trabalho, um protocolo para avaliar a utilização de dispositivos de wearable berços para estimar o estresse em ambientes de aprendizagem é discutido. A definição de um protocolo de tal é especialmente relevante para analisar diferentes …
Divulgations
The authors have nothing to disclose.
Acknowledgements
Este trabalho é apoiado pela agência espanhola de investigação sobre o estado e o Europeu fundo Desenvolvimento Regional (FEDER) no âmbito do projecto de PALLAS (TIN2016-80515-R AEI/FEDER, UE).
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).
