Ein Protokoll, Lösungen auf Basis von Commercial-off-the-Shelf (COTS) Handgelenk Wearables, Stress in der Schüler schätzen zu bewerten wird vorgeschlagen. Das Protokoll erfolgt in zwei Phasen, eine erste Labor-basierte Induktion Stresstest und eine Überwachung Bühne statt im Klassenzimmer während der Student akademischen Tätigkeiten ausführt.
Tragbare Commercial-off-the-Shelf (COTS) Geräte haben in den letzten Jahren zu überwachen, sportliche Aktivitäten, vor allem bei jungen Menschen beliebt. Zu diesen Geräten gehören Sensoren zum Sammeln von Daten auf physiologische Signale wie Herzfrequenz, Hauttemperatur oder Elektrodermale. Auf diese Art von Signalen Data Analytics-Techniken anwenden, ist es möglich, Schätzungen der übergeordneten Aspekte des menschlichen Verhaltens zu erhalten. In der Literatur gibt es mehrere Werke beschreiben die Verwendung von physiologischen Daten mit klinischen Geräten Informationen auf Schlaf-Muster oder Stress zu. Es ist jedoch noch eine offene Frage, ob mit Kinderbetten Handgelenk Wearables erfasst Daten zur psychologischen Zustand der Lernenden im Unterricht charakterisieren ausreicht. Dieser Artikel behandelt ein Protokoll, um Stress-Schätzung von Daten unter Verwendung von COTS Handgelenk Wearables zu bewerten. Das Protokoll wird in zwei Phasen durchgeführt. Die erste Stufe besteht aus einem kontrollierten Laborexperiment, wo eine mobile app verwendet wird, um verschiedene Druckstufen in einem Schüler durch ein entspannendes Video, einer Stroop-Farbe und Wort Test ein Paced Auditory Serial Zusatz-Test und eine Hyperventilation Test zu induzieren. In der zweite Phase erfolgt im Klassenzimmer, wo Stress analysiert wird, während mehrere akademische Tätigkeiten durchführt, nämlich Teilnahme an theoretischen Vorlesungen, Übungen und andere Einzelaktivitäten, und kurze Tests und Prüfungen. In beiden Fällen werden quantitative Daten aus Kinderbetten Handgelenk Wearables und qualitative Daten mittels Fragebögen berücksichtigt. Dieses Protokoll beinhaltet eine einfache und einheitliche Methode mit einer Stress-Induktion-app und Fragebögen, erfordern eine begrenzte Beteiligung der support-Mitarbeiter.
State-of-the-Art tragbare Technologien sind weit verbreitet, und ihrer Anwendungsumgebungen kontinuierlich erweitern. Wir finden auf dem Markt viele verschiedene Geräte, unter denen Kinderbetten Handgelenk Wearables1, wie smart-Uhren und intelligente Bänder sind beliebt bei Sportlern als eine persönliche körperliche Fitness monitoring Tool2. Indem Daten analytische Techniken können mit diesen Geräten die gewonnenen Daten verarbeitet werden, zu Indikatoren wie körperlichen Allgemeinzustand, schlafen Qualität oder Recovery-Faktor. Die nachgewiesene Anwendbarkeit in diesem Bereich hat Interesse in der akademischen Gemeinschaft über ihre mögliche Anwendung auf andere Bereiche, insbesondere die Gesundheit Domäne3,4, obwohl die strengen Anforderungen der klinischen Studien zu begrenzen Ihre Einführung. Jedoch in einem weniger anspruchsvollen Kontext wie Bildung, finden wir in der Literatur Untersuchungen, die die Verwendung von verschiedenen Arten von tragbaren Geräten, sowohl im Zusammenhang mit Lehre Aktivitäten5,6 und die Abschätzung der bestimmte Merkmale des Schülers wie Schlaf Muster7oder die Analyse des studentischen Engagements in verschiedene Bildungsaktivitäten8.
In unserem Fall konzentrieren wir uns auf die Analyse von Kinderbetten Handgelenk tragbarer Geräten als Mittel, um physiologische Signale zu sammeln, die schließlich Stress Schätzung, die wiederum ein wichtiger Aspekt in pädagogischen Kontexten erleichtern würde. Stress hat einen relevanten Einfluss in der Entwicklung von wissenschaftlichen Aktivitäten und allgemeine Schülerleistungen. Zum Beispiel Stresspegel beziehen sich direkt auf den Ausbruch des Burnout-Syndroms bei Studenten9,10,11, und hohen Beanspruchungen besonders relevant sind während dem ersten Jahr, wo Drop-out-Raten, zwischen 20 % und 30 %12,13 sind häufig. Erkennung und Steuerung von Stress-Indikatoren könnte akademische Leistung erheblich gesteigert.
Die Verwendung von COTS Handgelenk tragbaren Geräten ist gerechtfertigt, weil sie Sensoren verfügen, die Informationen über physiologische Signale, die von der wissenschaftlichen Gemeinschaft in Stress Beurteilung und Erkennung eingesetzt haben. Einige der Signale bezeichnet, in der Literatur verwendet zu diesem Zweck Herzfrequenz (HF)14, Herzfrequenz Varaibility15, Haut Temperatur (ST)16, Atmung14, und Elektrodermale (GSR)17aufzunehmen. Diese Signale können durch COTS Handgelenk Wearables erfasst werden. Sie bieten jedoch nicht die gleiche Leistung wie klinische Geräte. Gibt es Unterschiede im Zusammenhang mit der Genauigkeit der Sensoren unter Geräte18,19,20,21. Dennoch, frühere Werke18,19,20,21 haben gezeigt, dass, in einem Szenario mit langsamen Satz Kinderbetten Handgelenk tragbare Sensoren Fehlermuster ähnlich wie spezielle Geräte.
Das Ziel dieses Papiers ist ein Protokoll zur Bewertung verschiedener Lösungen für Stress-Schätzung in der Schüler mit Kinderbetten Handgelenk Wearables einzuführen. Es gibt viele Regelungen, die Stressbelastung, bei denen verschiedene Handgelenk tragbare Geräte und Daten Analyse-Techniken und insbesondere Algorithmen des maschinellen Lernens schätzen vorgeschlagen werden können. Kinderbetten Handgelenk Wearables zeichnen sich durch ihre hohe Fragmentierung, Heterogenität und Interoperabilität Probleme-22. Drei Unternehmen haben einen aggregierte Marktanteil von fast 50 %23, aber viele andere Unternehmen entfallen viel kleineren einzelnen Markt teilt mit einem aggregierten Anteil über 50 %. Auf der anderen Seite im Hinblick auf die Heterogenität, nicht alle Wearables haben die gleiche Anzahl und Art der Sensoren mit Beschleunigungssensoren und h-Sensoren ist die am häufigsten, und ST und der GSR nur bei 5 % der Geräte untersucht. Wie für Interoperabilität gibt es verschiedene Betriebssysteme und Daten Sammlung Ansätze, die nicht miteinander kompatibel sind. Für das Machine learning-Techniken, die angewendet werden können, um Stress durch ein handgelenkgerät erhobenen Daten zu schätzen, gibt es viele Optionen zur Verfügung24, darunter Entscheidungsbäume, neuronale Netze, nächster Nachbar Ansätze, Naïve Bayes Klassifikatoren, etc. zu summieren, gibt es eine Vielzahl von Lösungen, die für Stress-Schätzung, entwickelt werden kann, so ist es instrumental, entwerfen eine Auswertung Protokoll zur Erleichterung des Vergleichs unter verschiedenen vorläufige Optionen, wählen schließlich die in einem bestimmten Kontext am besten geeignet.
Für die Durchführung des Protokolls sind mehrere Tools benötigt (Abbildung 1). Zunächst wird ein Kinderbetten Handgelenk tragbares Gerät benötigt, um physiologische Daten zu holen. Dieses tragbare Gerät sollte mindestens haben HR Überwachung Fähigkeiten, sondern zusätzliche Sensoren sind erwünscht (z. B. Beschleunigungsmesser, ST, GSR Sensoren). Zweitens ist eine Smartphone mit der app PhysiologicalSignal erforderlich, die von dem tragbaren Gerät erfassten Daten zu sammeln. Drittens: ein Tablet läuft die StressTest-app ist notwendig, um Stress Induktion Übungen ausführen (das Smartphone könnte stattdessen die Tablette für diesen Zweck verwendet). Viertens, einige Fragebögen qualitative Daten über Schüler Wahrnehmung über Stress sammeln. Fünftens: ein Server mit einem Web service25 Datenerhebung und Vorverarbeitung und ein Web-Dashboard zur Beobachtung die Entwicklung der Signale durchführen. Und zu guter Letzt ein Data Analytics Paket26 zur Verarbeitung der Daten gesammelt über Studenten, die mit Maschine Lerntechniken.
Das Protokoll der Auswertung gliedert sich in zwei Phasen. Das erste man der Laborphase erfolgt in einem komfortablen Zimmer, wo verschiedene Druckstufen (d.h., “relax”, “konzentriert Stress” und “stress”) zu einem Ziel-Thema (Student) induziert werden durch mehrere allgemeine Stress erzeugenden Aufgaben. Der zweite Teil findet im Klassenzimmer, und es beinhaltet eine Überwachung der Schülers während der Leistung von mehreren akademischen Aktivitäten: theoretische Erklärungen, Einzelaktivitäten, kurze Tests, Prüfungen, etc. während der Durchführung des Dieses Protokoll, das Thema der physiologische Signale werden durch ein handgelenkgerät erfasst. Schließlich werden diese Signale von Machine learning-Algorithmen um Schätzungen auf das Niveau des Druckes verarbeitet.
Während der Laborphase wird die StressTest-app verwendet, um verschiedene Druckstufen zu induzieren. Diese app führt das Thema bis zum Abschluss der vier verschiedene Aufgaben. Die erste Aufgabe ist die Schaffung eine Basislinie für die Spannungsanalyse. In dieser Aufgabe visualisiert der Student eine 4-minütige entspannende Video in der verschiedene Aufnahmen eines Sonnenuntergangs auf einer Brücke gezeigt werden. Die zweite Aufgabe ist eine Adaption der Stroop-Farbe und Wort Test27 (SCWT). Alle zwei Sekunden muss das Thema die Farbe auswählen, in der der Name einer Farbe (rot, grün, Orange, blau und violett) lackiert ist. Mehrere Schaltflächen am unteren Rand des Bildschirms mit den Anfangsbuchstaben der einzelnen Farben sind für das Thema wählen Sie die gemalte Farbe zu jeder Zeit verfügbar. Beispielsweise zeigt die Schaltfläche, die bezieht sich auf die blauen Buchstaben b In unserem Fall ist dieser Test in drei verschiedenen Schwierigkeitsgraden unterteilt. Für die erste Ebene (SCWT1) erscheint die farbigen “Worte der Farben” in der gleichen Reihenfolge wie die Tasten, so dass Farbe und Name direkt entsprechen. Diese Ebene wird als Grundlinie, übernommen, da es keine Schwierigkeiten beinhaltet und das Thema sollte nur drücken Sie die Tasten richtig, immer in der gleichen Reihenfolge. Für die zweite Stufe (SCWT2) die farbigen “Worte der Farben” zufällig erscheinen, aber die Korrespondenz zwischen Name und Farbe beibehalten. Jedes Mal das Thema schlägt fehl, ein akustisches Signal ertönt, und wenn zwei Fehler gemacht werden, wird die richtige Farbe Partitur zurückgesetzt werden. Für die letzte und schwierigste Stufe (SCWT3) übereinstimmen Name und Farbe nicht. Auf diese Weise soll dieser Ebene werden immer komplexer und belastend für das Thema. Die dritte Aufgabe besteht auf der Paced Auditory Serial Zusatz Test (PASAT)28, die misst, wie der Student einen Konzentration Test erlebt. Während dieser Aufgabe eine Sequenz von aufeinander folgenden Zahlen laut gespielt wird, und die Schüler muss die letzten beiden Zahlen und schreiben das Ergebnis in der mitgelieferten box auf dem Bildschirm vor dem hören auf die nächste Nummer hinzufügen. In dieser Aufgabe das Thema macht einen Fehler, tritt ein Ereignis zu stören um Stress zu erzeugen (zwei zur gleichen Zeit solide Zahlen oder einer langen Zeit des Schweigens in beibehalten). Wenn drei Fehler begangen werden, wird in diesem Fall das Sum-Konto zurückgesetzt. Die vierte Aufgabe besteht aus einer Hyperventilation-Aktivität induzieren gleichen Varianz in den physiologischen Signalen, die eine Stresssituation17provozieren würde. Am Ende jeder Aufgabe und hat den Betreff an der wahrgenommenen Stresslevel mithilfe der Anwendung selbst, nach einer 5-Wert-Likert-Skala.
Während der Phase der Klassenzimmer Studenten ihre Tätigkeit ausüben, ordentliche akademische zusammen mit dem Rest ihrer Mitschüler. Das Protokoll konzentriert sich auf den Stress, die während der Klassenzimmer-spezifische Aktivitäten auftreten. Am Ende des Vortrags ein kurzer Fragebogen (Anhang 1) komplettiert die Schüler um das wahrgenommene Niveau des Druckes an den verschiedenen Aktivitäten nach einer 5-Wert-Skala anzugeben.
Kinderbetten tragbare Geräte gehören zu den beliebtesten Unterhaltungselektronikprodukte heute verfügbaren. Diese Geräte werden in der Regel verwendet, um körperliche Aktivitäten zu überwachen könnte, aber ihre Fähigkeiten und Leistung in anderen Bereichen von großem Interesse. In diesem Papier wird ein Protokoll zu Kinderbetten tragbare Geräte für die Schätzung der Stress in Lernumgebungen beurteilen diskutiert. Die Definition eines solchen Protokolls ist besonders wichtig, um verschiedene Lösungen rund um…
The authors have nothing to disclose.
Diese Arbeit wird unterstützt durch den spanischen Staat Research Agency und der europäischen regionalen Entwicklung Fonds (EFRE) im Rahmen des Projekts PALLAS (TIN2016-80515-R AEI/EFRE, EU).
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 |