Évaluation de Commercial-Off-The-Shelf poignet portatifs pour évaluer le Stress sur les élèves
Summary
Un protocole pour évaluer les solutions basées sur commercial-off-the-shelf (COTS) poignet portatifs pour évaluer le stress chez les étudiants est proposé. Le protocole est effectué en deux phases, un test d’induction de la contrainte initiale en laboratoire et une phase de surveillance qui ont lieu dans la salle de classe lorsque l’étudiant effectue des activités académiques.
Abstract
Wearable dispositifs de commercial-off-the-shelf (COTS) sont devenus populaires au cours des dernières années pour surveiller les activités sportives, principalement chez les jeunes. Ces systèmes incluent les capteurs pour recueillir des données sur des signaux physiologiques comme la fréquence cardiaque, température cutanée ou psychogalvanique. En appliquant les techniques données analytique à ces types de signaux, il est possible d’obtenir des estimations des aspects du comportement humain. Dans la littérature, il y a plusieurs ouvrages décrivant l’utilisation des données physiologiques recueillies à l’aide de dispositifs cliniques pour obtenir des informations sur les habitudes de sommeil ou de stress. Cependant, c’est toujours une question ouverte, si les données capturées à l’aide de vêtements poignet COTS sont à caractériser l’état psychologique des apprenants en milieu scolaire. Cet article discute un protocole pour évaluer l’estimation de la contrainte des données obtenues à l’aide de vêtements poignet COTS. Le protocole est effectué en deux phases. La première étape consiste d’une expérience de laboratoire contrôlées, où une application mobile est utilisée pour induire des niveaux de stress différentes dans un étudiant au moyen d’une vidéo détente, une couleur de Stroop et Word test, un test au rythme Auditory Serial Addition et un test d’hyperventilation. La deuxième phase est réalisée dans la salle de classe, où le stress est analysé tout en effectuant plusieurs activités académiques, à savoir assister aux cours théoriques, faire des exercices et autres activités individuelles et prenant des examens et des tests courts. Dans les deux cas, les données quantitatives obtenues par wearables poignet COTS et les données qualitatives recueillies au moyen de questionnaires sont considérées. Ce protocole implique une méthode simple et cohérente avec une app de l’induction de stress et questionnaires, nécessitant une faible participation des employés de soutien.
Introduction
State-of-the-art technologies portables sont largement disponibles, et leurs environnements applicatifs sont en expansion continue. Nous pouvons trouver dans le marché de nombreux appareils différents, parmi laquelle COTS wearables poignet1, tels que montres smart et smart bandes, sont appréciés des athlètes comme un conditionnement physique surveillance outil2. En appliquant des techniques d’analyse des données, les données obtenues à l’aide de ces appareils peuvent être traitées pour fournir des indicateurs tels que l’état physique général, facteur de qualité ou de la récupération du sommeil. L’applicabilité démontrée dans ce domaine suscité l’intérêt pour la communauté universitaire sur leur éventuelle application à d’autres domaines, en particulier dans le domaine santé3,4, bien que limitent les exigences strictes des essais cliniques leur introduction. Toutefois, dans une moins exigeant contexte comme l’éducation, nous pouvons trouver dans les enquêtes récentes de littérature impliquant l’utilisation de différents types d’appareils portables, tous deux liés à l’enseignement des activités5,6 et à l’estimation des certaines caractéristiques de l’étudiant comme sommeil modèles7, ou l’analyse de l’engagement des étudiants dans différentes activités éducatives8.
Dans notre cas, nous nous concentrons sur les lits poignet portables appareils d’analyse comme moyen de recueillir les signaux physiologiques qui faciliteraient éventuellement estimation de stress, qui à son tour est un aspect clé dans des contextes éducatifs. Stress a une influence pertinente dans le développement des activités académiques et le rendement global des élèves. Par exemple, les niveaux de stress sont directement liées à l’apparition du syndrome burnout chez les étudiants9,10,11, et niveaux élevés de stress sont particulièrement importants au cours de la première année, où les taux de décrochage entre 20 % et 30 %12,13 sont fréquentes. Détection et contrôle des indicateurs de stress pourraient améliorer considérablement les performances académiques.
L’utilisation de dispositifs portables de COTS poignet est justifiée parce qu’ils ont des capteurs qui fournissent des informations sur les signaux physiologiques qui ont été largement utilisés par la communauté scientifique dans la détection et évaluation de la contrainte. Certains des signaux dont la littérature utilisée à cette fin comprennent14de la fréquence cardiaque (FC), fréquence cardiaque varaibility15, peau température (ST)16, respiration14et psychogalvanique (GSR)17. Ces signaux peut être collectées par wearables poignet COTS. Cependant, ils n’offrent pas les mêmes performances que les dispositifs cliniques. Il existe des différences liées à la précision des capteurs entre dispositifs18,19,20,21. Néanmoins, précédentes œuvres18,19,20,21 ont montré que, dans un scénario de mouvement lent, COTS poignet portables capteurs ont des schémas d’erreurs semblables à des périphériques spécialisés.
Cet article vise à mettre en place un protocole pour évaluer les différentes solutions pour l’estimation de stress chez les étudiants à l’aide de vêtements poignet COTS. Il y a de nombreux arrangements qui peuvent être proposées pour estimer les niveaux de stress, impliquant l’utilisation de différents poignet portable dispositifs techniques et de données analytique et plus précisément d’algorithmes d’apprentissage machine. Wearables poignet COTS sont caractérisent par leur grande fragmentation, l’hétérogénéité et interopérabilité problèmes22. Trois entreprises ont une part de marché agrégée de presque 50 %23, mais plusieurs autre sociétés représentent beaucoup plus petit marché individuel, avec une part agrégée supérieur à 50 %. En revanche, en termes d’hétérogénéité, pas tous les vêtements ont le même nombre et le type de capteurs, avec accéléromètres et des capteurs h étant le plus commun, et de GSR et de ST uniquement présent chez 5 % des dispositifs étudiés. En ce qui concerne l’interopérabilité, il existe différents systèmes d’exploitation et données collection des approches qui ne sont pas compatibles entre eux. En ce qui concerne la machine, apprentissage de techniques qui peuvent être appliqués pour estimer les contraintes à partir des données recueillies au moyen d’un dispositif de poignet, il y a plusieurs options disponibles24, y compris les arbres de décision, réseaux de neurones, le plus proche voisin des approches, Naïve Bayes classificateurs, etc. , pour résumer, il existe une grande variété de solutions qui peuvent être développés pour une estimation du stress est instrumentale de concevoir un protocole d’évaluation pour faciliter la comparaison entre les différentes options indicatives pour finalement choisir le plus approprié dans un contexte donné.
Pour la mise en œuvre du protocole, plusieurs outils sont nécessaires (Figure 1). Tout d’abord, un dispositif portable de COTS poignet est nécessaire pour extraire des données physiologiques. Ce dispositif portable doit avoir au moins HR suivi des capacités, mais capteurs supplémentaires est souhaitable (p. ex., les capteurs accéléromètre, ST, GSR). Deuxièmement, un smartphone sous l’app PhysiologicalSignal est nécessaire pour recueillir les données saisies par le dispositif portable. Troisièmement, une tablette en exécutant l’application StressTest est nécessaire pour exécuter les exercices d’induction de stress (le smartphone pourrait être utilisé à la place la tablette pour cela). Quatrièmement, certains questionnaires pour recueillir des données qualitatives sur la perception des étudiants sur le stress. Cinquièmement, un serveur avec un Web service25 pour effectuer la collecte de données et le traitement préalable et un tableau de bord Web pour montrer l’évolution des signaux. Et enfin, un paquet d’analytique données26 pour traiter les données recueillies sur les élèves à l’aide de techniques d’apprentissage automatique.
Le protocole d’évaluation est organisé en deux phases. L’une, la phase de laboratoire, est effectuée dans une chambre confortable, où des niveaux de stress différentes (c’est-à-dire, « relax », « stress concentré » et « souligner ») sont amenées à un objet cible (un étudiant) par le biais de plusieurs tâches courantes de stress induisant. La deuxième partie se déroule dans la salle de classe, et il comprend la surveillance de l’étudiant au cours de la réalisation de plusieurs activités académiques : explications théoriques, des activités individuelles, tests courts, examens, etc. pendant la mise en œuvre de Ce protocole, le sujet du physiologique des signaux sont captés au moyen d’un dispositif de poignet. Enfin, ces signaux est traités par des algorithmes pour fournir des estimations sur le niveau de stress d’apprentissage automatique.
Au cours de la phase de laboratoire, l’app de StressTest est utilisé pour induire des contraintes différentes. Cette application guide le sujet à l’achèvement de quatre différentes tâches. La première tâche consiste à créer une base de référence pour l’analyse des contraintes. Dans cette tâche, l’élève visualise une vidéo de 4 minutes de détente dans lequel figurent les différents plans d’un coucher de soleil sur un pont. La deuxième tâche est une adaptation de la Stroop Color et mot Test27 (SCWT). Toutes les deux secondes, le sujet doit choisir la couleur dans laquelle le nom d’une couleur est peint (rouge, vert, orange, bleu et violet). Il existe plusieurs boutons situés au bas de l’écran contenant la lettre initiale de chaque couleur pour l’objet à choisir la couleur peinte à chaque fois. Par exemple, le bouton qui fait référence au bleu représente la lettre B. Dans notre cas, ce test est divisé en trois niveaux différents de difficulté. Pour le premier niveau (SCWT1), les couleurs « mots de couleurs » apparaîtra dans le même ordre que les boutons, couleur et nom correspondre directement. Ce niveau est pris comme référence, car il n’implique aucune difficulté et le sujet devrait seulement Appuyez sur les touches correctement, toujours dans le même ordre. Pour le deuxième niveau (SCWT2), les « mots de couleurs » colorées apparaissent au hasard, mais la correspondance entre le nom et la couleur est maintenue. Chaque fois que le sujet ne parvient pas à un signal sonore est émis, et si deux erreurs sont commises, le score de la couleur appropriée sera réinitialisé. Pour le dernier, le plus difficile niveau (SCWT3), nom et la couleur ne correspondent pas. De cette manière, ce niveau est destiné à être plus complexe et stressante pour le sujet. La troisième tâche consiste le rythme Auditory Serial Addition test (Passat)28, qui mesure comment l’étudiant subit un test de concentration. Au cours de cette tâche, une séquence de nombres consécutifs est lu à haute voix, et l’étudiant doit ajouter les deux derniers chiffres et écrire le résultat dans la boîte à l’écran avant d’écouter le prochain numéro. Dans cette tâche, si le sujet fait une erreur, un événement inquiétant se produit afin de générer de stress (deux numéros sonore en même temps ou une longue période de silence en maintenus). Dans ce cas, si trois erreurs sont commises, le compte de la somme sera réinitialisé. La quatrième tâche consiste en une activité d’hyperventilation pour induire la même variation dans les signaux physiologiques qui provoquerait une situation stressante17. À la fin de chaque tâche et le niveau, le sujet est indiquer le niveau de stress perçu, à l’aide de l’application elle-même, selon une échelle de Likert 5-valeur.
Pendant la phase de la salle de classe, élèves accomplissent leurs activités académiques ordinaires ainsi que le reste de leurs camarades de classe. Le protocole met l’accent sur le niveau de stress qui se produire lors des activités spécifiques en classe. À la fin de la Conférence, un bref questionnaire (annexe 1) est complété par l’étudiant pour indiquer le niveau de perception du stress chez les plusieurs activités selon une échelle de valeur 5.
Protocol
Representative Results
Discussion
Dispositifs portables de lits sont parmi les plus populaires les appareils électroniques disponibles aujourd’hui. Ces dispositifs sont généralement utilisés pour surveiller les activités physiques, mais leurs performances et les capacités pourraient être d’un grand intérêt dans d’autres domaines. Dans cet article, un protocole pour évaluer l’utilisation des dispositifs portables COTS pour estimer les contraintes dans des environnements d’apprentissage est discuté. La définition d’un tel protocole es…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Ce travail est soutenu par l’Agence de recherche d’État espagnol et le Fonds européen de développement régional (FEDER) selon le projet de PALLAS (TIN2016-80515-R AEI/FEDER, Union européenne).
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).
