Valutazione del polso Commercial-Off-The-Shelf indossabili per stimare lo Stress sugli studenti
Summary
Viene proposto un protocollo per valutare soluzioni basate su wearables polso di commercial-off-the-shelf (COTS) per stimare lo stress negli studenti. Il protocollo viene effettuato in due fasi, una prova di induzione di stress iniziale basata su laboratorio e una fase di monitoraggio che si svolgono in aula mentre l’allievo sta eseguendo attività accademiche.
Abstract
Wearable commercial-off-the-shelf (COTS) dispositivi sono diventati popolari durante gli ultimi anni di monitorare le attività di sport, soprattutto tra i giovani. Questi dispositivi includono sensori per raccogliere dati su segnali fisiologici come la frequenza cardiaca, la temperatura della pelle o risposta galvanica cutanea. Applicando tecniche analitica dei dati a questi tipi di segnali, è possibile ottenere stime di livello superiore aspetti del comportamento umano. Nella letteratura, ci sono diverse opere che descrivono l’utilizzo dei dati fisiologici raccolti tramite dispositivi clinici per ottenere informazioni sui modelli di sonno o di stress. Tuttavia, è ancora una questione aperta se dati acquisiti utilizzando wearables polso culle sono sufficienti a caratterizzare lo stato psicologico dei discenti in contesti educativi. Questa carta discute un protocollo per valutare lo stress stima dai dati ottenuti utilizzando wearables polso culle. Il protocollo viene effettuato in due fasi. Il primo stadio è costituito da un esperimento di laboratorio controllate, dove un app mobile viene utilizzato per indurre livelli differenti di sforzo in un allievo per mezzo di un video rilassante, un colore di Stroop e test Word, una prova di ritmo uditiva inoltre seriale e un test di iperventilazione. La seconda fase avviene in aula, dove lo stress è analizzato durante l’esecuzione di diverse attività accademiche, vale a dire partecipando alle lezioni teoriche, facendo esercizi e altre attività individuali e prendere gli esami e test di breve durata. In entrambi i casi, sia i dati quantitativi ottenuti da wearables polso culle e dati qualitativi raccolti mediante questionari sono considerati. Questo protocollo coinvolge un metodo semplice e coerenza con un app di induzione di stress e questionari, che richiedono una partecipazione limitata di personale di supporto it.
Introduction
Stato-of-the-art tecnologie indossabili sono ampiamente disponibili, e loro ambienti di applicazione sono in continua espansione. Possiamo trovare sul mercato molti dispositivi diversi, tra cui lettini da polso wearables1, come orologi intelligenti e smart band, sono popolare tra gli atleti come una forma fisica personale monitoraggio strumento2. Mediante l’applicazione di tecniche analitiche di dati, i dati ottenuti utilizzando questi dispositivi possono essere elaborati per fornire indicatori come stato fisico generale, dormire fattore di qualità o di recupero. L’applicabilità dimostrata in quest’area ha sollevato interesse nella comunità accademica sulle loro possibili applicazioni in altri campi, soprattutto in salute dominio3,4, anche se limitano i severi requisiti delle sperimentazioni cliniche loro introduzione. Tuttavia, in un meno impegnativo contesto come l’istruzione, possiamo trovare nelle indagini recenti letteratura che coinvolge l’uso di diversi tipi di dispositivi indossabili, sia legate all’insegnamento di attività5,6 e per la stima della alcune caratteristiche dello studente come sonno modelli7, o l’analisi dell’impegno degli studenti in diverse attività educative8.
Nel nostro caso, ci concentriamo sull’analisi di dispositivi indossabili di culle da polso come mezzo per raccogliere segnali fisiologici che alla fine avrebbero facilitato stima lo stress, che a sua volta è un aspetto fondamentale nei contesti educativi. Lo stress ha un’influenza rilevante nello sviluppo delle attività accademiche e le prestazioni complessive degli studenti. Ad esempio, i livelli di stress sono direttamente correlati all’insorgenza della sindrome del burnout in studenti9,10,11, e alti livelli di stress sono particolarmente rilevanti durante l’anno da matricola, dove tassi di abbandono tra il 20% e 30%12,13 sono comuni. Rilevamento e il controllo di indicatori di stress potrebbe migliorare notevolmente le prestazioni accademiche.
L’uso di dispositivi indossabili di culle da polso è giustificato perché hanno sensori che forniscono informazioni su segnali fisiologici che sono stati ampiamente utilizzati dalla comunità scientifica in rilevamento e la valutazione dello stress. Alcuni dei segnali di cui nella letteratura utilizzata per questo scopo includere la frequenza cardiaca (HR)14, frequenza cardiaca varaibility15, pelle temperatura (ST)16, respirazione14e risposta galvanica cutanea (GSR)17. Questi segnali possono essere raccolti da wearables polso lettini per bambini. Tuttavia, non offrono le stesse prestazioni cliniche dispositivi. Esistono differenze relative all’accuratezza dei sensori tra dispositivi18,19,20,21. Tuttavia, precedente opere18,19,20,21 hanno dimostrato che, in uno scenario in lento movimento, sensori indossabili di culle da polso hanno modelli di errore simili a dispositivi specializzati.
Lo scopo di questa carta è di introdurre un protocollo per la valutazione di diverse soluzioni per la stima di stress negli studenti utilizzando wearables polso lettini per bambini. Ci sono molte disposizioni che possono essere proposti per stimare i livelli di stress, che comportano l’uso di differenti da polso indossabile dispositivi e dati analitica tecniche e più specificamente gli algoritmi di apprendimento di macchina. Wearables polso culle sono caratterizzati dalla loro alta frammentazione, eterogeneità e interoperabilità problemi22. Tre aziende hanno una quota di mercato aggregata di quasi 50%23, ma condivide molti altri account di aziende per mercato individuo molto più piccolo, con una quota aggregata superiore al 50%. D’altra parte, in termini di eterogeneità, non tutti i capi d’abbigliamento hanno lo stesso numero e tipo di sensori, con accelerometri e sensori di h è il più comune, e della ST e di GSR solo essere presenti nel 5% dei dispositivi studiati. Per quanto riguarda l’interoperabilità, ci sono diversi approcci raccolta dati e sistemi operativi che non sono compatibili con a vicenda. Per quanto riguarda la macchina di apprendimento di tecniche che possono essere applicati per valutare lo stress dai dati raccolti per mezzo di un dispositivo da polso, ci sono molte opzioni disponibili24, compresi alberi di decisione, reti neurali, più vicina vicino approcci, Naïve Bayes classificatori, ecc. per riassumere, c’è una grande varietà di soluzioni che possono essere sviluppati per la stima di stress, quindi è strumentale per la progettazione di un protocollo di valutazione per facilitare il confronto tra diverse opzioni provvisori per poi selezionare la il più adatto in un dato contesto.
Per l’attuazione del protocollo, diversi strumenti sono necessari (Figura 1). In primo luogo, è necessario un dispositivo indossabile al polso di culle per recuperare i dati fisiologici. Questo dispositivo indossabile dovrebbe avere almeno HR capacità, ma ulteriori sensori di monitoraggio sono desiderabili (ad es., sensori di accelerometro, ST, GSR). In secondo luogo, uno smartphone in esecuzione l’app PhysiologicalSignal è necessaria per raccogliere i dati acquisiti dal dispositivo indossabile. In terzo luogo, un tablet che eseguono l’app StressTest è necessario per eseguire gli esercizi di induzione di stress (lo smartphone potrebbe essere utilizzato invece il tablet per questo scopo). In quarto luogo, alcuni questionari per raccogliere dati qualitativi sulla percezione degli studenti sullo stress. Quinto, un server con un Web servizio25 per eseguire la raccolta dati e pre-elaborazione e un dashboard Web per mostrare l’evoluzione dei segnali. E infine, un dati analitica pacchetto26 per elaborare i dati raccolti sugli studenti utilizzando tecniche di machine learning.
Il protocollo di valutazione è organizzato in due fasi. Quello primo, la fase di laboratorio, avviene in una camera confortevole, dove i livelli differenti di sforzo (cioè, “relax”, “sforzo concentrato” e “stress”) sono indotti a un oggetto di destinazione (uno studente) attraverso varie attività comuni e stressanti. La seconda parte si svolge in aula, e coinvolge lo studente di monitoraggio durante la realizzazione di diverse attività accademiche: spiegazioni teoriche, attività individuali, test di breve durata, esami, ecc. , durante l’attuazione del Questo protocollo, fisiologico del soggetto segnali vengono catturati per mezzo di un dispositivo da polso. Infine, questi segnali vengono elaborati dalla macchina di apprendimento di algoritmi per fornire stime sul livello di stress.
Durante la fase di laboratorio, l’app di StressTest viene utilizzato per indurre i livelli differenti di sforzo. Questa applicazione Guida il soggetto per il completamento di quattro diversi compiti. Il primo compito è quello di creare una linea di base per l’analisi della sollecitazione. In questa attività lo studente Visualizza un video di 4 minuti rilassante in cui sono mostrati diversi scatti di un tramonto su un ponte. La seconda attività è un adattamento di Stroop colore e parola Test27 (SCWT). Ogni due secondi, il soggetto deve scegliere il colore in cui il nome di un colore è dipinto (rosso, verde, arancione, blu e viola). Diversi pulsanti situati nella parte inferiore della schermata contenente la lettera iniziale di ogni colore sono disponibili per il soggetto di scegliere il colore dipinto in ogni momento. Ad esempio, il pulsante che fa riferimento al blu raffigura la lettera B. Nel nostro caso, questo test è diviso in tre diversi livelli di difficoltà. Per il primo livello (SCWT1), “le parole colorate di colori” apparirà nello stesso ordine come i pulsanti, quindi colore e nome corrispondono direttamente. Questo livello è presa come linea di base, come non comporta alcuna difficoltà e il soggetto deve solo premere i pulsanti correttamente, sempre nello stesso ordine. Per il secondo livello (SCWT2), “le parole colorate di colori” appaiono in modo casuale, ma viene mantenuta la corrispondenza tra nome e colore. Ogni volta che il soggetto non riesce un segnale acustico viene emesso, e se vengono apportati due errori, il Punteggio di colore corretto verrà reimpostato. Per il livello ultimo, più difficile (SCWT3), nome e colore non corrispondono. In questo modo questo livello è destinato a essere più complessa e stressante per il soggetto. La terza attività consiste il ritmo uditiva aggiunta seriale test (PASAT)28, che misura come lo studente sperimenta una prova di concentrazione. Durante questa operazione, una sequenza di numeri consecutivi è giocata ad alta voce, e lo studente deve aggiungere gli ultimi due numeri e scrivere il risultato in dotazione scatola sullo schermo prima di ascoltare il prossimo numero. In questa attività, se il soggetto fa un errore, un evento sconvolgente si verifica per generare stress (due numeri suono allo stesso tempo o un lungo periodo di silenzio nel mantenuto). In questo caso, se tre errori sono commessi, l’account di sum verrà reimpostata. Il quarto compito consiste in un’attività di iperventilazione per indurre la stessa variazione nei segnali fisiologici che provocherebbe una situazione stressante17. Alla fine di ogni attività e ogni livello, il soggetto deve indicare il livello di sforzo percepito, utilizzando l’applicazione stessa, secondo una scala di Likert 5-valore.
Durante la fase d’aula, gli studenti svolgono loro ordinaria attività accademiche insieme con il resto dei loro compagni di classe. Il protocollo si concentra sui livelli di stress che si verificano durante le attività di aula-specifici. Alla fine della lezione, un breve questionario (allegato 1) è completato dallo studente per indicare il livello di stress nelle diverse attività secondo una scala di 5-valore percepito.
Protocol
Representative Results
Discussion
Dispositivi indossabili lettini per bambini sono tra i più popolari prodotti di elettronica di consumatore oggi disponibili. Questi dispositivi in genere vengono utilizzati per monitorare le attività fisiche, ma la loro capacità e le prestazioni potrebbero essere di grande interesse in altre zone. In questa carta, un protocollo per valutare l’uso di dispositivi indossabili culle per stimare lo sforzo in ambienti di apprendimento è discussa. La definizione di tale protocollo è particolarmente rilevante al fine di ana…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Questo lavoro è supportato dall’agenzia di ricerca dello stato spagnolo e il Fondo europeo di sviluppo regionale (FESR) nell’ambito del progetto di PALLAS (TIN2016-80515-R AEI/FESR, 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).
