Evaluación de Wearables comercial fuera de la plataforma-muñeca para estimar la tensión en los estudiantes
Summary
Se propone un protocolo para evaluar soluciones basadas en accesorios personales de muñeca de fuera plataforma comercial (COTS) para estimar el estrés en los estudiantes. El protocolo se lleva a cabo en dos fases, una prueba de inducción de estrés de laboratorio inicial y una etapa de seguimiento tendrá lugar en el salón de clases mientras el estudiante está realizando actividades académicas.
Abstract
Para dispositivos de (COTS) comercial de la plataforma se han vuelto populares en los últimos años para controlar las actividades deportivas, sobre todo entre los jóvenes. Estos dispositivos incluyen sensores para recolectar datos en señales fisiológicas como pulso, temperatura de la piel o la respuesta galvánica de la piel. Mediante la aplicación de técnicas de análisis de datos para este tipo de señales, es posible obtener estimaciones de alto nivel aspectos del comportamiento humano. En la literatura hay varios trabajos que describen el uso de los datos fisiológicos recogidos utilizando dispositivos clínicos para obtener información sobre patrones de sueño o estrés. Sin embargo, sigue siendo una cuestión abierta si los datos capturados utilizando wearables muñeca de cunas están suficientes para caracterizar el estado psicológico de los alumnos en contextos educativos. Este artículo discute un protocolo para evaluar estrés estimación de los datos obtenidos utilizando wearables muñeca de cunas. El protocolo se lleva a cabo en dos fases. La primera etapa consiste en un experimento de laboratorio controlado, donde se utiliza una aplicación móvil para inducir niveles de estrés diferentes en un estudiante por medio de un vídeo relajante, un Stroop Color y prueba de Word, una prueba auditiva Serial además de ritmo y una prueba de hiperventilación. La segunda fase se lleva a cabo en el aula, donde se analiza el estrés y realizar varias actividades académicas, es decir, asistiendo a clases teóricas, haciendo ejercicios y otras actividades individuales y tomando exámenes y pruebas cortas. En ambos casos, se consideran datos cuantitativos obtenidos de wearables muñeca de cunas y datos cualitativos recogidos mediante cuestionarios. Este protocolo trata de un método simple y consistente con una aplicación de la inducción de estrés y cuestionarios, que requieran una limitada participación de personal de apoyo.
Introduction
Tecnologías vestibles están ampliamente disponibles, y sus entornos de aplicaciones están en continua expansión. Podemos encontrar en el mercado muchos dispositivos diferentes, entre que cunas muñeca wearables1, tales como relojes smart y smart bandas, son populares entre los atletas como un estado físico personal, monitoreo de la herramienta2. Mediante la aplicación de técnicas de análisis de datos, los datos obtenidos mediante estos dispositivos se pueden procesar a indicadores como el estado físico general, factor de calidad o la recuperación del sueño. La aplicabilidad demostrada en esta área levantó interés entre la comunidad académica sobre su posible aplicación a otros campos, especialmente en el dominio de salud3,4, aunque limitan los estrictos requisitos de ensayos clínicos su introducción. Sin embargo, en una menos exigente contexto tales como la educación, podemos encontrar en las investigaciones recientes de la literatura que implican el uso de diferentes tipos de dispositivos portátiles, ambos relacionados a la enseñanza de actividades5,6 y a la valoración de ciertas características del estudiante como de los patrones de sueño7, o el análisis de la participación de los estudiantes en diferentes actividades educativas8.
En nuestro caso, nos centramos en el análisis de dispositivos portátiles de cuna muñeca como medio para recoger las señales fisiológicas que eventualmente facilitaría la estimación de estrés, que a su vez es un aspecto clave en contextos educativos. El estrés tiene una influencia relevante en el desarrollo de actividades académicas y el rendimiento general del alumnado. Por ejemplo, niveles de estrés están directamente relacionados con la aparición del síndrome de burnout en estudiantes9,10,11, y altos niveles de estrés son especialmente relevantes durante el primer año, en tasas de deserción entre el 20% y 30%12,13 son comunes. Detectar y controlar indicadores de estrés podrían mejorar dramáticamente el rendimiento académico.
El uso de dispositivos portátiles de cuna muñeca se justifica porque tienen sensores que proporcionan información sobre las señales fisiológicas que han sido ampliamente utilizadas por la comunidad científica en la detección y evaluación del estrés. Algunas de las señales que se refirieron en la literatura utilizada para este propósito incluyen ritmo cardíaco (hora)14, pulso varaibility15, piel temperatura (ST)16, respiración14y respuesta de piel galvánica (GSR)17. Estas señales pueden recogerse por wearables muñeca de cunas. Sin embargo, no ofrecen el mismo rendimiento como dispositivos clínicos. Hay diferencias relacionadas con la precisión de los sensores entre dispositivos18,19,20,21. Sin embargo, anteriores trabajos18,19,20,21 han mostrado que, en un escenario de movimiento lento, sensores vestibles de cuna muñeca patrones de error similares a dispositivos especializados.
El objetivo de este trabajo es presentar un protocolo para evaluar diferentes soluciones para la estimación de estrés en los estudiantes utilizando wearables muñeca de cunas. Hay muchos arreglos que pueden ser propuestos para estimar los niveles de estrés, que involucra el uso de muñeca diferentes para los dispositivos y datos analytics técnicas y más concretamente algoritmos de aprendizaje de máquina. Wearables muñeca de cunas se caracterizan por su alta fragmentación, heterogeneidad e interoperabilidad problemas22. Tres empresas tienen una cuota de mercado agregada de casi 50%23, pero comparte muchas otra representan empresas mercado individual mucho más pequeño, con una participación agregada por encima del 50%. Por otro lado, en términos de heterogeneidad, wearables no todos tienen el mismo número y tipo de sensores, acelerómetros y sensores de h es el más común, y de ST y s sólo está presente en 5% de los dispositivos estudiados. En cuanto a interoperabilidad, hay diferentes enfoques colección datos y sistemas operativos que no son compatibles entre sí. En cuanto a la máquina de aprendizaje de técnicas que pueden aplicarse para estimar la tensión de los datos recogidos por medio de un dispositivo de muñeca, hay muchas opciones disponibles24, incluyendo los árboles de decisión, redes neuronales, más cercano a planteamientos de vecino, Naïve Bayes clasificadores, etc. en definitiva, hay una gran variedad de soluciones que podrían desarrollarse para la estimación de estrés, por lo que es fundamental para el diseño de un protocolo de evaluación para facilitar la comparación entre diferentes opciones tentativas para finalmente seleccionar el más adecuado en un contexto determinado.
Para la aplicación del Protocolo, varias herramientas son necesarias (figura 1). En primer lugar, es necesario un dispositivo wearable cuna muñeca para traer datos fisiológicos. Este dispositivo usable debe tener por lo menos h monitoreo de capacidades, pero los sensores adicionales es deseable (por ejemplo, los sensores acelerómetro, ST, GSR). En segundo lugar, un smartphone con la app de PhysiologicalSignal es necesaria para recoger los datos capturados por el dispositivo usable. En tercer lugar, un tablet ejecutando la aplicación de estrés es necesario para realizar ejercicios de inducción de estrés (el teléfono inteligente podría ser utilizar la tableta para este propósito). Cuarto, algunos cuestionarios para recoger datos cualitativos sobre la percepción de los estudiantes sobre el estrés. En quinto lugar, un servidor con una red de servicio25 para llevar a cabo la recolección de datos y tratamiento previo y una consola Web para mostrar la evolución de las señales. Y finalmente, un análisis de datos paquete26 para procesar los datos recogidos acerca de estudiantes utilizando técnicas de aprendizaje máquina.
El protocolo de evaluación se organiza en dos fases. La primera de ellas, la fase de laboratorio, se realiza en una cómoda habitación, donde los niveles de estrés diferentes (es decir, “relax”, “esfuerzo concentrado” y “estrés”) son inducidos a un tema de blanco (estudiante) a través de varias tareas comunes inductores de estrés. La segunda parte lleva a cabo en el aula, y se trata de seguimiento del estudiante durante la realización de varias actividades académicas: explicaciones teóricas, actividades individuales, pruebas cortas, exámenes, etc. durante la ejecución de Este protocolo, el tema de fisiológico señales se capturan por medio de un dispositivo de muñeca. Finalmente, estas señales son procesadas por la máquina de aprender algoritmos para proporcionar estimaciones sobre el nivel de estrés.
Durante la fase de laboratorio, la aplicación de estrés se utiliza para inducir niveles de tensión diferentes. Esta aplicación dirige al tema a la realización de cuatro tareas diferentes. La primera tarea es crear una línea de base para el análisis de estrés. En esta tarea, el estudiante visualiza un video relajante de 4 minutos en los que se muestran diferentes tomas de una puesta de sol en un puente. La segunda tarea es una adaptación de la palabra prueba y Stroop Color27 (SCWT). Cada dos segundos, el sujeto debe elegir el color en que está pintado el nombre de un color (rojo, verde, naranja, azul y violeta). Varios botones en la parte inferior de la pantalla la letra inicial de cada color están disponibles para el tema a elegir el color pintado en cada momento. Por ejemplo, el botón que se refiere al azul representa a la letra B. En nuestro caso, esta prueba se divide en tres niveles diferentes de dificultad. Para el primer nivel (SCWT1), las “palabras de colores” color aparecerá en el mismo orden que los botones, así que el color y el nombre coinciden directamente. Este nivel se toma como línea de base, ya que no implica ninguna dificultad y el sujeto debe sólo los botones correctamente, siempre en el mismo orden. Para el segundo nivel (SCWT2), las “palabras de colores” color aparecen al azar, pero se mantiene la correspondencia entre el nombre y el color. Cada vez que el sujeto no logra un sonido es emitido, y si se hacen dos errores, la puntuación correcta de color se restablecerá. Para el nivel pasado, más difícil (SCWT3), color y nombre no coinciden. De esta manera este nivel pretende ser más complejo y estresante para el sujeto. La tercera tarea consiste en la adición Serial auditiva ritmo test (PASAT)28, que mide cómo el estudiante experimenta una prueba de concentración. Durante esta tarea, una secuencia de números consecutivos se juega en voz alta, y el estudiante hay que añadir los dos últimos números y escribir el resultado en lo dispuesto en la pantalla la caja antes de escuchar el siguiente número. En esta tarea, si el sujeto comete un error, inquietante se produce un evento generar tensión (dos números sonido al mismo tiempo o un largo período de silencio mantenido). En este caso, si tres errores están comprometidos, se restablecerá la cuenta suma. La cuarta tarea consiste en una actividad de hiperventilación para inducir la misma variación en las señales fisiológicas que provocaría una situación de estrés17. Al final de cada tarea y cada nivel, el sujeto tiene que indicar el nivel de estrés percibido, mediante la aplicación en sí, según una escala de Likert de 5 valores.
Durante la fase de aula, los estudiantes realizan sus actividades académicas ordinarias junto con el resto de sus compañeros de clase. El protocolo se centra en los niveles de estrés que se producen durante actividades concretas de aula. Al final de la Conferencia, se completa un cuestionario breve (Anexo 1) por el alumno para indicar el nivel percibido del estrés en las diversas actividades según una escala de valor de 5.
Protocol
Representative Results
Discussion
Dispositivos portátiles de cunas están entre los productos de electrónica de consumo más populares disponibles hoy en día. Estos dispositivos se suelen utilizar para controlar las actividades físicas, pero sus capacidades y rendimiento podrían ser de gran interés en otras áreas. En este trabajo se discute un protocolo para evaluar el uso de dispositivos portátiles cunas para calcular la tensión en ambientes de aprendizaje. La definición de dicho protocolo es especialmente relevante para analizar diferentes so…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabajo es apoyado por la Agencia de investigación del Estado español y el fondo de Desarrollo Regional europeo (FEDER) dentro del proyecto de PALLAS (TIN2016-80515-R AEI/adopta, 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).
