需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

评估市售腕戴设备在学生压力估计中的应用

7.2K 次观看

⸱

DOI：

10.3791/57590

⸱

2018年6月16日

 ,  ,  , 
1Department of Telematics Engineering, University of Vigo, Campus Lagoas-Marcosende

本文内容

摘要

提出了一种基于商用现成（COTS）腕戴设备评估学生压力水平的解决方案的协议。该协议分为两个阶段进行：第一阶段为在实验室环境下开展的压力诱导测试，第二阶段为在教室环境中对学生进行学术活动期间的压力监测。

摘要

近年来，商用现成（COTS）可穿戴设备在监测体育活动方面变得越来越流行，主要使用者为年轻人。这些设备包含传感器，可用于采集心率、皮肤温度或皮肤电反应等生理信号数据。通过对这类信号应用数据分析技术，可以估算出人类行为更高级别的特征。文献中已有若干研究描述了使用临床设备采集的生理数据来获取睡眠模式或压力状态的信息。然而，使用COTS腕戴式设备采集的数据是否足以刻画学习者在教育环境中的心理状态，仍是一个未解决的问题。本文讨论了一种利用COTS腕戴式设备获取的数据进行压力估计评估的实验方案。该方案分为两个阶段实施。第一阶段为受控的实验室实验，通过一款移动应用程序向学生播放放松视频、实施斯特鲁普颜色与文字测试（Stroop Color and Word Test）、 paced auditory serial addition test（PASAT）以及过度通气测试，以诱导不同程度的压力反应。第二阶段在课堂环境中进行，分析学生在参与多种学术活动时的压力状态，包括听理论课、完成练习及其他个人任务，以及进行小测验和考试。在两个阶段中，均同时考虑来自COTS腕戴式设备的定量数据和通过问卷收集的定性数据。本方案采用一种简单且一致的方法，结合压力诱导应用程序和问卷，所需辅助人员参与较少。

引言

先进的可穿戴技术已广泛普及，其应用环境也在持续扩展。市场上存在多种不同的设备，其中商用现货（COTS）腕戴式设备1，如智能手表和智能手环，因其作为个人体能监测工具而受到运动员的欢迎2。通过应用数据分析技术，这些设备采集的数据可被处理，以提供诸如总体身体状态、睡眠质量或恢复因子等指标。此类设备在该领域所展现出的适用性，引起了学术界对其在其他领域特别是健康领域潜在应用的兴趣3,4，尽管临床试验的严格要求限制了它们的推广使用。然而，在教育这类要求相对宽松的场景中，已有文献报道了近期关于使用不同类型可穿戴设备的研究，这些研究既涉及教学活动本身5,6，也包括对学生某些特征的评估，例如睡眠模式7，或对学习者在不同教育活动中参与度的分析8。

在本研究中，我们重点关注分析商用现成（COTS）腕戴式可穿戴设备，将其作为采集生理信号的手段，这些信号最终有助于评估压力水平，而压力评估在教育情境中是一个关键因素。压力对学术活动的开展以及学生的整体表现具有重要影响。例如，压力水平与学生 burnout 综合征的发生直接相关9,10,11，尤其在大学新生阶段，压力水平较高，此时辍学率通常在 20% 至 30% 之间12,13。检测并控制压力指标可显著提升学业表现。

使用市售腕戴设备是合理的，因为这些设备配备了传感器，可提供生理信号信息，而这些信号已被科学界广泛用于压力评估与检测。文献中提到的用于此目的的一些信号包括心率（HR）14、心率变异性15、皮肤温度（ST）16、呼吸14以及皮肤电反应（GSR）17。这些信号均可由市售腕戴设备采集。然而，它们的性能尚无法与临床设备相媲美。不同设备在传感器精度方面存在差异18,19,20,21。尽管如此，先前的研究18,19,20,21表明，在缓慢运动场景下，市售腕戴传感器的误差模式与专用设备相似。

本文旨在介绍一种利用市售腕戴设备（COTS）评估学生压力水平估算方案的实验流程。目前已有多种方法可用于压力水平的估算，包括采用不同类型的腕戴式设备结合数据分析技术，尤其是机器学习算法。市售腕戴设备具有高度碎片化、异质性强以及互操作性差的特点。22三家公司合计的市场份额接近50%23，但其他许多公司的个体市场份额较小，合计市场份额超过50%。另一方面，在异质性方面，并非所有可穿戴设备都具有相同数量和类型的传感器，其中加速度计和心率传感器最为常见，而ST传感器和皮肤电反应（GSR）传感器仅出现在所研究设备的5%中。在互操作性方面，存在不同的操作系统和数据采集方法，彼此之间并不兼容。至于可用于通过腕戴设备采集的数据来估计压力的机器学习技术，目前有多种可选方案24包括决策树、神经网络、最近邻方法、朴素贝叶斯分类器 等等。 总之，可用于压力估计的解决方案多种多样，因此设计一种评估方案以促进不同初步选项之间的比较，从而在特定情境下最终选择最合适的方案，具有重要意义。

实施本方案需要多种工具（图 1）。首先，需要一个商用现货（COTS）腕戴式设备来采集生理数据。该可穿戴设备应至少具备心率（HR）监测功能，但还希望配备其他传感器（例如， 加速度计，ST，GSR传感器）。其次，需要一部安装有PhysiologicalSignal应用程序的智能手机，用于采集可穿戴设备记录的数据。第三，需要一台安装有StressTest应用程序的平板电脑，用于运行诱发应激的测试任务（此用途也可由智能手机替代平板电脑）。第四，若干问卷，用于收集学生对压力感知的定性数据。第五，一台配备Web服务的服务器25 用于数据采集与预处理，以及一个显示信号演变过程的网络仪表板。最后，还有一个数据分析软件包26 使用机器学习技术处理收集到的学生数据。

评估方案分为两个阶段。第一阶段为实验室阶段，在一间舒适的房间内进行，期间设置不同的应激水平（即, "放松", "集中应力" 和 "应激"通过若干常见的诱导应激任务，向目标受试者（一名学生）施加应激。第二部分在教室内进行，包括在学生完成多种学术活动期间对其进行监测：理论讲解、个人练习、小测验、考试 等等。 在实施本方案期间，受试者的生理信号通过腕部设备进行采集。最终，这些信号由机器学习算法处理，以估算压力水平。

在实验阶段，使用 StressTest 应用程序诱导不同程度的应激反应。该应用程序引导受试者完成四项不同的任务。第一项任务是建立应激分析的基线。在此任务中，学生观看一段4分钟的放松视频，视频中展示不同角度的日落与桥梁画面。第二项任务是对 Stroop 颜色与词语测试27 （SCWT）的改编。每两秒，受试者必须选择一个颜色词所呈现的颜色（红色、绿色、橙色、蓝色和紫色）。屏幕底部设有多个按钮，每个按钮包含对应颜色的首字母，供受试者在每个时刻选择当前显示的颜色。例如，代表蓝色的按钮显示字母 B。在本研究中，该测试分为三个不同难度等级。第一级（SCWT1）中，彩色的"颜色词"以与按钮相同的顺序出现，因此颜色与名称完全匹配。此级别作为基线，不涉及任何困难，受试者只需按正确顺序点击按钮即可。第二级（SCWT2）中，彩色的"颜色词"随机出现，但颜色名称与实际颜色仍保持一致。每当受试者出错时，系统会发出蜂鸣声；若出现两次错误，正确颜色的得分将被重置。在最后一级、也是最难的一级（SCWT3）中，颜色名称与实际显示的颜色不一致。因此，该级别旨在对受试者造成更高的复杂性和应激水平。第三项任务为定时听觉序列加法测试（PASAT）28，用于测量学生在注意力集中测试中的体验。在此任务中，系统会依次朗读一串连续数字，学生必须将最近两个数字相加，并在听到下一个数字前，将结果输入屏幕上提供的输入框中。在该任务中，如果受试者出错，系统会引入干扰事件以制造应激（例如两个数字同时发声，或出现长时间静音）。在此情况下，若累计出现三次错误，加法计数将被重置。第四项任务为过度通气活动，旨在诱发与应激情境相似的生理信号变化17。在每项任务及每个级别的结束后，受试者需通过应用程序本身，根据五点李克特量表报告其感知到的应激水平。

在课堂阶段，学生与同班其他同学一起进行常规的学术活动。该方案重点关注在特定课堂活动中出现的压力水平。在讲座结束时，学生需填写一份简短的问卷（附录1），根据5级评分标准标示其在各项活动中感受到的压力水平。

访问受限。请登录或开始试用以查看此内容。

方案

以下所述所有方法均已获得加利西亚地区庞特韦德拉-维戈-奥伦塞研究伦理委员会（注册编号 2017/336）的批准。该实验方案已在维戈大学电信工程学院为一年级本科生实施，既在舒适的实验室环境中进行，也融入了“计算机体系结构”本科课程的多场讲座与实践课中。

1. 准备设备

  1. 将智能手机和平板设备连接至稳定的互联网网络。
  2. 开启智能手机的蓝牙通信功能。
  3. 在智能手机上，前往相应的官方应用商店搜索腕戴设备应用程序，下载并安装该应用。
  4. 在智能手机上，搜索用于采集生理信号的 PhysiologicalSignals 应用程序，下载并安装该应用。
    注意：目前该应用为测试版本，可通过申请获取访问权限。
  5. 在平板设备上，搜索用于科研实验室实验的 StressTest 应用程序，下载并安装该应用。
    注意：目前该应用为测试版本，可通过申请获取访问权限。
  6. 开启商用现成（COTS）腕戴设备，并佩戴设备。
  7. 在智能手机上，打开商用现成（COTS）腕戴设备的官方应用程序。
    注意：该应用程序将自动同步腕戴设备与智能手机。部分设备可能需要提供电子邮件地址。
  8. 在智能手机上，打开 PhysiologicalSignals 应用程序。
    1. 若系统提示请求传感器访问权限，请允许该请求。
    2. 检查设备状态，等待 PhysiologicalSignals 应用程序中显示绿色的 Weared 字样。
      注意：此提示表示腕戴设备已被成功识别，传感器数据已可传输至智能手机。若该提示未出现，请从步骤 1.6 重新开始操作。

2. 实验室阶段

  1. 准备实验环境。选择一个舒适、无干扰的房间，避免噪音干扰，并保持适宜的温度（介于 22 °C 至 26 °C 之间）。
  2. 开启腕戴设备，将其佩戴在受试者的非优势手腕上，并为学生戴上耳机。确保设备在手腕上佩戴牢固且舒适。
  3. 将智能手机和平板电脑连接至稳定的网络，并确认蓝牙连接已激活。
  4. 在智能手机上启动 PhysiologicalSignals 应用程序。
    1. 等待应用程序显示绿色的 Weared 字样。
    2. 在左侧配置菜单中选择 Change User 选项，输入将完成测试的受试者 ID，然后点击 Save。
  5. 在笔记本电脑上访问仪表盘，输入测试管理员的 ID 和密码。
    注意：目前由于隐私和安全考虑，仪表盘的访问权限仅限于申请后获得。
    1. 选择受试者 ID 及其对应的应激标签页。
    2. 查看生理信号的变化趋势，并在开始实验前等待腕戴设备达到热稳定状态。
      注意：热稳定状态在图表中表现为信号趋于平稳。
  6. 在平板电脑上启动 StressTest 应用程序。
    1. 向受试者说明四项实验室任务的内容，展示每项任务中将出现的部分界面及需要执行的操作。
      注意：此步骤非常重要，因为受试者应根据所执行的任务产生相应的应激或放松状态，而不应因不确定接下来会发生什么而感到恐惧或担忧。
    2. 提醒学生不要将手臂放在桌面上，并使用佩戴设备的手完成各项操作。
    3. 输入与步骤 2.4.2 相同的用户 ID，然后点击箭头。
  7. 启动视频任务，并将操作完全交由学生控制。
    1. 观察任务是否顺利进行。
    2. 任务完成后，确认受试者已提交其感知到的应激水平。
  8. 依次启动 Stroop 颜色任务（SCWT）的第 1、2 和 3 级。
    1. 对于每一级，观察子任务是否顺利进行。
    2. 每个子任务完成后，确认受试者已提交其感知到的应激水平。
    3. 仅针对第 3 级任务，若受试者在 4 分钟后仍未完成，可通过点击屏幕顶部的箭头终止任务。
  9. 启动 paced auditory serial addition 测试（PASAT）。
    1. 观察任务是否顺利进行。
    2. 若受试者在 4 分钟后仍未完成 PASAT 测试，可通过点击屏幕顶部的箭头终止任务。
    3. 任务完成后，确认受试者已提交其感知到的应激水平。
  10. 启动过度通气测试（Hyperventilation test）。
    1. 通过仪表盘观察心率（HR）的变化趋势。如果生理信号未发生显著变化，可要求受试者逐步增加吸气和呼气频率。
    2. 若受试者感到头晕或不适，应立即停止该任务。无论如何，任务持续时间不得超过四分钟。
    3. 任务完成后，确认受试者已提交其感知到的应激水平。

3. 课堂阶段

  1. 打开腕戴式设备，并将其佩戴在受试者的非优势手腕上。确保设备紧贴但舒适地固定在手腕上。
  2. 将智能手机连接至稳定的网络，并确认蓝牙连接已启用。
  3. 在智能手机上启动 PhysiologicalSignals 应用程序。
    1. 等待应用程序显示绿色的 Weared 字样。
    2. 在配置菜单中选择 Change User 选项，输入将参与测试的受试者 ID，然后点击 Save。
  4. 在笔记本电脑上访问仪表盘，输入测试管理员的 ID 和密码。
    1. 选择受试者 ID 及其对应的应激状态标签页。
    2. 查看生理信号的变化趋势。
  5. 记录教室内与师生互动相关的任何重要事件。
    注意：相关的信息和基本事件将用于后续标注生理信号样本。示例事件包括教师向学生提问，或开始理论讲解。
  6. 课程结束后，请受试者根据5级量表填写问卷，报告其在会话期间特定时间点的压力水平。

4. 数据分析

  1. 在笔记本电脑上，登录控制面板并输入测试管理员的 ID 和密码。
    1. 选择受试者 ID 及该受试者的应激标签。
    2. 选择课堂实验的日期。
  2. 通过识别活动内容和感知压力水平来标记受试者的样本。
    1. 根据开始时间、结束时间及活动类型，确定教室内的教学活动及其持续时间。
    2. 针对每项活动，选择一个感知压力水平。
  3. 针对每位受试者及每次实验，下载包含已标记样本的文件。
    注意：为每位学生生成一个逗号分隔值（CSV）文件，每一行反映生理信号的数值及其标准差、斜率和差值，活动类型，基于活动的压力即, 默认与该活动相关的压力）与受试者感知到的压力。
  4. 启动数据分析软件包。
    1. 选择一组分类器（例如、支持向量机（SVM）、C4.5、k-近邻（k-NN）、随机森林、朴素贝叶斯和零规则（Zero R））并导入每学期所有学生的CSV文件。
    2. 使用10折交叉验证技术训练和评估分类器。
      注意：根据具体分析内容，应选择活动类型、基于活动的压力或感知压力作为分析的因变量。
    3. 最后，检查结果的准确性和错误率。

访问受限。请登录或开始试用以查看此内容。

结果

本文讨论的方案已在维戈大学电信工程专业第一学年的计算机体系结构课程中实施。该课程注册学生超过200人，分为10个学习小组。为开展本实验，在学年初期邀请了其中四个小组的学生自愿报名。该项目在学生中引起了广泛关注，约有30名学生自愿参与研究，从中随机选取了12名学生参加实验。

我们实验选用的市售腕戴式设备配备有心率（HR）、皮肤温度（ST）、皮肤电反应（GSR）和加速度计传感器。选择该可穿戴设备是基于其多样的传感器配置以及支持实时数据传输的能力。同时，也考虑了传感器数据采集的技术条件。数据采集以特定频率进行，通常由传感器本身的运行特性决定，同时也受设备节能特性的影响。对于所选设备，心率以每秒一次（1 Hz）的频率采样。加速度计提供62 Hz、31 Hz和8 Hz三种采样频率，其中选择8 Hz，因其在与其他频率比较时，能够在满足运动捕捉足够精细度的同时保持合理的能耗。GSR的采样频率可选0.2 Hz或5 Hz；本实验中选择每5秒采集一次GSR数据。与加速度计...

访问受限。请登录或开始试用以查看此内容。

讨论

市售可穿戴设备是目前最受欢迎的消费类电子产品之一。这些设备通常用于监测身体活动，但其功能和性能在其他领域也可能具有重要应用价值。本文讨论了一种评估市售可穿戴设备在学习环境中用于估计压力水平的实验方案。制定此类方案对于分析涉及可穿戴设备与机器学习算法的不同解决方案尤为关键。该方案旨在教育环境中使用，对压力检测方法进行验证并推动其实际应用，有望带来显著益处。例如，使用可穿戴设备有助于降低与所谓“倦怠综合征”相关的高水平压力9,10,11，从而减少大学中的辍学率12,13，同时提升学业表现。

需要考虑的一个关键方面是可穿戴设备与智能手机之间的蓝牙连接。在测试过程中，这两台设备之间的无线连接可能会中断，因此必须通过仪表盘中收集的数据可视化来特别关注该连接状态。尽管在短暂时间后系统会自动恢复...

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

致谢

本工作由西班牙国家研究局和欧洲区域发展基金（ERDF）在PALLAS项目（TIN2016-80515-R AEI/EFRD, EU）资助下完成。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
Microsoft Band 2微软可穿戴设备
Nexus 5LG/Google智能手机
生理信号由论文作者开发用于从可穿戴设备收集数据的应用程序
应激测试由论文作者开发开发实验室实验的应用程序：视频可视化、斯特鲁普颜色与词语测试、节律性听觉序列加法测试（PASAT）、过度通气实验活动 
测验由论文作者开发用于收集学生定性数据的问卷’ 压力感知
服务器由论文作者开发用于存储、分析和展示数据的服务器
Weka 应用程序怀卡托大学使用机器学习技术处理数据的应用

参考文献

  1. 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. , at http://www.idc.com/getdoc.jsp?containerId=prUS41530816 (2016).
  2. Piwek, L., Ellis, D. A., Andrews, S., Joinson, A. The rise of consumer health wearables:promises and barriers. PLoS Medicine. 13 (2), (2016).
  3. Rudner, J., et al. Interrogation of Patient Smartphone Activity Tracker to Assist Arrhythmia Management. Annals of Emergency Medicine. 68 (3), 292-294 (2016).
  4. Gao, Y., Li, H., Luo, Y. An empirical study of wearable technology acceptance in healthcare. Industrial Management & Data Systems. 115 (9), 1704-1723 (2015).
  5. 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).
  6. Sapargaliyev, D. Wearables in Education: Expectations and Disappointments. , 73-78 (2015).
  7. 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).
  8. 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).
  9. Travers, C. J., Cooper, C. L. El Estrés de los profesores la presión en la actividad docente. , Paidós. at https://dialnet.unirioja.es/servlet/libro?codigo=110437 (1997).
  10. Maslach, C., Jackson, S. E. The measurement of experienced burnout. Journal of occupational Behavior. 2, 99-113 (1981).
  11. Maslach, C., Jackson, S., Leiter, M. Maslach Burnout Inventory. , Palo Alto. (1986).
  12. 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).
  13. 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).
  14. Healey, J. A. Wearable and automotive systems for affect recognition from physiology. , (2000).
  15. 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).
  16. 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).
  17. de Santos Sierra, A. Design, implementation and evaluation of an unconstrained and contactless biometric system based on hand geometry and stress detection. , (2012).
  18. Natale, V., Drejak, M., Erbacci, A. Monitoring sleep with a smartphone accelerometer. Sleep and Biological Rhythms. , Available from: http://onlinelibrary.wiley.com/doi/10.1111/j.1479-8425.2012.00575.x/full (2012).
  19. 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. , http://dl.acm.org/citation.cfm?id=2512882 (2013).
  20. Wallen, M. P., et al. Accuracy of Heart Rate Watches: Implications for Weight Management. PLOS ONE. 11 (5), e0154420(2016).
  21. Wang, R., et al. Accuracy of Wrist-Worn Heart Rate Monitors. JAMA Cardiology. 2 (1), 104(2017).
  22. 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).
  23. IDC. Wearables Aren't Dead, They're Just Shifting Focus as the Market Grows 16.9% in the Fourth Quarter, According to IDC. , at https://www.idc.com/getdoc.jsp?containerId=prUS42342317 (2017).
  24. Mark, H., Ian, W., Eibe, F. Data Mining: Practical Machine Learning Tools and Techniques. , Morgan Kaufmann Publishers. (2011).
  25. 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).
  26. Machine Learning Group at the University of Waikato. Weka 3 - Data Mining with Open Source Machine Learning Software in Java. , at https://www.cs.waikato.ac.nz/mL/weka/ (2018).
  27. 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).
  28. Tombaugh, T. N. A comprehensive review of the Paced Auditory Serial Addition Test (PASAT). Archives of Clinical Neuropsychology. 21 (1), 53-76 (2006).
  29. 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).
  30. 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).
  31. Mesirov, J. P. Computer science. Accessible reproducible research. Science (New York, N.Y.). 327 (5964), 415-416 (2010).
  32. American Journal Experts. How to Write an Easily Reproducible Protocol. , at https://www.aje.com/en/arc/how-to-write-an-easily-reproducible-protocol/ (2018).

访问受限。请登录或开始试用以查看此内容。

重印与许可

探索更多文章

压力估计数据分析机器学习生理信号斯特鲁普测试PASAT 测试过度通气测试课堂监测问卷数据
评估市售腕戴设备在学生压力估计中的应用
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。