Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Bewertung der Commercial-Off-The-Shelf Handgelenk Wearables, Stress auf Studenten zu schätzen

7.2K Aufrufe

⸱

DOI:

10.3791/57590

⸱

16. Juni 2018

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

In diesem Artikel

Zusammenfassung

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.

Zusammenfassung

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.

Einleitung

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.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Alle nachfolgend beschriebene Methoden wurden von der Regionalregierung Galiciens Ausschuss für Forschungsethik von Pontevedra-Vigo-Ourense (reg Code 2017/336) genehmigt. Das Protokoll wurde für Studenten im ersten Studienjahr an der School of Telecommunication Engineering - Universität von Vigo, in einem komfortablen Labor-Raum und in mehreren Vorträgen und Trainings von einem Bachelor-Studiengang auf Computer-Architekturen implementiert.

1. bereiten Sie die Geräte

  1. Verbinden Sie das Smartphone und Tablet Gerät auf eine stabile Internetverbindung.
  2. Schalten Sie Bluetooth-Kommunikation im Smartphone.
  3. In das Smartphone in die entsprechenden offiziellen AppStore suchen Sie die Handgelenk tragbare Anwendung. Herunterzuladen und zu installieren.
  4. In das Smartphone nach der PhysiologicalSignals-app, physiologische Signale zu erfassen suchen. Herunterzuladen und zu installieren.
    Hinweis: Derzeit, die app ist eine Beta-Version und Zugriff kann auf Anfrage bereitgestellt werden.
  5. Suchen Sie in der Tablette die StressTest-app in die Forschung Laborexperimente verwendet werden. Herunterzuladen und zu installieren.
    Hinweis: Derzeit, die app ist eine Beta-Version und Zugriff kann auf Anfrage bereitgestellt werden.
  6. Kinderbetten Handgelenk tragbaren Gerät schalten Sie ein und legen Sie die tragbar.
  7. Öffnen Sie im Smartphone die offizielle Kinderbetten Handgelenk tragbare Anwendung.
    Hinweis: Die app wird fortgesetzt, das tragbare Gerät mit dem Smartphone synchronisieren. Bei manchen Geräten ist eine e-Mail-Adresse erforderlich.
  8. Öffnen Sie im Smartphone die PhysiologicalSignals-app.
    1. Bei Bekanntwerden von einem Sensor Zugriffsanforderung, akzeptiere es.
    2. Überprüfen Sie das Gerät. Warten Sie, bis die PhysiologicalSignals-app, um das Wort Weared in grün angezeigt.
      Hinweis: Dies darauf hinweisen, dass das tragbare Gerät erkannt wurde und daher die Übermittlung von Informationen von den Sensoren an das Smartphone aktiviert ist. Wenn diese Meldung nicht erscheint wiederholen Sie ab Schritt 1.6.

(2) der Laborphase

  1. Bereiten Sie die Labor-Einstellung. Wählen Sie eine komfortable und nicht stören Zimmer ohne störende Geräusche und eine angenehme Temperatur (zwischen 22 ° C und 26 ° C).
  2. Das Handgelenk tragbaren Gerät schalten Sie ein, um die thematischen nichtdominanten Handgelenk legen Sie und legen Sie die Kopfhörer auf dem Kopf des Schülers. Passen Sie die tragbare anliegt um das Handgelenk.
  3. Verbinden Sie das Smartphone und Tablet mit eine stabile Internet-Verbindung und stellen Sie sicher, dass die Bluetooth-Verbindung aktiv ist.
  4. Starten Sie im Smartphone die PhysiologicalSignals-app.
    1. Warten Sie, bis die app das Wort Weared in grün angezeigt.
    2. Wählen Sie die Option Benutzer wechseln im linken Konfigurations-Menü und geben Sie die ID des Subjekts, die Durchführung der Tests und klicken Sie auf Speichern.
  5. In einem Laptop auf das Dashboard zugreifen und die testadministrator-ID und Ihr Passwort eingeben.
    Hinweis: Derzeit ist für Private und Sicherheit betrifft, Zugriff auf das Dashboard nur erhalten Sie auf Anfrage.
    1. Wählen Sie die Betreff-ID und das Thema Stress Registerkarte.
    2. Die physiologische Signale Entwicklung zu überprüfen und warten auf das tragbare Gerät, thermischen Stabilität zu erreichen, bevor Sie das Experiment starten.
      Hinweis: Die thermische Stabilität wird als ein Plateau im Diagramm identifiziert.
  6. Starten Sie in der Tablette die StressTest-Anwendung.
    1. Erklären Sie das Thema der vier Labor Aufgaben. Zeigen Sie einige der Bildschirme und Aktionen, während jeweils die Aufgaben durchzuführen.
      Hinweis: Dies ist sehr wichtig, da das Thema sollte fühle gestresst oder entspannt in Übereinstimmung mit der durchgeführten Tätigkeiten mich und nicht Angst oder Sorge um was wird passieren.
    2. Sagen Sie der Student nicht ihre Arme auf dem Tisch ruhen und die Hand ist das tragbare Gerät platziert, die Tätigkeiten durchzuführen.
    3. Geben Sie die gleichen Benutzer-ID, wie in Schritt 2.4.2 und klicken Sie auf den Pfeil.
  7. Starten Sie die video Aufgabe und gewähren Sie Vollzugriff für den Schüler.
    1. Beachten Sie, dass die Aufgabe ohne Zwischenfälle durchgeführt wird.
    2. Wenn der Vorgang abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.
  8. Starten Sie die Farbe der Stroop-Aufgabe (SCWT) nacheinander für die Stufen 1, 2 und 3.
    1. Für jede Ebene zu beobachten, dass die Teilaufgabe ohne Zwischenfälle durchgeführt wird.
    2. Wenn jede Teilaufgabe abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.
    3. Nur für Ebene 3 und nur für den Fall, dass das Thema es nicht nach 4 Minuten lösen, Beenden der Aufgabe durch Drücken der Pfeiltasten am oberen Rand des Bildschirms.
  9. Starten Sie den Paced Auditory Serial Zusatz-Test (PASAT).
    1. Beachten Sie, dass die Aufgabe ohne Zwischenfälle durchgeführt wird.
    2. Für den Fall, dass das Thema nicht den PASAT-Test nach 4 Minuten löst, beenden Sie den Vorgang durch Drücken der Pfeiltasten am oberen Rand des Bildschirms.
    3. Wenn der Vorgang abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.
  10. Starten Sie die Hyperventilation Test.
    1. Die Entwicklung der HR über das Dashboard zu beobachten. Wenden Sie physiologische Signale nicht wesentlich ändern, sich das Thema Inspiration und Exspiration allmählich steigern.
    2. Für den Fall, dass das Thema Schwindel oder unangenehm Halt diese Aufgabe fühlt. In jedem Fall führen Sie den Vorgang nach vier Minuten.
    3. Wenn der Vorgang abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.

3. die Klassenzimmer-Phase

  1. Das Handgelenk tragbaren Gerät einschalten und das Wearable um die thematischen nichtdominanten Handgelenk legen. Passen Sie die tragbare anliegt um das Handgelenk.
  2. Verbinden Sie das Smartphone mit einer stabilen Internetverbindung, und stellen Sie sicher, dass die Bluetooth-Verbindung aktiv ist.
  3. Starten Sie im Smartphone die PhysiologicalSignals-app.
    1. Warten Sie, bis die app das Wort Weared in grün angezeigt.
    2. Wählen Sie im Konfigurations-Menü die Option Benutzer wechseln , geben Sie die ID des Subjekts, die Durchführung der Tests und klicken Sie auf Speichern.
  4. In einem Laptop auf das Dashboard zugreifen und die testadministrator-ID und Ihr Passwort eingeben.
    1. Wählen Sie die Betreff-ID und das Thema Stress Registerkarte.
    2. Überprüfen Sie die Entwicklung physiologischer Signale.
  5. Nehmen Sie Anmerkungen über alle relevanten Ereignisse auftreten im Klassenzimmer in Bezug auf die Lehrer-Schüler-Interaktion.
    Hinweis: Informationen und einfache Ereignisse werden physiologische Proben anschließend beschriften verwendet werden. Beispiel-Veranstaltungen sind eine Frage des Lehrers an den Schüler, oder eine theoretische Erklärung eingeleitet.
  6. Am Ende des Vortrags bitten Sie das Thema zum Ausfüllen des Fragebogens über das Niveau des Druckes zu bestimmten Zeiten während der Sitzung nach einer 5-Stufen-Skala.

(4) Datenanalyse

  1. In einem Laptop auf das Dashboard zugreifen und die testadministrator-ID und Ihr Passwort eingeben.
    1. Wählen Sie die Betreff-ID und das Thema Stress Registerkarte.
    2. Wählen Sie den Tag ein Klassenzimmer-Experiments.
  2. Beschriften Sie die Proben des Subjekts durch Aktivitäten und wahrgenommenen Stresslevel zu identifizieren.
    1. Hörsaal Aktivitäten und deren Dauer nach der Start- und Zeiten und ihre Arten zu identifizieren.
    2. Wählen Sie für jede Aktivität eine wahrgenommene Stressniveau.
  3. Laden Sie für jedes Thema und jede Sitzung die Datei mit den tagged Proben.
    Hinweis: Eine Komma-getrennte-Werte (CSV) Datei erstellt für jeden Schüler, jede Zeile, die die Werte der physiologische Signale mit deren Standardabweichung, Steigung und Diff, Leistungsart, Activity based Stress (d.h., den Stress standardmäßig auf die Aktivität) und das Thema Stress wahrgenommen.
  4. Die Daten-Analyse-Paket zu starten.
    1. Wählen Sie ein Set von Klassifikatoren (z.B., SVM, C4.5, k-NN, Random Forest, Naïve Bayes und NULL-R) und importieren die CSV-Datei für alle Schüler bei jeder Sitzung.
    2. Trainieren Sie und bewerten Sie Klassifikatoren mit der 10-divisibel Kreuzvalidierung Technik.
      Hinweis: Je nach den Analysen, Leistungsart, Activity based Stress oder Belastung wahrgenommen, werden als abhängige Variable für die Analyse ausgewählt.
    3. Zu guter Letzt überprüfen Sie die Ergebnisse für Genauigkeit und Fehler.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Das Protokoll diskutiert wurde in einem Computer-Architekturen-Kurs im ersten Jahr der Telekommunikation Ingenieurstudium an der Universität Vigo umgesetzt. Dieser Kurs hat mehr als 200 Studenten eingeschrieben, die in 10 Arbeitsgruppen organisiert sind. Um dieses Experiment durchzuführen, waren Studenten aus vier Fraktionen eingeladen, zu Beginn des akademischen Jahres anmelden. Das Projekt erregte großes Interesse bei den Schülern, und rund 30 Studenten freiwillig an der Studie teilnehm...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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 Wearables und...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren haben nichts preisgeben.

Danksagungen

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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Microsoft Band 2MicrosoftWearable
Nexus 5LG/GoogleSmartphone
PhysiologicalSignalsEntwickelt von den AutorenApp zum Sammeln von Daten von Wearables
StressTestEntwickelt von den Autorendes PapiersApp zur Entwicklung eines Laborexperiments: Videovisualisierung, Stroop-Farb- und Worttest, Paced Audity Serial Addition Test (PASAT), Hyperventilationsaktivität 
QuizEntwickelt von den AutorenPapiers Fragebögen zum Sammeln qualitativer Daten über die Wahrnehmung von Stress durch Schüler
ServerEntwickelt von den AutorenServer zum Speichern, Analysieren und Anzeigen von Daten
Weka-AnwendungUniversity of WaikatoAnwendung zum Verarbeiten der Daten mit Techniken des maschinellen Lernens
des Papiers des des Papiers

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Weitere Artikel entdecken

StressabschätzungDatenanalyseMaschinelles LernenPhysiologische SignaleStroop-TestPASAT-TestHyperventilationstestUnterrichtsüberwachungFragebogendaten
Bewertung der Commercial-Off-The-Shelf Handgelenk Wearables, Stress auf Studenten zu schätzen
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.