Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Engineering
Click here for the English version

Engineering

学生へのストレスを推定する商業の棚を離れて手首ウェアラブルの評価

Published: June 16, 2018 doi: 10.3791/57590
Automatic Translation
1, 1, 1, 1
1Department of Telematics Engineering, University of Vigo, Campus Lagoas-Marcosende

Summary

生応力を推定する商業オフ棚 (COTS) 手首ウェアラブルに基づいてソリューションを評価するためのプロトコルを提案する.プロトコルは 2 つのフェーズ、初期の実験に基づく応力誘導テスト、学生が学術活動を行っている間、教室で行われる監視の段階で行われます。

Abstract

ウェアラブル商業オフ棚 (COTS) デバイスは、主に若者の間でのスポーツ活動を監視する最後の年の間に人気になっています。これらのデバイスには、心拍数、皮膚温、皮膚電気反応などの生体信号のデータを収集するセンサーが含まれます。データ解析技術を信号のこれらの種類に適用すると、人間の行動のより高いレベルの側面の推定を得ることが可能です。本邦で臨床装置を用いた睡眠パターンやストレスに関する情報を取得収集された生理学的なデータの使用を記述するいくつかの作品があります。しかし、それはまだ未解決の問題幼児手首ウェアラブルを使用してキャプチャしたデータを教育現場で学習者の心理状態の特性を十分かどうか。本稿では、ベビーベッド手首ウェアラブルを使用して得られたデータから応力を評価するためのプロトコルについて説明します。プロトコルは 2 つのフェーズで行われます。最初の段階は、モバイル アプリを使用してリラックスしたビデオ、ストループ カラーと単語テスト、ペース聴覚連続足し算テスト、および過呼吸テストによる学生に別のストレス レベルを誘発する制御実験から成っています。2 番目のフェーズは、いくつかの学術活動を行う、すなわち理論講義への出席演習やその他の個々 の活動を行う、簡単なテストや試験中のストレスの分析、教室で行われます。両方のケースでベビーベッド手首ウェアラブルから得られた量的データと質的データ アンケート収集と見なされます。このプロトコルを含むストレス誘導アプリでシンプルかつ一貫した方法との限られた参加を要求する、アンケート サポート スタッフ。

Introduction

ウェアラブル技術は、広く利用可能と、アプリケーション環境を継続的に拡大しています。さまざまなデバイスでどのベビーベッドの中で手首ウェアラブル1、スマート時計、スマート バンドなど、選手の間で人気のある監視ツール2個人の体力として市場で見出すことができます。データ分析技術を適用すると、一般的な物理状態などの指標を提供、品質または回復要因をスリープ状態にこれらのデバイスを使用して得られたデータを処理できます。この分野で示された適用性が臨床試験の厳格な要件を制限健康ドメイン3,4を中心に、他の分野への応用についての学術コミュニティの関心が高まってください。導入。ただしより少ない要求のコンテキスト教育など、異なるタイプのウェアラブル デバイスの使用を含む文献の最近の調査で見出すことができる、両方と関連して教育活動5,6の推定睡眠パターン7やさまざまな教育活動8の学生の関与の解析など学生のある特定の特徴。

当社の場合、最終的に順番の教育の文脈の重要な側面は、応力の推定を促進するような生体信号を収集するための手段としてベビーベッド手首ウェアラブル デバイスの分析に着目します。ストレスは学術活動や全体的な学生の性能の開発に関連した影響があります。たとえば、ストレス レベル、学生9,10、11、燃え尽き症候群の発症に直接関連し、高応力レベルがドロップ アウト率 20% の間は、新入生の年の間に特に関連します。3012,13共通です。検出とストレス指標を制御する劇的に成績を向上させるため。

彼らはストレス評価と検出の科学界で広く使用されている生体信号に関する情報を提供するセンサーを持っているので、ベビーベッド手首装着型デバイスの使用は正当化されます。信号のいくつかはこの目的のために使用される文学は、心拍数 (HR)14心拍数 varaibility15、皮膚温度 (ST)16、呼吸14、ガルバニック皮膚反応 (GSR)17呼ばれます。これらの信号は、幼児の手首ウェアラブルによって収集できます。しかし、彼らは臨床デバイスと同じ性能を提供していません。違いがありますデバイス18,19,20,21の中でセンサーの精度に関連します。それにもかかわらず、前作品18,19,20,21は、ゆっくりした動きでベビーベッド手首装着型センサーがあるエラー パターンの特殊なデバイスに似ていますを示しています。

本稿の目的は、ベビーベッド手首ウェアラブルを使用して学生の応力推定のための別のソリューションを評価するためのプロトコルを導入することです。異なる手首装着型デバイスとデータ解析技術と具体的に機械学習アルゴリズムの使用を含む、ストレス レベルを推定する提案することができます多くの取り決めがあります。ベビーベッド手首ウェアラブルはその高い断片化、不均一性、相互運用性問題22によって特徴付けられます。3 社が集約されたシェアはほぼ 5023、多くのより小さい個々 の市場のための他の多くの企業アカウントを共有して、50% 以上のシェアを集計。その一方で、不均一性の面ですべてウェアラブル センサー、加速度計と最も一般的である h のセンサーの種類と同じ数であるし、勉強の ST と GSR のデバイスの 5% に存在することだけ。相互運用性に関してはお互いに互換性がない異なるオペレーティング ・ システムとデータ コレクション アプローチがあります。マシンラーニング手首デバイスによって収集されたデータから応力を推定に適用できる手法が多くのオプション利用可能な24、最寄りの隣人のアプローチ、ニューラル ネットワーク、デシジョン ツリーを含む Naïve Bayes分類子、要約するとなど多種多様な異なる仮オプションを最終的に選択間の比較を容易にする評価プロトコルを設計する器械であるので、応力推定の開発可能性がありますソリューションがある、特定のコンテキストに最も適しています。

プロトコルの実装には、いくつかのツールが必要な (図 1) です。まず、ベビーベッド手首装着型デバイスは、生理学的なデータをフェッチする必要です。少なくともこのウェアラブル デバイス必要があります時間監視機能、追加のセンサーが望ましい (例えば、加速度計、ST、GSR センサー)。第二に、PhysiologicalSignal アプリケーションを実行しているスマート フォンは、ウェアラブル デバイスによってキャプチャされたデータを収集する必要があります。StressTest アプリケーションを実行しているタブレットはストレス誘導演習を実行に必要な第三に、(スマート フォンがある可能性がありますこの目的のため代わりにタブレットを使用)。第四に、ストレスに関する学生の認識に定性的なデータを収集するためにいくつかのアンケートです。第五に、web サーバーは、データ コレクションと前処理、および信号の進化を示す Web ダッシュ ボードを実行する25 をサービスします。そして最後に、データを処理するためのデータの解析パッケージ26は、機械学習手法を用いた学生について収集します。

評価プロトコルは、2 つのフェーズで構成されています。最初の 1 つ研究室段階では、行われますターゲットの対象 (生) に別のストレス レベル (すなわち、「リラックス」、「集中ストレス」と「ストレス」) を誘導する、部屋にいくつかの一般的なストレスを誘発するタスク。2 番目の部分は教室で行われ、それを含むいくつかの学術活動の成果の中に学生を監視: 理論的説明、個々 の活動、短いテスト、試験、等の実装時にこのプロトコルでは、主題の生理学的な信号が手首デバイスによってキャプチャされます。最後に、これらの信号は、機械学習のストレス レベルの推定を提供するアルゴリズムによって処理されます。

実験室段階では、StressTest アプリを使用して、別のストレス レベルを誘発します。このアプリは、4 つの異なるタスクを完了する対象を説明します。最初のタスクは、応力解析のためのベースラインを作成することです。このタスクでは、学生が橋に沈む夕日の別のショットが表示されます 4 分間のリラックスしたビデオを可視化します。2 番目のタスクは、ストループ カラーと単語テスト27 (scwt 測度) の適応です。2 秒ごとに、件名が (赤、緑、オレンジ、青、紫) 色の名前は描かれている色を選択してください。各時塗装の色を選ぶために主題をそれぞれの色の頭文字を含む画面の下部にあるいくつかのボタンがあります。たとえば、青を参照するボタンは b を示しています私たちのケースでは、このテストは難易度の 3 つのレベルに分かれています。最初のレベル (SCWT1) では、色の「色の言葉」色と名前が直接一致ようにボタンと同じ順序で表示されます。このレベルは、任意の難易度を必要としないし、対象する必要がありますのみボタンを押して、正しく、常に同じ順序でベースラインとして解釈されます。2 番目のレベル (SCWT2) では、色の「色の言葉」ランダムに表示されます名前と色対応が維持されます。件名ビープ音が失敗するたびが放出され、2 つのエラーが発生した、正しい色のスコアがリセットされます。最後に、最も困難なレベル (SCWT3) の名前と色は一致しません。この方法でこのレベルの主題のためのストレスより複雑にするものです。3 番目のタスクは、学生が集中テストを経験する方法を測定、ペース聴覚逐次加算テスト (PASAT)28日で構成されます。このタスクでは、連続した番号のシーケンスが声を出して、再生し、学生は、最後の 2 つの数字と書き込みで提供されている結果は画面に表示される次の番号を聞いて前にボックスを追加する必要があります。このタスクの件名はミス、不穏なイベントが発生しますストレスを生成する (2 つの音同時に数値または沈黙の長い期間を維持)。この場合、3 つのエラーがコミットされた合計アカウントがリセットされます。4 番目のタスクは、過活動が引き起こすストレス状況17生理信号で同じ変化を誘発する上で構成されます。各レベルの最後に、テーマは、知覚のストレスのレベルを示す、アプリケーション自体を使用して 5 値リッカート尺度によると。

教室フェーズでは、学生は彼らのクラスメートの残りの部分と一緒に普通学術活動を遂行します。プロトコルは特定の教室活動中に発生するストレスのレベルに焦点を当てください。講義の最後に、簡単なアンケート (附属書 1) は 5 値スケールによるといくつかの活動のストレスの感知されたレベルを示す学生によって完了します。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

以下のすべてのメソッドは、ガリシアのポンテベドラ-ビーゴ-オウレンセ (登録コード 2017/336) の研究倫理委員会の地方政府によって承認されています。1年生で、通信工学 - ヴィーゴの大学、快適な室といくつかの講義とコンピューターのアーキテクチャによって学士の学位コースの演習の両方のプロトコルを実装しました。

1. デバイスを準備します。

  1. 安定したインターネット接続にスマート フォンやタブレット デバイスを接続します。
  2. スマート フォンで Bluetooth 通信をオンにします。
  3. スマート フォンで手首装着型アプリケーションを対応する公式の app store で検索します。ダウンロードしてそれをインストールします。
  4. スマート フォンで生体信号をキャプチャする PhysiologicalSignals アプリを検索します。ダウンロードしてそれをインストールします。
    注: 現在、アプリはベータ版との要求によって利用することができます。
  5. タブレットの研究実験室の実験で使用される StressTest アプリを検索します。ダウンロードしてそれをインストールします。
    注: 現在、アプリはベータ版との要求によって利用することができます。
  6. ベビーベッド手首のウェアラブル デバイスをオンにし、ウェアラブルを配置します。
  7. スマート フォンで公式ベビーベッド手首装着型アプリケーションを開きます。
    注: アプリはスマート フォンでのウェアラブル デバイスを同期に進みます。一部のデバイスでは、電子メール アドレスが必要です。
  8. スマート フォンで PhysiologicalSignals アプリを開きます。
    1. センサー アクセス要求の通知される場合に、それを受け入れます。
    2. デバイスを確認してください。緑色で表示される単語Weared PhysiologicalSignals アプリを待ちます。
      注: これはウェアラブル デバイスが検出されましたし、スマート フォンのセンサーからの情報の伝達を有効にするために示します。このメッセージが表示されない場合は、手順 1.6 から繰り返します。

2. 研究所相

  1. 研究室の設定を準備します。気が散る雑音なしと快適な温度 (22 ° C、26 ° C) の間で快適な非不安ルームを選択します。
  2. 手首のウェアラブル デバイスをオンに、subject´s 非利き手の手首の周りに配置し、学生の頭にヘッドフォンを配置します。手首の周りでウェアラブルを苦しくない程度にフィットします。
  3. 安定したインターネット接続にスマート フォンやタブレットを接続し、Bluetooth 接続がアクティブであることを確認します。
  4. スマート フォン、PhysiologicalSignals アプリケーションを起動します。
    1. 単語Wearedは緑色で表示するアプリを待ちます。
    2. 左側の設定メニューでユーザーの変更オプションを選択し、テストを完了し、保存をクリックして被験者の ID を提供します。
  5. ラップトップでダッシュ ボードにアクセスし、テスト管理者の ID とパスワードを入力します。
    注: 現在、プライベートとセキュリティの問題のダッシュ ボードへのアクセスこそ要求の下で利用可能です。
    1. サブジェクトの ID と被験者のストレス] タブを選択します。
    2. 生理学的な信号の進化をチェックし、実験を開始する前に熱安定性に到達するウェアラブル デバイスを待ちます。
      注: 熱安定性、高原をグラフとして識別されます。
  6. タブレットの StressTest アプリケーションを起動します。
    1. 4 つの実験課題を対象に説明します。いくつかの画面やタスクの各 1 つで実行されるアクションを表示します。
      注: これは件名はする必要がありますストレスを感じたり、実行される活動に基づきリラックスした、ない恐怖または何が起こることが懸念ため、非常に重要です。
    2. 学生テーブルに彼らの腕を休ませるし、手を使用して、アクティビティを実行するウェアラブル デバイスを配置する場所を教えてください。
    3. 2.4.2 の手順と同じユーザー ID を入力し、矢印をクリックします。
  7. ビデオのタスクを起動し、学生に完全な制御を与えます。
    1. タスクは何事もなく実施していることを確認します。
    2. タスクを終了したときは、自覚ストレスを対象に提供することを確認します。
  8. レベル 1、2 および 3 のストループ カラー タスク (scwt 測度) を連続して起動します。
    1. 各レベルのサブタスクが何事もなく実施されるを確認します。
    2. 各サブタスクが終了したら、件名が自覚ストレスを提供することを確認します。
    3. レベル 3 とだけに対してのみ対象は 4 分後に、それを解決しない、場合は、画面の上部にある矢印を押すことでタスクを終了します。
  9. ペース聴覚逐次加算テスト (PASAT) を起動します。
    1. タスクは何事もなく実施していることを確認します。
    2. 件名でも、4 分後 PASAT テストを解決しない場合は、画面の上部にある下向き矢印キーを押してタスクを終了します。
    3. タスクを終了したときは、自覚ストレスを対象に提供することを確認します。
  10. 過呼吸テストを起動します。
    1. ダッシュ ボードを使用して HR の進化を観察します。生理学的な信号が大きく変化しない場合インスピレーションと有効期限の率を徐々 に増加する対象を求めます。
    2. 場合は、件名は、このタスクめまいや不快な停止を感じています。いずれの場合も、4 分後タスクを完了します。
    3. タスクを終了したときは、自覚ストレスを対象に提供することを確認します。

3. 教室相

  1. 手首のウェアラブル デバイスをオンにし、subject´s 非利き手の手首にウェアラブルを配置します。手首の周りでウェアラブルを苦しくない程度にフィットします。
  2. 安定したインターネット接続にスマート フォンを接続し、Bluetooth 接続がアクティブなことを確認します。
  3. スマート フォン、PhysiologicalSignals アプリケーションを起動します。
    1. 単語Wearedは緑色で表示するアプリを待ちます。
    2. 設定メニューでユーザーの変更オプションを選択、テストを完了し、保存をクリックして被験者の ID を提供します。
  4. ラップトップでダッシュ ボードにアクセスし、テスト管理者の ID とパスワードを入力します。
    1. サブジェクトの ID と被験者のストレス] タブを選択します。
    2. 生理学的な信号の進化を確認します。
  5. 学生と教師の相互作用に関連して教室に関連する事象について注釈を取る。
    注: 関連情報と基本的なイベントは、その後生理学的なサンプルのラベルに使用されます。例のイベントは、先生から生徒への質問または理論的説明を開始します。
  6. 講義の最後には、5 レベルの規模に応じて、セッション中に特定の時間にストレスのレベルについてアンケートを完了する対象を求めます。

4. データ解析

  1. ラップトップでダッシュ ボードにアクセスし、テスト管理者の ID とパスワードを入力します。
    1. サブジェクトの ID と被験者のストレス] タブを選択します。
    2. 授業実験の日を選択します。
  2. 活動や知覚のストレスのレベルを識別することによって主題のサンプル ラベルを付けます。
    1. 講義室活動とスタート地点とゴールの回とその型によるとその継続期間を特定します。
    2. 各アクティビティの自覚ストレス レベルを選択します。
  3. 各教科、各セッション タグのサンプル ファイルをダウンロードします。
    注: 各学生のコンマ区切り値 (CSV) ファイルを作成、標準偏差、斜面、差分、アクティビティ タイプ、アクティビティ ベースのストレス (すなわち、関連付けられているストレスと生体信号の値を反映して各行既定のアクティビティに)、被写体認識ストレス。
  4. データ分析パッケージを起動します。
    1. 分類子のセットを選択 (例えばSVM、C4.5, K-NN、ランダム フォレスト、Naïve Bayes と 0 R) セッションごとにすべての学生の CSV ファイルをインポート。
    2. 電車し、10 倍のクロス検証手法を用いた識別器の評価。
      注: 分析、アクティビティ タイプ、アクティビティ ベースのストレス、ストレス知覚によって従属変数の分析として選択するものとします。
    3. 最後に、精度とエラー率の結果を確認します。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

説明プロトコルは、ヴィーゴの大学で通信工学の学位の最初の年にコンピュータ アーキテクチャ コースで練習に入れられました。このコースには、入学者よりも 200 人 10 のワーキング グループに編成されます。この実験を遂行するには、4 つのグループからの学生は、学年の初めに登録に招待されました。プロジェクトは、学生の間で注目を集めて、約 30 名の学生が研究に参加するボランティアします。彼らから 12 人の学生はランダムに参加に選ばれました。

実験用に選択されたベビーベッドの手首ウェアラブル デバイスは、HR、ST、GSR と加速度計のセンサーを持っています。このウェアラブルの選択は、その様々 なセンサーやリアルタイム データ供給の規定に基づいていた。データを収集するセンサーの技術的な条件も考慮しました。データ キャプチャは一般的にセンサーのもデバイスの省エネルギー特性のための操作によって課された特定の周波数で実行されます。選択したデバイスの場合 HR (1 Hz) を 1 秒ごとにサンプリングされました。加速度計動きキャプチャ以外の周波数と比較して合理的なエネルギー要件の十分な粒度を提供するために選ばれた 8 Hz のサンプリング周波数 8 Hz 31 Hz、62 Hz を提供しました。GSR は 0.2 または 5 Hz でサンプリングすることがあります。この場合は、5 秒に一度 GSR データを収集しました。加速度に関してはこの周波数は最小限のエネルギー要件を維持しながら十分な粒度を提供しました。最後に、聖は、HR (すなわち、1 Hz) と同じ周波数でサンプリングされます。デバイスによって収集されたデータは収集した GSR の HR、ST サンプル、最大加速度値と最後の値を含むすべての 2 番目のスマート フォンで PhysiologicalSignals アプリに転送されます。HR ノイズを減らすためには、サーバーは、15 サンプル ウィンドウを使用して、FIR フィルターや使用されるリアルタイム アプリケーション29心電図のフィルタ リング信号30、受信したデータに適用されます。

研究室の中に収集した情報および教室のセッションは、server´s データベースに格納されます。この情報は、データ分析パッケージを使って処理するダウンロードする必要があります。生成されたデータ ファイルのセットには、生の信号のデータとこれらの信号から得られる変数が含まれます。具体的には、各未処理の生理学的な信号 (HR、ST、GSR と加速度計)、その標準偏差 (st)、斜面 (sl)、最後の現在価値と極端な値の違いに 30 秒が記録されます。

プロトコルの実験室段階は実験のための適切な条件を持っているテレマティクス工学科の部屋に行った。図 2は、実際の学生の 1 つのこれらのセッション中に収集された人事は、GSR とセント値の進化を示しています。図に見られる、学生は、実験に含まれるタスク (ビデオ、過換気、PASAT STC3 STC2 STC1) のそれぞれを実行するように生理的信号に大きな変化が発生します。おそらく比較的高い初期 HR 値は、モニターしながら初めてこのタスクに直面するときの応力に起因では観察できます。過呼吸テスト中に ST の急速な成長も注目すべきです。

また実験中に観測された具体的な実験的瞬間、どんなにこれらの期間がない常にストレスによって知覚対象学生に生理学的な信号の顕著な変化であった。これは、主観的な変数であり、参加した学生がストレスの一般的な概念に完全に同意しないストレスを感知されるためです。実験室段階の高応力の短い期間を生成する目的でした。ストレスのこれらの短い期間は、ストレスは、異なる表現のどのような生理的信号に応答する学生をリードではなく、欲求不満として時々 定義されました。この効果は、図 3のグラフで視覚化できます。たとえば、12:15、12:20 (ストループ カラーの最後のテスト、単語テストの完了) の間に強い GSR 変化、潜在的なストレスの明らかな症状です。これらの強い変化 12:25 とテスト (過呼吸テスト) の終わり間もあるが、ユーザーが主張両方の機会に同様に低応力レベルを感じる。

状況は上記応力応力評価時間のような短い期間での主観的な文字。結果として、データ セット (すなわち、アクティビティ タイプ、アクティビティ ベース応力、または件名に感知される応力) の依存変数の候補の中から、我々 はストレスの活動ベースを選びました。この変数は、ストレス対処タスクと各タスクの末尾にその自覚ストレス レベルの学生によって提供された答えではなく、難易度のレベルに応じてレベルを定義します。このように、ビデオを見てだろうタグとして「リラックス」SCWT3 と PASAT を「集中」と「ストレス」として過呼吸テストとしてラベルだろうしながら。SCWT1 および SCWT2 からのサンプルが私たちの前のパイロット研究では、平均では、SCWT1 と SCWT2 がある (ビデオの可視化中に到達した) リラックスした感じの間の遷移を示す活動を認められたのでケースとストレスで捨てられたことに注意してください。1 つ。これらの理由から、これらの 2 の活動からの信号に我々 の分析から破棄し、ビデオの可視化、SCWT3、PASAT と過活動によるものだけを含めました。これらの状態の間で変化する HR、ST、GSR (リラックス、集中力、応力)図 4にまとめます。この図は、実験に参加 12 人の学生の 3 つのストレス レベルの生理的信号四分位数を示しています。一般に、HR と GSR の信号は、学生増え難易度のタスクに直面するいると徐々 に増加します。また、すべてのケースでの温度レベルが影響を受けます。ただし、いくつかのケースでそれはリラックスしたイベントの増加、ストレスの多い状況が小さくなり、他のケースでそれはちょうど人の反対によって発生します。

生理学的な信号の変化が目視で観測の相関関係を分析するために機械学習手法は、処理された CSV ファイルにわたって適用されました。各タスクおよびレベルの初期の一時的な変動を避けるためには、各アクティビティの最後の 3 分だけは代表でないサンプルを避けるためと見なされます。特に、いくつかの分類アルゴリズム、SVM、C4.5, 特に k NN、ランダム フォレスト、NaiveBayes、ゼロ、収集した生体信号からストレス状況を検出する訓練を受けていた。訓練された分類子となった高精度、平均絶対誤差の低い率および高いコーエンのカッパ インデックス レベル ストレス検出器、表 1に示すよう。すべての 12 科目と (ゼロ) を除くのアルゴリズムは、90% 以上の応力検出の精度、誤差の絶対値の平均値がゼロに近いとコーエンのカッパのインデックスは 1 に近い。

プロトコルで定義された教室相の電気通信工学科講義室実際のコースのセッション中に行われました。いくつかの学術活動は、この研究のためと考えられていた: 理論的な講義。質問任意コースのいくつかの側面について学生に先生に依頼疑問や質問を先生に学生によってもたらされる簡単なテスト;正規試験/決勝が 50 ~ 70 分で学生によって解決すべき問題のコレクションから成る。

生体信号の進化の可視化はこの場合バリエーションが微妙、つまり、さまざまな活動の信号値の違いよりも小さい実験室段階を示しています。最も関連性のバリエーションは、抜き打ちテストが完了した後正規の講義が行われる教室のセッション中に観察されました。この場合、1 つまたはいくつかの生理学的な信号は、図 5に示すように、大きな違いを苦しみます。簡単なテストに直面している学生の捉えた信号を図 (グラフの最初の部分)。テスト、中に最も関連のある変数が HR になります。それは、理論的な講義時間と比較されたときより高い心拍数が観察できます。同じ方法で皮膚温を理論講義時間、1 ° C 前後が発生時と比較して比較的低く維持します。

数値を方法、信号の変化と学生によって対処活動との相関を分析するには、機械学習手法は同様の実験室段階に適用しました。結合されたポップ クイズと講演のセッションの結果を示す 97.62% (± 3.82) の平均分類精度 C4.5 を使用します。ことにこれらのセッションの分析のために皮膚温が最終結果の可能なバイアスのため廃棄されました。ポップのクイズと次の授業の間の移行期間中に、約 20 分間、劇的に影響を与える温度値と教室を出た。

収集した教室のセッションの包括的な正式な分析はまだ進行中です。これは、いくつかの困難な状況が解決される複雑なプロセスです。生理信号の最初、突然の短時間変動には、関連する応力を生成するイベントがよくみられません。ほとんどの場合、重要な何もせず 1 分未満の最後のこれらの期間は、研究者によって記録されています。ウェアラブルがうまく調整できない場合、または突然の動きが発生した場合、別発生率の観察は GSR 値の不安定性です。どちらの場合も、0 μ S に近い、非常に低い GSR 値。同様の方法で、はるかに少ない通常場合があります誤った ST 値、周囲温度に近いウェアラブル大きすぎてユーザーの手首では着用疎。このような状況から派生した解析エラーを避けるためには、影響を受ける変数は破棄されます。監視すべての信号がストレス状況を検出するための候補者をすることができますに注意してください、信号のさまざまな組み合わせを使用して別の分類子を訓練することがありますが、異常値に関係なく、選択した分類の分類が損なわれてしまいます。

Figure 1
図 1.提案プロトコルで使われるツール。この図は、プロトコルとその相互作用に関与するすべての要素を表します。この図の拡大版を表示するのにはここをクリックしてください。

Figure 2
図 2.研究所のセッションで変化を強調します。この図は、実験室のプロトコルが分割されているさまざまな部分を示しています。各部分は、生体信号の明確な変化を示します。この図の拡大版を表示するのにはここをクリックしてください。

Figure 3
図 3.研究室セッションで学生の認識の変化を強調します。この図は、研究所のセッション中に学生の生理学的な信号の強い変化と応力クイズへの答え間の相違を示しています。この図の拡大版を表示するのにはここをクリックしてください。

Figure 4
図 4.生理学的な信号のパーセン タイル 12 研究所のセッションに参加している学生です。この図は、各科目の概要パーセン タイルを表します。それぞれのストレス状況の強力な生理学的な信号変化を視覚化できます。この図の拡大版を表示するのにはここをクリックしてください。

Figure 5
図 5.教室活動中に HR、ST、GSR のバリエーション。生理信号 (左) 短いテスト中に変化。生体信号変動理論講義 (右)。この図の拡大版を表示するのにはここをクリックしてください。

SVM C45 Knn RandomForest NaiveBayes ゼロ
成績 精度 エラー カッパ 精度 エラー カッパ 精度 エラー カッパ 精度 エラー カッパ 精度 エラー カッパ 精度 エラー カッパ
100 99.83 0.22 1 99.75 0 1 100 0 1 100 0 1 98.94 0.01 0.98 43.12 0.43 0
101 98.77 0.22 0.98 99.76 0 1 99.81 0 1 99.93 0.01 1 98.16 0.01 0.97 48.7 0.42 0
102 99.56 0.22 0.99 99.83 0 1 99.77 0 1 99.91 0.01 1 93.5 0.05 0.89 52.41 0.41 0
103 99.71 0.22 1 99.94 0 1 99.97 0 1 99.97 0.01 1 97.24 0.02 0.96 49.64 0.42 0
104 99.82 0.22 1 99.33 0.01 0.99 100 0 1 99.85 0.01 1 97.09 0.02 0.96 42.05 0.44 0
105 100 0.22 1 100 0 1 99.84 0 1 100 0 1 99.83 0 1 43.8 0.43 0
106 98.09 0.23 0.97 99.37 0.01 0.99 間 99.69 0 1 99.85 0.01 1 96.52 0.02 0.95 47.51 0.42 0
107 100 0.22 1 100 0 1 99.85 0 1 100 0 1 99.96 0 1 50.44 0.42 0
108 99.46 0.22 0.99 99.76 0 1 99.76 0 1 100 0 1 98.55 0.01 0.97 59.76 0.37 0
109 99.54 0.22 0.99 100 0 1 99.78 0 1 99.96 0 1 99.78 0 1 47.34 0.42 0
110 99.86 0.22 1 99.94 0 1 99.72 0 1 99.9 0.01 1 96.4 0.02 0.94 50.35 0.42 0
111 99.97 0.22 1 99.84 0 1 100 0 1 100 0 1 99.35 0 0.99 43.7 0.43 0
平均 99.55 0.22 0.99 99.79 0.00 1.00 99.85 0.00 1.00 99.95 0.01 1.00 97.94 0.01 0.97 48.24 0.42 0.00
標準偏差 0.55 0.00 0.01 0.22 0.00 0.00 0.11 0.00 0.00 0.06 0.01 0.00 1.82 0.01 0.03 4.72 0.02 0.00

テーブル1.精度、平均絶対エラーとコーエン's カッパ インデックス値取得 SVM、C4.5、k NN、ランダム フォレスト、NaiveBayes、ゼロのマシンからのデータを使用して分類器の学習、 12 学生実験に参加している。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

COTS ウェアラブル デバイスは、今日利用可能な最も人気のある消費者向けエレクトロニクス製品の一つです。これらのデバイスは、物理的な活動を監視するために用いられますが、彼らの能力とパフォーマンスを他の地域で大きな関心の可能性があります。本稿では、学習環境で応力の算定 COTS ウェアラブル デバイスの利用を評価するためのプロトコルを説明します。このようなプロトコルの定義は、ウェアラブルと機械学習アルゴリズムを含むさまざまなソリューションを分析するために特に関連します。プロトコルは、教育現場で使用する応力検出のプロシージャそして最終的な導入の検証可能性があります significate の利点を提供するものです。たとえばウェアラブル デバイスの使用は、いわゆる燃え尽き症候群9,10、11に関連付けられているストレスの高レベルを減らすに貢献できるし、結果としてドロップ アウト率大学12,13、学術のパフォーマンスが向上しました。

考慮すべき重要な側面は、ウェアラブルとスマート フォンの Bluetooth リンクです。両方のデバイス間にこのワイヤレス接続は、ダッシュ ボードで収集されたデータの可視化を通じて、特別な注意を払う必要があるので、テスト中に壊れているかもしれません。回復は時間 (すなわちに至る 1 10 分間隔) の短い期間の後自動的に実行されます、この中断が原因でサンプルの損失その間隔で。失われた情報の量を減らすためには、スマート フォンのデバイスを手動でリセットすると便利場合があります。考慮されるべき他の面は初期の皮膚温度センサー値を 10 分に遅れる可能性があります皮膚の安定性の達成に影響を与える可能性があります。

本研究で提案されたプロトコルの主な利点は、学生のサポート自動モバイル アプリを使用して実験とその低に関係するデバイスの準備の単純さのため最低限必要の大きいグループへの適用性教室の段階を運んでいる間立ち入り。このプロトコルは、教室や大学の研究室など、管理された環境で該当する高速かつ簡単な方法を提供します。また、参加学生の技術力は、同様にプロトコルは単純な技術的な概念理解の学術分野とは関係なく平均大学学生による、問題ではありません。文献31で述べましたとおり、実験科学で再現性に適用プロトコルとその結果の完全な明確な説明が必要です。本稿で説明したプロトコルは、シンプルで簡単な手順に従って議論した実験の再現とその拡張32を容易にするモジュール方式で設計されています。再現性を促進する最も関連性の高いデザインの側面の間でスタンドアロン モバイルアプリによる実験室段階とその自動実装の簡潔さ名前を指定できます。さらに、教室の相では、学術活動を越える学生との対話は必要ありません。ほとんどの学生がプロセスのシンプルさを指摘し、実験に関与に関連して苦情は報告されなかった。合計するに収集した証拠はこれまで、このプロトコルが科目広範なプロファイルと教育、保健施設や職場などを別のフィールドに適用されることを示します。その上、このプロトコルは、ウェアラブル デバイスを選択し、実験の要件に応じて実装する最適アルゴリズムをテストに使用するいくつかのマシン学習ソリューションを検討する可能性を提供しています。ストレスを誘引し、ダッシュ ボード表示とタグのサンプルを提供するアプリケーションの使用は、単一研究室セッションでカスタム応力モデルのトレーニングを促進します。

提案するソリューションの主な制限は、被験者の変動および学術活動の再現性に関連しています。同じ条件の講義で行われる状況を再現することは不可能です。その一方で、各学生が経験したストレスは非常に個人的、一般的なそこのように、同じ刺激に対する反応の違い。また、ウェアラブル デバイス自体、異なるアクセス方法、異なるセンサー、アクセスなど生理学的信号をリアルタイム、またはバッテリの寿命に関連ハードウェア関連の問題があります。これらの技術的な要件は、デバイスの限られた範囲を対象となるウェアラブルを制限します。私たちのケースでは、対象デバイスでスマートのブルートゥース機能とそれらの互換性や SDK などスマート フォンの主要な機器との互換性を持つスマート バンドが含まれます。互換性のあるデバイスの数は、年とともに増加する予定です。

提案方式は、最終的に学習管理システムまたは学生情報システムに現在使用されているものよりも豊富な学生モデルを定義する手段として提供するものです。たとえば、疲労やストレスなどのパフォーマンスに影響を及ぼす事態の早期発見に、このような状況を克服するために生徒を導く説明プロトコルに従ってウェアラブル デバイスで撮影した新しい情報を適用でした。このプロトコルの代替は、時間の長い期間にわたって生体信号の変化を検出するために、教室の外も着用ウェアラブル デバイスに基づいて可能性があります。この方法で絶えず変化する周囲温度など、いくつかの課題は、またはデータの損失を防ぐために彼らのスマート フォンの近くに必ずせざるを研究されているの下で件名。最後に、このプロトコルは、他のコースと教育水準、異なるスキルや研究分野を持つ学生の学業成績に影響を及ぼすストレスに追加の証拠をキャプチャを容易にするにも適用可能性があります。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

著者が明らかに何もありません。

Acknowledgments

この作品は、スペイン国家研究機関と、欧州地域開発基金 (ERDF) パラス (TIN2016-80515-R AEI/EFRD, EU) プロジェクトの下でサポートされます。

Materials

Name Company Catalog Number Comments
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

DOWNLOAD MATERIALS LIST

References

  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).

Tags

工学問題 136、手首ウェアラブル、定量化、モーダル解析、応力検出、機械学習、e ラーニング
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

de Arriba Pérez, F.,… More

de Arriba Pérez, F., Santos-Gago, J. M., Caeiro-Rodríguez, M., Fernández Iglesias, M. J. Evaluation of Commercial-Off-The-Shelf Wrist Wearables to Estimate Stress on Students. J. Vis. Exp. (136), e57590, doi:10.3791/57590 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter