Summary
提出了一种基于商业现成 ("服饰") 手腕的方法来评估学生压力的方案。该协议分为两个阶段, 一是以实验室为基础的压力感应测试, 一个是在学生从事学术活动时在课堂上进行的监控阶段。
Abstract
可穿戴的商用现成 (胶辊) 装置在过去几年中已经流行起来, 主要是在年轻人当中进行体育活动的监测。这些设备包括传感器收集生理信号的数据, 如心率, 皮肤温度或电偶皮肤反应。通过将数据分析技术应用到这些类型的信号中, 可以得到人类行为的高层次方面的估计。在文献中, 有几项著作描述使用临床设备收集的生理数据, 以获取睡眠模式或压力的信息。然而, 使用胶辊手腕 "服饰" 采集的数据是否足以表征学习者在教育环境中的心理状态, 这仍然是一个公开的问题。本文讨论了用胶辊手腕 "服饰" 获得的数据评估应力估计的一种协议。该议定书分为两个阶段进行。第一阶段由一个受控的实验室实验组成, 其中一个移动应用程序用于通过放松的视频、Stroop 的颜色和单词测试、节奏的听觉序列加法测试和过度换气测试来诱导学生的不同的压力水平。第二阶段是在课堂上进行, 在那里进行一些学术活动的分析, 即参加理论讲座, 做练习和其他个人活动, 并进行短期测试和考试。在这两种情况下, 都考虑了从胶辊手腕 "服饰" 获得的定量数据和通过问卷收集的定性数据。该协议涉及一种简单且一致的方法, 带有压力感应应用程序和调查表, 需要支持人员的有限参与。
Introduction
最先进的可穿戴技术是广泛的, 其应用环境不断扩大。我们可以在市场上找到许多不同的设备, 其中的婴儿床腕 "服饰"1, 如智能手表和智能带, 是受欢迎的运动员作为个人体能监测工具2。通过应用数据分析技术, 可以对使用这些设备获得的数据进行处理, 以提供一般物理状态、睡眠质量或恢复因子等指标。在这一领域中表现出的适用性使学术界对其可能在其他领域的应用产生了兴趣, 特别是在3、4健康领域, 尽管临床试验的严格要求限制了他们的介绍。然而, 在教育等较不苛刻的背景下, 我们可以在文献中发现, 最近的调查涉及使用不同类型的可穿戴设备, 这两者都与教学活动5、6和估计学生的某些特点如睡眠模式7, 或对学生参与不同教育活动的分析8。
在我们的例子中, 我们专注于分析胶辊手腕可穿戴装置作为收集生理信号的手段, 最终将促进压力估计, 这反过来是教育环境中的一个关键方面。压力对学术活动的发展和学生的整体表现有相关影响。例如, 压力水平与9、10、11学生的倦怠综合征的发生有直接关系, 高应力水平在大一期间尤为重要, 其中辍学率为20%30%12,13是常见的。检测和控制压力指标可以显著提高学业成绩。
使用胶辊手腕耐磨装置是合理的, 因为他们有传感器, 提供信息的生理信号, 已广泛使用的科学社区在压力评估和检测。用于此目的的文献中提到的一些信号包括心率 (HR)14、心率 varaibility15、皮肤温度 (ST)16、呼吸14和电偶皮肤反应 (GSR)17。这些信号可以通过胶辊手腕 "服饰" 收集。然而, 它们不提供与临床设备相同的性能。与设备18、19、20、21之间的传感器的准确度有差异。然而, 以前的作品18,19,20,21已经表明, 在缓慢的运动场景中, 胶辊手腕可穿戴传感器有类似于专用设备的错误模式。
本文的目的是介绍一个协议, 以评估不同的解决方案的压力估计在学生使用胶辊手腕 "服饰"。有许多安排, 可以建议评估的压力水平, 涉及使用不同的手腕耐磨设备和数据分析技术, 更具体的机器学习算法。婴儿床腕 "服饰" 的特点是其高破碎, 异构性和互操作问题22。三家公司的总市场份额几乎为 50%23, 但许多其他公司的个人市场份额较小, 累计份额高于50%。另一方面, 在异质性方面, 并非所有的 "服饰" 都有相同的数量和类型的传感器, 加速度计和 h 传感器是最常见的, ST 的和 GSR 的是只存在于5% 的设备研究。至于互操作性, 有不同的操作系统和数据收集方法彼此不兼容。至于机器学习技术, 可用于估计的压力, 从采集的数据的手腕设备, 有很多选项可用24, 包括决策树, 神经网络, 最近的邻居方法, 天真的贝叶斯分类器等总结, 对于应力估计有很多可开发的解决方案, 因此设计一个评估协议有助于不同的暂定选项之间的比较, 最终选择最适合在给定的上下文中。
为了实现该协议, 需要几个工具 (图 1)。首先, 需要一个胶辊手腕耐磨装置, 以获取生理数据。这种可穿戴的设备应该至少有 HR 监控能力, 但额外的传感器是可取的 (例如,加速度计, ST, GSR 传感器)。其次, 运行 PhysiologicalSignal 应用程序的智能手机需要收集可穿戴设备捕获的数据。第三, 运行 StressTest 应用程序的平板电脑需要进行压力感应练习 (这款智能手机可以代替平板电脑使用)。第四, 收集学生对压力感知的定性数据问卷。第五, 具有 web 服务25的服务器执行数据收集和预处理, 以及一个 web 仪表板来显示信号的演变。最后, 一个数据分析包26处理的数据收集的学生使用机器学习技术。
评估协议分为两个阶段。第一个, 实验室阶段, 是在一个舒适的房间, 在那里, 不同的压力水平 (即"放松", "集中精神" 和 "压力") 通过几个共同的压力诱导任务诱导到目标对象 (学生)。第二部分是在课堂上进行的, 它涉及学生在完成若干学术活动过程中的监控: 理论解释、个人活动、短期考试、考试等.这个协议, 主体的生理信号是通过手腕装置捕捉到的。最后, 利用机器学习算法对这些信号进行处理, 对应力水平进行估计。
在实验室阶段, StressTest 应用程序被用来诱导不同的应力水平。此应用程序指导主题完成四项不同的任务。第一个任务是创建压力分析的基线。在这项任务中, 学生展示了一个4分钟的轻松视频, 其中显示了在桥上不同的日落镜头。第二个任务是对 Stroop 颜色和 Word 测试27 (SCWT) 的改编。每隔两秒钟, 主题必须选择颜色名称的颜色 (红色、绿色、橙色、蓝色和紫色)。在屏幕底部有几个按钮, 其中包含每种颜色的初始字母, 可供主题选择每次绘制的颜色。例如, 指向蓝色的按钮描述了字母 B。在我们的例子中, 这个测试分为三不同的难度水平。对于第一级 (SCWT1), 彩色的 "颜色词" 将以与按钮相同的顺序出现, 因此颜色和名称直接匹配。此级别被视为基线, 因为它不涉及任何困难, 并且主题只应正确按下按钮, 始终按相同的顺序。对于第二级 (SCWT2), 彩色的 "颜色词" 随机出现, 但名称和颜色之间的对应关系保持不变。每当主题失败时发出蜂鸣音, 如果出现两个错误, 则将重置正确的颜色分数。最后, 最困难的级别 (SCWT3), 名称和颜色不匹配。以这种方式, 这个层次的目的是更复杂和压力的主题。第三项任务包括节奏听觉系列加法测试 (PASAT)28, 它测量学生如何体验浓度测试。在这个任务中, 一个连续数字的序列被大声地演奏, 并且学生必须增加最后两个数字并且写结果在提供的屏幕盒在听下数字之前。在这项任务中, 如果主题犯了错误, 就会发生一个令人不安的事件, 产生压力 (两个数字声音在同一时间或长时间的沉默保持)。在这种情况下, 如果提交了三错误, 将重置 sum 帐户。第四项任务是在过度通气的活动中诱导相同的变异, 在生理信号, 这将挑起紧张的情况17。在每一个任务和级别的末尾, 该主题必须根据5值的李克特量表, 使用应用程序本身来表示感知到的压力水平。
在课堂阶段, 学生与其他同学一起进行他们的普通学术活动。该议定书侧重于课堂特定活动中的压力水平。在讲座结束时, 学生完成了一份简短的问卷 (附件 1), 以表明在几项活动中, 根据5价值表所感知到的压力水平。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
下文所述的所有方法都已得到加利西亚国家拉科鲁尼亚-拉科鲁尼亚研究伦理学委员会 (reg 代码 2017/336) 的区域政府的批准。该《议定书》是在电信工程学院的一年级学生 (维哥大学) 实施的, 既在一个舒适的实验室, 又在一个关于计算机体系结构的学士学位课程的几个讲座和练习课上进行。
1. 准备设备
- 将智能手机和 tablet 设备连接到稳定的 internet 连接。
- 打开智能手机中的蓝牙通信。
- 在智能手机中, 搜索相应的官方应用程序商店的手腕耐磨应用。下载并安装它。
- 在智能手机中, 搜索 PhysiologicalSignals 应用程序以捕获生理信号。下载并安装它。
注: 目前, 该应用程序是一个 beta 版本, 并可以通过请求提供访问。 - 在平板电脑中, 搜索 StressTest 应用程序, 用于研究实验室实验。下载并安装它。
注: 目前, 该应用程序是一个 beta 版本, 并可以通过请求提供访问。 - 打开胶辊手腕耐磨装置, 并放置耐磨。
- 在智能手机中, 打开正式的胶辊手腕耐磨应用。
注: 该应用程序将继续与智能手机同步可穿戴设备。在某些设备中, 需要一个电子邮件地址。 - 在智能手机中, 打开 PhysiologicalSignals 应用程序。
- 如果收到传感器访问请求的通知, 请接受它。
- 检查设备。等待 PhysiologicalSignals 应用程序以绿色显示穿着字。
注: 这表明可穿戴设备已被检测到, 因此将信息从传感器传输到智能手机已启用。如果此消息在步骤1.6 中未出现重复。
2. 实验室阶段
- 准备实验室设置。选择一个舒适和无干扰的房间, 没有分心的噪音和舒适的温度 (介于22摄氏度和26°c)。
- 打开手腕耐磨装置, 把它放在 subject´s 的非显性手腕上, 把耳机放在学生的头上。适合佩戴紧密, 但舒适的手腕周围。
- 将智能手机和平板电脑连接到稳定的 internet 连接, 并验证蓝牙连接是否处于活动状态。
- 在智能手机中, 启动 PhysiologicalSignals 应用程序。
- 等待应用程序显示单词穿着绿色。
- 在 "左侧配置" 菜单中选择 "更改用户" 选项, 并提供将完成测试的主题的 ID, 然后单击 "保存"。
- 在便携式计算机中, 访问仪表板并输入测试管理员的 ID 和密码。
注意: 当前, 对于私有和安全问题, 仅在请求下才可以访问仪表板。- 选择主题 ID 和主题的 "重音" 选项卡。
- 在开始实验前, 检查生理信号的演变, 等待耐磨装置达到热稳定性。
注: 热稳定性在图中被确定为一个平台。
- 在 tablet 中, 启动 StressTest 应用程序。
- 向主题解释四实验室任务。显示在每项任务中执行的一些屏幕和操作。
注意: 这是非常重要的, 因为主题应该感到压力或放松, 根据所执行的活动, 而不是担心或担心将要发生什么。 - 告诉学生不要把胳膊放在桌子上, 用可穿戴装置的手来进行活动。
- 输入与步骤2.4.2 中相同的用户 ID, 然后单击箭头。
- 向主题解释四实验室任务。显示在每项任务中执行的一些屏幕和操作。
- 启动视频任务并给学生完全控制。
- 观察任务没有发生意外。
- 完成任务后, 检查主题是否提供了感知到的压力。
- 为1、2和3级连续启动 Stroop 颜色任务 (SCWT)。
- 对于每个级别, 请观察子任务没有发生意外。
- 当每个子任务完成后, 检查主题是否提供了感知到的压力。
- 仅对于3级, 只有在4分钟后主题无法解决它的情况下, 通过按位于屏幕顶部的箭头来终止任务。
- 启动节奏听觉序列加法测试 (PASAT)。
- 观察任务没有发生意外。
- 如果主题在4分钟后无法解决 PASAT 测试, 请按位于屏幕顶部的箭头终止任务。
- 完成任务后, 检查主题是否提供了感知到的压力。
- 启动换气过度测试。
- 使用仪表板观察 HR 的演变。如果生理信号变化不明显, 要求主体逐渐增加灵感和失效率。
- 万一这个主题感到头晕或不舒服, 停止这项任务。不管怎样, 四分钟后完成任务。
- 完成任务后, 检查主题是否提供了感知到的压力。
3. 课堂阶段
- 打开手腕可穿戴的设备, 并把穿戴在 subject´s 非显性手腕。适合佩戴紧密, 但舒适的手腕周围。
- 将智能手机连接到稳定的 internet 连接, 并验证蓝牙连接是否处于活动状态。
- 在智能手机中, 启动 PhysiologicalSignals 应用程序。
- 等待应用程序显示单词穿着绿色。
- 在 "配置" 菜单中选择 "更改用户" 选项, 提供将完成测试的主题的 ID, 然后单击 "保存"。
- 在便携式计算机中, 访问仪表板并输入测试管理员的 ID 和密码。
- 选择主题 ID 和主题的 "重音" 选项卡。
- 检查生理信号的演变。
- 对课堂上发生的与师生互动有关的事件进行注解。
注意: 相关信息和基本事件将被用来标记生理样本之后。例子事件是老师给学生的问题, 或者是理论解释的开始。 - 在讲座结束时, 根据5级的规模, 要求主题在特定时间内完成有关其压力水平的问卷。
4. 数据分析
- 在便携式计算机中, 访问仪表板并输入测试管理员的 ID 和密码。
- 选择主题 ID 和主题的 "重音" 选项卡。
- 选择课堂实验的日期。
- 通过识别活动和感知的压力水平来标记主题的样本。
- 根据开始和完成时间及其类型确定演讲室活动及其持续时间。
- 对于每个活动, 选择一个感知的应力水平。
- 对于每个主题和每个会话, 请使用带标记的示例下载该文件。
注意: 为每个学生创建一个逗号分隔值 (CSV) 文件, 每行反映生理信号的值, 其标准偏差、斜率和差异、活动类型、基于活动的应力 (即, 应力关联默认为活动) 和主体感知的压力。 - 启动数据分析包。
- 选择一组分类器 (如SVM、C4.5、k NN、随机林、天真贝叶斯和零 R), 并为每个会话导入所有学生的 CSV 文件。
- 使用10倍交叉验证技术对分类器进行训练和评估。
注: 根据分析, 活动类型, 基于活动的应力或应力感知, 应选择作为依赖变量的研究。 - 最后, 检查结果的准确性和错误率。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
所讨论的议定书是在维哥大学电信工程学位第一年的计算机架构课程中实施的。这门课程有200多名学生被组织成10个工作小组。为了进行这项实验, 四组的学生应邀在学年开始时报名参加。该项目引起了学生的极大兴趣, 约有30名学生自愿参加这项研究。其中12名学生被随机挑选参加。
为我们的实验选择的胶辊手腕耐磨装置有 HR, ST, GSR 和加速度传感器。这种耐磨性的选择是基于其各种传感器和提供实时数据喂养。还考虑了收集传感器数据的技术条件。数据捕获是在特定频率下执行的, 通常由传感器的操作强加, 而且由于设备的节能特性。在所选设备的情况下, HR 每秒取样一次 (1 赫兹)。加速度计提供了62赫兹, 31 赫兹和 8 hz 作为采样频率, 其中 8 Hz 被选择, 因为它提供足够的粒度为运动捕获与合理的能量要求相比, 其他频率。GSR 可以取样0.2 或5赫兹。在这种情况下, 我们选择每5秒收集一次 GSR 数据。对于加速度计, 这种频率提供了足够的粒度, 同时使能源需求降到最低。最后, ST 的采样频率与 HR 相同 (即1 赫兹)。设备收集的数据每秒传输到智能手机中的 PhysiologicalSignals 应用程序中, 包括 HR 和 ST 样本、最大加速度值和最后一次的 GSR 值。为了减少 HR 噪音, 服务器应用于接收的数据, 即实时应用29中常用的 FIR 滤波器, 以及在 ECG 信号30中使用15样窗口进行滤波。
在实验室和课堂会话期间收集的信息存储在 server´s 数据库中。此信息应下载到使用数据分析包处理。生成的数据文件集包含原始信号的数据和来自这些信号的变量。更具体地说, 对于每个原始生理信号 (HR, st, GSR 和加速度计), 它的标准偏差 (st), 斜率 (sl), 以及目前的价值和极值之间的差距在过去30秒的记录。
该协议的实验室阶段是在远程信息处理工程部门的一个舒适的房间里进行的, 该室具有实验的适当条件。图 2描述了在这些会话中为一个实际的学生收集的 HR、GSR 和 ST 值的演变。如图所示, 当学生执行实验中的每项任务 (视频、STC1、STC2、STC3、PASAT 和过度通气) 时, 生理信号发生显著变化。一个相对较高的初始 HR 值可以被观察到, 最可能的原因是在受到监视时第一次面对此任务时引起的压力。在换气过度试验中, ST 段的快速生长也值得注意。
在实验室实验中也观察到, 在特定实验时刻生理信号的显著变化, 无论这些时期并不总是被目标学生视为压力。这是由于感知压力是一个主观变量, 参与的学生并不完全同意一个共同的压力概念。在实验室阶段, 它的目的是产生短暂的高应力期。这些短暂的压力有时被定义为挫折, 而不是压力, 这导致参与的学生对他们的生理信号表达的反应不同。此效果可以在图 3中的图中进行可视化。例如, 在12:15 和12:20 之间的间隔 (Stroop 颜色和单词测试的最后一次测试完成), 强 GSR 变化是潜在压力的明显征兆。这些强烈的变化也存在于12:25 和测试结束之间 (换气过度测试), 但在这两种情况下, 用户声称感觉到同样低的压力水平。
上述情况在短时间内强调了应力评价的主观特征。因此, 从数据集合中依赖变量的候选者 (即活动类型、基于活动的压力或主题感知的压力) 中, 我们选择了基于活动的压力。这个变量根据所处理任务的难度程度来定义压力水平, 而不是由学生在每项任务结束时对其感知的压力水平所提供的答案来确定。这样, 视频观看将被标记为 "放松", 而 SCWT3 和 PASAT 将被标记为 "集中" 和换气过度测试作为 "压力"。请注意, 从 SCWT1 和 SCWT2 的样本被丢弃在我们的情况下, 因为在以前的试验研究发现, 平均来说, SCWT1 和 SCWT2 是活动, 显示一个过渡之间的放松感觉 (达到视频可视化) 和压力一个。由于这些原因, 我们从我们的分析中丢弃了这2活动的信号, 我们只包括那些来自视频可视化、SCWT3、PASAT 和过度换气的活动。这些状态中的 HR、ST 和 GSR 变化 (放松、集中、压力) 在图 4中概述。该图描述了实验所涉及的12名学生的三压力水平的生理信号分位数。总的来说, 随着学生面临越来越困难的任务, HR 和 GSR 信号逐渐增加。此外, 在所有情况下, 温度水平受到影响。然而, 在某些情况下, 它增加了放松的事件和减少在紧张的情况下, 而在其他情况下, 它发生只是相反的, 取决于人。
为了分析在生理信号变异过程中视觉上的相关性, 在处理后的 CSV 文件中应用机器学习技术。为了避免每个任务和级别的初始短暂变化, 只考虑每项活动的最后3分钟, 以避免非代表性的样本。特别是 SVM、C4.5、k 神经网络、随机林、NaiveBayes 和 ZeroR 等几种分类算法都经过训练, 从采集的生理信号中检测出应力情况。经过训练的分类器变得高精度, 低平均绝对错误率和高科恩的卡伯值级应力探测器, 如表 1所示。对于所有12学科和算法 (除 ZeroR), 应力检测的准确性在90% 以上, 平均绝对误差值接近 0, 科恩的卡伯指数接近1。
《议定书》所界定的课堂阶段是在电信工程学院的演讲室的实际课程中进行的。本研究考虑了一些学术活动: 理论讲座;老师对学生任意询问课程的某些方面的问题;学生对教师提出的疑问或问题;短期试验;定期考试/决赛由学生在50-70 分钟内解决的问题集合组成。
在这种情况下, 生理信号演变的可视化表明, 变化是微妙的, 即不同活动的信号值的差异比实验室阶段小。最相关的变化是在课堂上观察到的, 在这个过程中, 在一个流行测验完成后经常会有讲座。在这种情况下, 一个或几个生理信号有显著的差异, 如图 5所示。这个数字描述了一个学生面临的短测试 (图的第一部分) 捕获的信号。在测试过程中, 最相关的变量是 HR。可以观察到, 与理论讲座时间相比, 学生的心率更高。以同样的方式, 当与理论演讲时间相比, 皮肤温度保持相对较低, 当它上升大约1°c。
为了对这一问题进行数值分析, 在实验阶段, 将信号的变化与学生所处理的活动、机器学习技术类似。合并的流行测验和演讲课的结果显示, 使用 C4.5 的平均分类准确度为 97.62% (3.82)。请注意, 对于这些会话的分析, 由于最终结果中可能存在的偏差, 皮肤温度被丢弃。在流行测验和以下讲课的过渡期内, 学生离开教室大约20分钟, 显著影响温度值。
对所收集的课堂课程的全面正式分析仍在进行中。这是一个复杂的过程, 其中涉及几个具有挑战性的情况。首先, 在生理信号的突变短期变化经常观察到没有相关的应力产生事件。在大多数情况下, 这些期间持续不到一分钟, 没有任何重要的记录由研究员。另一种发生率是, 当耐磨性没有很好的调整或突然的运动发生时, GSR 值的不稳定性。两种情况下都有很低的 GSR 值, 接近0µS。类似的, 虽然不太常见, 但有不正确的 ST 值, 接近周围温度, 当穿戴是太大, 为用户的手腕, 因此是松散的磨损。为了消除从这些情况派生的分析错误, 将丢弃受影响的变量。请注意, 所有监控的信号都可以是考生检测压力情况, 不同的分类器可以训练使用不同的信号组合, 但异常值将损害分类, 无论分类选择。
图 1.在拟议的议定书中使用的工具.这个数字代表了协议中涉及的所有元素及其相互作用。请单击此处查看此图的较大版本.
图 2.实验室会话中的应力变化.此图显示了实验室协议划分的不同部分。每一部分都呈现出明显的生理信号变异。请单击此处查看此图的较大版本.
图 3.学生在实验室会议上的压力变化.这个数字显示了一个学生在实验室会议期间生理信号的强烈变化与他们对压力测验的回答之间的差异。请单击此处查看此图的较大版本.
图 4. 12 名参加实验室会议的学生的生理信号百分点。此数字表示每个主题的百分比摘要。每个应力状态之间的强烈生理信号变化可以可视化。请单击此处查看此图的较大版本.
图 5.课堂活动期间的 HR, ST 和 GSR 的变化。生理信号在短时间测试中变化 (左)。在理论讲座 (右) 的生理信号变化。请单击此处查看此图的较大版本.
| Svm | C45 | Knn | RandomForest | NaiveBayes | ZeroR | |||||||||||||
| StudentID | 精度 | 错误 | Kappa | 精度 | 错误 | Kappa | 精度 | 错误 | Kappa | 精度 | 错误 | Kappa | 精度 | 错误 | Kappa | 精度 | 错误 | Kappa |
| 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 | 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 |
| 标准偏差 | 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 |
表1.通过对SVM、C4.5、k-神经网络、随机林、NaiveBayes 和 ZeroR 机器学习分类器的数据 , 得到了精度、平均绝对误差和科恩的卡伯值指数。12 名学生参加实验室实验.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
胶辊可穿戴设备是当今最受欢迎的消费电子产品之一。这些设备通常用于监视物理活动, 但它们的功能和性能可能对其他领域很感兴趣。本文讨论了利用胶辊可穿戴装置评估学习环境应力的一种协议。为了分析涉及 "服饰" 和机器学习算法的不同解决方案, 此类协议的定义尤为重要。该议定书的目的是在教育环境中使用, 在这种情况下, 对压力检测程序的验证和最终的介绍可以提供 significate 的好处。例如, 可穿戴设备的使用可以帮助减少与所谓的倦怠综合症9,10,11相关的高压力, 并因此辍学率在大学12,13、同时提高学业成绩。
需要考虑的一个关键方面是可穿戴和智能手机之间的蓝牙链接。这两个设备之间的无线连接可能在测试期间中断, 因此必须通过在仪表板中收集的数据的可视化来特别注意它。尽管恢复是在短时间内自动执行的 (例如, 间隔从1分钟不等), 但此中断可能会导致该间隔中的样本丢失。为了减少丢失的信息量, 可以方便地手动重置智能手机设备。其他需要考虑的方面是初始皮肤温度传感器的价值, 因为它可能会影响皮肤稳定性的实现, 这可能会延迟10分钟。
本研究提出的协议的主要优点是它对一大群学生的适用性, 它对使用自动化移动应用程序的支持极小, 在实验中所涉及的设备的编写简单, 以及其低侵扰在执行课堂阶段。该协议提供了一种快速而简单的方法, 适用于受控环境, 如教室或大学实验室。此外, 参与式学生的技术能力也不是问题, 因为该协议的基础是普通大学生独立于学术领域的简单易懂的技术概念。如文献31所述, 实验科学的再现性要求对所应用的协议及其结果进行透彻和清晰的描述。本文所讨论的协议是以模块化的方式设计的, 它是按照简单、直接的步骤进行的, 方便了所讨论的实验的再现和扩展32。在促进再现性的最相关设计方面, 我们可以用独立的移动应用程序来命名实验室阶段的简洁及其自动化实现。此外, 课堂阶段不需要与学生在学术活动之外的任何互动。大多数学生指出了这一过程的简单性, 并没有报告有关他们参与实验的投诉。综上所述, 迄今收集到的证据表明, 本议定书可适用于具有更广泛概况的主题, 以及与教育不同的领域, 如保健设施或工作场所。此外, 该协议还提供了研究几种机器学习解决方案的可能性, 根据实验的要求和选择的可穿戴设备, 测试最佳算法的实现。利用应用来诱发压力, 并提供一个仪表板来显示和标签的样本, 有助于培训定制压力模型在一个单一的实验室会议。
所提出的解决方案的主要局限性与学科的变异性和学术活动的再现性有关。在课堂上重新创造完全相同的条件和情况几乎是不可能的。另一方面, 每个学生所经历的压力都是非常私人的, 一般来说, 对同样的刺激有不同的反应。此外, 还有一些与可穿戴设备本身相关的硬件问题, 例如不同的接入方法、不同的传感器、实时获取生理信号或电池寿命。这些技术要求将合格的 "服饰" 限制在有限的设备范围内。在我们的例子中, 符合条件的设备包括那些与智能蓝牙功能和智能带兼容的 SDK, 它与主要的智能手机设备兼容。未来几年, 兼容设备的数量预计将会增加。
拟议的议定书旨在作为最终定义比学习管理系统或学生信息系统目前使用的更丰富的学生模型的工具。例如, 根据所讨论的协议, 可穿戴设备捕获的新信息可以用于早期发现影响性能的情况, 如疲劳或压力, 并指导学生克服这些情况。这个协议的另一种选择可能是基于穿戴的设备也在教室外, 以检测生理信号的变化在较长的时间内。这种方法涉及几个挑战, 如不断变化的环境温度, 或正在研究的主题被迫总是接近他们的智能手机, 以防止数据丢失。最后, 本议定书也可适用于其他课程和教育水平, 这将有助于获取更多证据, 说明压力如何影响不同技能或学习领域的学生的学业成绩。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有什么可透露的。
Acknowledgments
这项工作得到西班牙国家研究机构和欧洲区域发展基金 (ERDF) (TIN2016-80515-R AEI/EFRD, 欧盟) 项目的支持。
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 |
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. , at http://www.idc.com/getdoc.jsp?containerId=prUS41530816 (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. , Paidós. at https://dialnet.unirioja.es/servlet/libro?codigo=110437 (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. , Palo Alto. (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. , Available from: http://onlinelibrary.wiley.com/doi/10.1111/j.1479-8425.2012.00575.x/full (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. , http://dl.acm.org/citation.cfm?id=2512882 (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. , at https://www.idc.com/getdoc.jsp?containerId=prUS42342317 (2017).
- Mark, H., Ian, W., Eibe, F. Data Mining: Practical Machine Learning Tools and Techniques. , Morgan Kaufmann Publishers. (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. , at https://www.cs.waikato.ac.nz/mL/weka/ (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. , at https://www.aje.com/en/arc/how-to-write-an-easily-reproducible-protocol/ (2018).
