Waiting
Login processing...

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

Engineering

Evaluering af kommercielle-Off-The-Shelf håndled Wearables at anslå Stress på studerende

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

En protokol til at vurdere løsninger baseret på kommercielle-off-the-shelf (VUGGER) håndled wearables at anslå stress i studerende er foreslået. Protokollen er gennemført i to faser, en indledende laboratorium-baseret stress induktion test og en overvågning etape finder sted i klasseværelset, mens studerende udfører faglige aktiviteter.

Abstract

Wearable kommercielle-off-the-shelf (VUGGER) enheder er blevet populær i de seneste år til at overvåge sportsaktiviteter, primært blandt unge mennesker. Disse enheder omfatter sensorer for at indsamle data om fysiologiske signaler såsom puls, hud temperatur eller galvanisk hud svar. Ved at anvende data analytics teknikker til disse former for signaler, er det muligt at opnå skøn over højere aspekter af menneskelig adfærd. I litteraturen er der flere værker der beskriver brugen af fysiologiske data indsamlet ved hjælp af kliniske enheder til at indhente oplysninger om søvnmønster eller stress. Det er dog stadig et åbent spørgsmål om data fanget ved hjælp af BARNESENGE håndled wearables er tilstrækkelig til at karakterisere de lærende psykiske tilstand i undervisningsmiljøer. Dette papir beskriver en protokol for at vurdere stress skøn fra data opnået ved hjælp af BARNESENGE håndled wearables. Protokollen er gennemført i to faser. Den første fase består af en kontrolleret laboratorium eksperiment, hvor en mobil app bruges til at fremkalde forskellige stressniveau i en studerende ved en afslappende video, en Stroop farve og Word-test, en tempofyldt auditive seriel tilføjelse test og en hyperventilation test. I anden fase foretages i klasseværelset, hvor stress er analyseret samtidig udfører flere faglige aktiviteter, nemlig at deltage til teoretisk foredrag, laver øvelser og andre individuelle aktiviteter og tager korte prøver og eksamener. I begge tilfælde betragtes som både kvantitative data indhentet fra BARNESENGE håndled wearables og kvalitative data indsamlet ved hjælp af spørgeskemaer. Denne protokol indebærer en enkel og ensartet metode med en stress induktion app og spørgeskemaer, som kræver en begrænset deltagelse af hjælpepersonale.

Introduction

State-of-the-art wearable teknologier er bredt tilgængelige, og deres applikationsmiljøer udvider løbende. Vi kan finde på markedet, mange forskellige enheder, blandt hvilke BARNESENGE håndled wearables1, såsom smart ure og smart bands, er populære blandt atleter som en personlig fysisk fitness overvågning værktøj2. Ved at anvende data analytiske teknikker, kan oplysninger indhentet ved hjælp af disse enheder behandles til indikatorer som generelle fysiske tilstand, sove kvalitet eller recovery faktor. Demonstreret anvendelighed i dette område rejst interesse i den akademiske verden om deres mulige anvendelse til andre områder, især i sundhed domæne3,4, selv om de strenge krav i kliniske forsøg begrænse deres indførelse. Men i en mindre krævende sammenhæng som uddannelse, vi kan finde i litteratur de seneste undersøgelser med anvendelse af forskellige typer af bærbare enheder, både relateret til undervisning aktiviteter5,6 og til vurdering af visse egenskaber af studerende som søvn mønstre7eller analyse af elevernes engagement i forskellige pædagogiske aktiviteter8.

I vores tilfælde fokuserer vi på at analysere BARNESENGE håndled bærbare enheder som middel til at indsamle fysiologiske signaler, der ville i sidste ende lette stress skøn, som igen er et nøgleaspekt i pædagogiske sammenhænge. Stress har en relevant indflydelse i udviklingen af akademiske aktiviteter og samlede studerendes præstationer. For eksempel, stress niveauer er direkte relateret til udbrud af udbrændthed syndrom i studerende9,10,11, og højt stressniveau er især relevante freshman år, hvor drop-out satser mellem 20% og 30%12,13 er fælles. Opspore og kontrollere stress indikatorer kunne dramatisk forbedre akademiske præstationer.

Brug af BARNESENGE håndled wearable enheder er berettiget, fordi de har sensorer, der giver oplysninger om fysiologiske signaler, der har været meget anvendt af det videnskabelige samfund i stress vurdering og registrering. Nogle af signalerne omhandlet i litteraturen anvendes til dette formål omfatter puls (HR)14, puls varaibility15, hud temperatur (ST)16, respiration14og galvanisk hud reaktion (GSR)17. Disse signaler kan indsamles af BARNESENGE håndled wearables. Men de ikke tilbyder den samme ydeevne som kliniske enheder. Der er forskelle vedrørende nøjagtigheden af sensorer blandt enheder18,19,20,21. Ikke desto mindre, tidligere værker18,19,20,21 har vist, at i en langsom bevægelse scenario, BARNESENGE håndled wearable sensorer fejl mønstre svarende til specialiserede enheder.

Formålet med dette papir er at indføre en protokol for at vurdere forskellige løsninger til stress estimering i studerende, der bruger BARNESENGE håndled wearables. Der er mange arrangementer, der kan blive foreslået at anslå stressniveau, der indebærer brug af forskellige håndled bærbare enheder og data analytics teknikker, og mere specifikt machine learning algoritmer. BARNESENGE håndled wearables er kendetegnet ved deres høje fragmentering, heterogenitet og interoperabilitet problemer22. Tre virksomheder har en samlet markedsandel på næsten 50%23, men mange andre virksomheder tegner sig for meget mindre individuel marked deler, med en samlet andel på over 50%. På den anden side i form af heterogenitet, ikke alle wearables har det samme antal og type af sensorer, med accelerometre og h sensorer er den mest almindelige, og STS og GSRS er kun til stede i 5% af enhederne studerede. Med hensyn til interoperabilitet er der forskellige operativsystemer og data indsamling metoder, ikke der er kompatible med hinanden. Med hensyn til maskinen lære teknikker, der kan anvendes til at anslå stress fra data indsamlet ved hjælp af et håndled anordning, er der mange indstillinger tilgængelige24, herunder beslutningstræer, neurale netværk, nærmeste nabo tilgange, Naïve Bayes klassificeringer, etc. til at opsummere, der er et stort udvalg af løsninger, der kan udvikles for stress skøn, så det er medvirkende til at designe en evaluering protokol at lette sammenligningen mellem forskellige foreløbig indstillinger til sidst vælge den mest hensigtsmæssige i en given kontekst.

For gennemførelsen af protokollen er flere værktøjer nødvendige (figur 1). Først, en barneseng håndled wearable enhed er nødvendig for at hente fysiologiske data. Denne wearable enhed bør have mindst HR overvågning kapaciteter, men yderligere sensorer er ønskeligt (fx, accelerometer, ST, GSR sensorer). For det andet er en smartphone kører PhysiologicalSignal app forpligtet til at indsamle de data, der er fanget af den bærbare enhed. For det tredje en tablet kører StressTest app er nødvendig for at køre stress induktion øvelser (smartphone kunne anvendes i stedet tabletten til dette formål). Fjerde, nogle spørgeskemaer til at indsamle kvalitative data på elevernes opfattelse på stress. For det femte en server med en Web service25 til at udføre dataindsamling og forbehandling og en Web dashboard til at vise udviklingen af signalerne. Og endelig en data analytics pakke26 til at behandle data indsamlet om studerende, der bruger maskinen læring teknikker.

Vurdering protokollen er organiseret i to faser. Den første sig, er laboratorium fase, udført i et værelse, hvor forskellige stress niveauer (dvs., "slappe", "koncentreret stress" og "stress") er induceret til et mål emne (en studerende) gennem flere fælles opgaver, stress-fremkaldende. Den anden del finder sted i klasseværelset, og det drejer sig om overvågning af studerende under udførelsen af flere faglige aktiviteter: teoretiske forklaringer, individuelle aktiviteter, korte tests, eksaminer, etc. under gennemførelsen af denne protokol, emnet er fysiologiske signaler er fanget med en anordning, håndled. Endelig bliver disse signaler behandlet af machine learning algoritmer for at give skøn på niveauet af stress.

Fasen laboratorium bruges StressTest app til at fremkalde forskellige stressniveau. Denne app guider emnet til færdiggørelsen af fire forskellige opgaver. Den første opgave er at skabe en baseline for stress analyse. I denne opgave visualiserer studerende en 4 minutters afslappende video hvor forskellige billeder af en solnedgang på en bro er vist. Den anden opgave er en tilpasning af de Stroop farve og Word Test27 (SCWT). Hvert andet sekund, skal emnet vælge den farve, som er navnet på en farve malet (rød, grøn, orange, blå og lilla). Der findes flere knapper er placeret i bunden af skærmen som indeholder det første bogstav i hver farve til emne at vælge malede farven på hver gang. For eksempel, skildrer den knap, der refererer til blå bogstav B. I vores tilfælde, er denne test opdelt i tre forskellige niveauer af vanskeligheder. For det første niveau (SCWT1) vises de farvede "ord i farver" i samme rækkefølge, som knapperne, så farve og navn passer direkte. Dette niveau er taget som baseline, som det ikke indebærer nogen vanskelighed og emnet skal kun trykke på knapperne korrekt, altid i samme rækkefølge. For det andet niveau (SCWT2), de farvede "ord i farver" vises tilfældigt, men korrespondance mellem navn og farve bevares. Hver gang emnet fejler et bip udsendes, og hvis er begået to fejl, den rigtige farve score vil blive nulstillet. Til det sidste, sværeste niveau (SCWT3), stemmer navn og farve ikke overens. På denne måde skal dette niveau være mere kompliceret og stressende for emnet. Den tredje opgave består på tempo auditive seriel tilføjelse test (PASAT)28, som måler, hvordan studerende oplever en koncentration test. Under denne opgave, en sekvens af fortløbende numre spilles højt, og studerende skal tilføje de sidste to numre og skrive resultatet i den medfølgende boks på skærmen før du lytter til det næste nummer. I denne opgave, hvis genstand gør en fejl, en foruroligende begivenhed indtræffer for at generere stress (to numre lyd på samme tid eller en lang periode med stilhed i bevaret). I dette tilfælde, hvis tre fejl er begået, sumkonto, vil blive nulstillet. Den fjerde opgave består på en hyperventilation aktivitet til at fremkalde den samme variation i de fysiologiske signaler, der ville fremprovokere en stressende situation17. I slutningen af hver enkelt opgave og niveau har emnet til at angive, hvilket niveau af opfattede stress, ved hjælp af selve ansøgningen, efter en 5-værdi Likert skala.

Fasen klasseværelset studerende gennemfører deres almindelige akademiske aktiviteter sammen med resten af deres klassekammerater. Protokollen fokuserer på stress niveauer, der opstår under klasseværelset-specifikke aktiviteter. I slutningen af foredraget, er et kort spørgeskema (bilag 1) afsluttet elev til at angive den opfattede niveau af stress i flere aktiviteter efter en 5-værdi skala.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Alle nedenfor beskrevne metoder er blevet godkendt af regionalregeringen i Galiciens udvalg for forskning etik af Pontevedra-Vigo-Ourense (reg. kode 2017/336). Protokollen blev implementeret for første Årsstuderende på den School of Telecommunication Engineering - University i Vigo, både i en komfortabel laboratorium værelse og flere foredrag og praksis sessioner af en bachelorgrad kursus om Computer-arkitekturer.

1. Forbered enhederne

  1. Tilslut smartphone og tablet enheden til en stabil internetforbindelse.
  2. Tænd Bluetooth-kommunikation i din smartphone.
  3. I smartphone, søge i tilsvarende officielle AppStore programmet håndled wearable. Hente og installere den.
  4. I smartphone, ransage nemlig PhysiologicalSignals app til at indfange fysiologiske signaler. Hente og installere den.
    Bemærk: I øjeblikket, app er en betaversion og adgang kan leveres ved forespørgsel.
  5. I tablet, søge efter appen StressTest skal bruges i forskning laboratorieforsøg. Hente og installere den.
    Bemærk: I øjeblikket, app er en betaversion og adgang kan leveres ved forespørgsel.
  6. Tænde BARNESENGE håndled wearable enhed og placerer bærbare.
  7. Åbn den officielle BARNESENGE håndled wearable ansøgning i smartphone.
    Bemærk: App vil gå videre til at synkronisere den bærbare enhed med din smartphone. I nogle enheder er en e-mail-adresse påkrævet.
  8. Smartphone, Åbn PhysiologicalSignals app.
    1. I tilfælde af at være blevet underrettet af en sensor adgang anmodning, acceptere den.
    2. Kontrollere enheden. Afvente PhysiologicalSignals app til at vise ordet Weared i grøn.
      Bemærk: Dette viser, at den bærbare enhed er blevet opdaget og derfor videregivelse af oplysninger fra sensorer til smartphone er aktiveret. Hvis denne meddelelse ikke vises gentage fra trin 1,6.

2. laboratoriet fase

  1. Forberede laboratorium indstilling. Vælg en komfortabel og ikke-forstyrrende værelse uden distraherende støj og med en behagelig temperatur (mellem 22 ° C og 26 ° C).
  2. Tænd håndled wearable enhed, placere det i nærheden af subject´s ikke-dominerende håndled og sæt hovedtelefonerne på hovedet af studerende. Passe wearable tæt, men behageligt omkring håndleddet.
  3. Tilslut smartphone og tablet til en stabil internetforbindelse og kontrollere, at Bluetooth-forbindelsen er aktiv.
  4. I smartphone, starte PhysiologicalSignals app.
    1. Afvente app til at vise ordet Weared i grøn.
    2. Vælg indstillingen Skift bruger i konfigurationsmenuen venstre og give ID af det emne, der vil gennemføre prøverne og klik på Gem.
  5. I en bærbar computer, adgang til dashboardet og Indtast test administrator-ID og adgangskode.
    Bemærk: I øjeblikket, for private og sikkerhed bekymringer, adgang til dashboard er kun tilgængelig under anmodning.
    1. Vælg det emne-ID og fagets stress fane.
    2. Kontrollere fysiologiske signaler evolution og vente på den bærbare enhed at nå termisk stabilitet før du starter eksperimentet.
      Bemærk: Den termiske stabilitet er identificeret som et plateau i grafen.
  6. I tablet, starte programmet StressTest.
    1. Forklare emnet fire laboratorium opgaver. Vise nogle af de skærme og handlinger til at udføre under hver enkelt af opgaverne.
      Bemærk: Dette er meget vigtigt, fordi emnet ikke bør føler sig stresset eller afslappet i overensstemmelse med de udførte aktiviteter, og er bange for eller bekymring over hvad der skal ske.
    2. Fortælle de studerende ikke at hvile deres arme på bordet og bruge hånden hvor den wearable enhed er placeret til at udføre aktiviteter.
    3. Indtast den samme bruger-ID i trin 2.4.2 og klik på pilen.
  7. Start video opgaven og give fuld kontrol til studerende.
    1. Observere, at opgaven er gennemført uden uheld.
    2. Når opgaven er færdig, tjek at emnet giver den opfattede stress.
  8. Lancere Stroop Color task (SCWT) træk for niveau 1, 2 og 3.
    1. For hvert niveau, observere at underopgaven er gennemført uden uheld.
    2. Når hver underopgave er færdig, skal du kontrollere, at emnet indeholder den opfattede stress.
    3. Kun for niveau 3 og kun i tilfælde af at emnet ikke løser det efter 4 minutter, afslutte opgaven ved at trykke på pilen placeret øverst på skærmen.
  9. Lancere tempo auditive seriel tilføjelse test (PASAT).
    1. Observere, at opgaven er gennemført uden uheld.
    2. I tilfælde af emnet ikke løser PASAT testen efter 4 minutter, skal du afslutte opgaven ved at trykke på pilen er placeret på toppen af skærmen.
    3. Når opgaven er færdig, tjek at emnet giver den opfattede stress.
  10. Lancere Hyperventilation test.
    1. Observere udviklingen af HR ved hjælp af dashboardet. Hvis fysiologiske signaler ikke ændrer væsentligt, Spørg emne at forhøje inspiration og udløbsdatoen gradvist.
    2. I tilfælde af emnet føles svimmelhed eller ubehageligt standse denne opgave. Under alle omstændigheder fuldføre opgaven efter fire minutter.
    3. Når opgaven er færdig, tjek at emnet giver den opfattede stress.

3. klasseværelset fase

  1. Drej på håndleddet wearable enhed og placere wearable omkring subject´s ikke-dominerende håndled. Passe wearable tæt, men behageligt omkring håndleddet.
  2. Tilslut din smartphone til en stabil internetforbindelse og kontrollere Bluetooth-forbindelsen er aktiv.
  3. I smartphone, starte PhysiologicalSignals app.
    1. Afvente app til at vise ordet Weared i grøn.
    2. Vælg i konfigurationsmenuen indstillingen Skift bruger , giver ID af det emne, der vil gennemføre prøverne og klik på Gem.
  4. I en bærbar computer, adgang til dashboardet og Indtast test administrator-ID og adgangskode.
    1. Vælg det emne-ID og fagets stress fane.
    2. Kontrollere udviklingen af fysiologiske signaler.
  5. Tage noter om alle relevante omstændigheder forekommer i klasseværelset i forhold til elev-lærer samspil.
    Bemærk: Relevante oplysninger og grundlæggende begivenheder vil blive brugt til at mærke fysiologiske prøver bagefter. Eksempel begivenheder er et spørgsmål fra læreren til eleven, eller en teoretisk forklaring er indledt.
  6. I slutningen af foredraget, Spørg emnerne for at udfylde spørgeskema om deres niveau af stress på bestemte tidspunkter i løbet af sessionen, efter en 5-niveau skala.

4. dataanalyse

  1. I en bærbar computer, adgang til dashboardet og Indtast test administrator-ID og adgangskode.
    1. Vælg det emne-ID og fagets stress fane.
    2. Vælg dag i et klasseværelse eksperiment.
  2. Label prøver af emnet ved at identificere aktiviteter og opfattede stressniveau.
    1. Identificere foredrag-room aktiviteter og deres varighed alt efter de starte- og gange og deres typer.
    2. Vælg en opfattede stressniveau for hver aktivitet.
  3. For hvert emne og hver session, downloade filen med mærket prøverne.
    Bemærk: En komma-separeret-værdier (CSV) fil er oprettet for hver elev, hver række, som afspejler værdierne af de fysiologiske signaler med deres standardafvigelse, hældning og diff, aktivitetstype, aktivitet-baseret stress (dvs., at stress i forbindelse som standard til aktiviteten), og emnet opfattes stress.
  4. Lancere analytics datapakke.
    1. Vælg et sæt af klassificeringer (fxSVM, C4.5, k-NN, Random skov, Naïve Bayes og nul Rasmussen) og importere CSV-filen for alle studerende for hver session.
    2. Uddanne og evaluere klassificeringer ved hjælp af 10-fold cross-validering teknik.
      Bemærk: Afhængigt af de analyser, aktivitetstype, aktivitet-baseret stress eller stress opfattes, udvælges som afhængig variabel i analysen.
    3. Endelig, kontrollere resultater for nøjagtighed og fejlprocenter.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Protokollen drøftet blev omsat til praksis i en Computer-arkitekturer kursus i det første år af telekommunikation ingeniøruddannelse på Universitet Vigo. Dette kursus har mere end 200 studerende indskrevet som er inddelt i 10 grupper. For at udføre dette eksperiment, blev studerende fra fire af grupperne opfordret til at tilmelde dig i begyndelsen af skoleåret. Projektet tiltrukket betydelig interesse blandt studerende, og ca. 30 studerende meldte sig frivilligt til at deltage i undersøgelsen. Fra dem, blev 12 elever tilfældigt udvalgt til deltagelse.

BARNESENGE håndled wearable enhed valgt til vores eksperimenter har sensorer, HR, ST, GSR og accelerometer. Valget af denne bærbar var baseret på sin vifte af sensorer og udbud af real-time data fodring. Tekniske betingelser i hvilken sensor data er indsamlet blev også taget i betragtning. Datafangst udføres ved visse frekvenser, generelt pålagt af operationen af sensorer, men også på grund af enhedens energibesparende egenskaber. For den valgte enhed stikprøven HR hvert sekund (1 Hz). Accelerometeret tilbydes 62 Hz, 31 Hz og 8 Hz som samplingfrekvenser, hvorfra 8 Hz blev valgt fordi det giver nok granularitet bevægelse at erobre med rimelig energibehov i forhold til de andre frekvenser. GSR kan smages på 0,2 eller 5 Hz. I dette tilfælde, vi har valgt for at samle GSR data en gang hver 5 sekunder. Hvad angår accelerometer forudsat denne frekvens nok granularitet samtidig holde energibehov til et minimum. Endelig er ST stikprøven på samme frekvens som HR (dvs., 1 Hz). Data indsamlet af enheden er overført til PhysiologicalSignals app i din smartphone hvert sekund, herunder HR og ST stikprøven, maksimal acceleration værdi, og den sidste værdi for GSR indsamlet. For at reducere HR støj, gælder serveren for modtagne data et FIR filter almindeligt anvendte i real-time applikationer29 og i filtrering af ECG signalerer30, ved hjælp af en 15-prøve-vinduet.

Oplysninger indsamlet under laboratorium og klasseværelset sessioner er gemt i server´s database. Denne information skal downloades til at blive behandlet ved hjælp af en data analysepakke. Sæt af genererede datafiler indeholder rå signaler data og variabler afledt af disse signaler. Mere specifikt for hver rå fysiologiske signal (HR, ST, GSR og accelerometer), dens standardafvigelse (st), hældning (sl) og forskellen mellem nutidsværdien og den ekstreme værdi i sidste er 30 sekunder registreret.

Laboratoriet fase af protokollen blev udført i et komfortabelt værelse af telematik Engineering department, der har de rette betingelser for eksperimentet. Figur 2 viser udviklingen i HR, GSR og ST værdier indsamlet under en af disse sessioner til en faktiske studerende. Som det kan ses i figur, opstå betydelige variationer i de fysiologiske signaler som studerende udfører enkelte opgaver (video, STC1, STC2, STC3, PASAT og Hyperventilation) inkluderes i eksperimentet. En relativt høj startværdi for HR kan observeres, sandsynligvis på grund af stress induceret når de står denne opgave for første gang, mens overvåges. Den hurtige vækst af ST under hyperventilation test er også bemærkelsesværdig.

Også observeret under laboratorieforsøg var de betydelige forskelle i fysiologiske signaler på specifikke eksperimentelle øjeblikke, uanset at disse perioder ikke var altid opfattet som stressende af target studerende. Dette er at opfattet stress er en subjektiv variabel, og deltagende studerende ikke fuldt ud er enige i et fælles koncept for stress. Fasen laboratorium var det hensigten at generere korte perioder med høj stress. Disse korte perioder med stress blev undertiden defineret som frustration, men ikke som stress, der fører deltagende studerende til at reagere forskelligt på hvad deres fysiologiske signaler udtrykt. Denne effekt kan visualiseres i grafer i figur 3. For eksempel, i intervallet mellem 12:15-12:20 (afslutning af den sidste test af Stroop farve og Word Test) er stærk GSR varianterne et tydeligt symptom på potentielle stress. Disse stærke varianter findes også mellem 12:25 og slutningen af test (Hyperventilation test), men begge gange, brugeren hævdede at føle en tilsvarende lav stressniveau.

Situationen drøftet ovenfor understreger den subjektive karakter af stress evaluering i sådan en kort periode. Som følge heraf fra kandidater til afhængige variabler i datasæt (dvs., aktivitetstype, aktivitet-baseret stress eller emne-opfattes stress) vi har valgt for aktivitet-baseret stress. Denne variabel definerer stress niveauer alt efter sværhedsgraden af opgaven behandlet og ikke på de svar, som studerende om deres opfattede stressniveau i slutningen af hver opgave. På denne måde video ser vil være markeret som "relax", mens SCWT3 og PASAT ville mærkes som "koncentration" og Hyperventilation test som "stress". Bemærk, at prøverne fra SCWT1 og SCWT2 blev kasseret, i vores tilfælde, fordi i en tidligere pilot forskning konstateret, at i gennemsnit, SCWT1 og SCWT2 er aktiviteter, der viser en overgang mellem en afslappet følelse (nået under video visualisering) og stressende en. For disse grunden til, vi kasseret fra vores analyse signalerne fra disse 2 aktiviteter, og vi indgår kun dem fra video visualisering, SCWT3, PASAT og Hyperventilation aktiviteter. HR, ST og GSR variationer blandt disse stater (slappe af, koncentration, stress) er sammenfattet i figur 4. Denne figur skildrer de fysiologiske signal kvartiler for de tre stressniveau i de 12 studerende involveret i eksperimentet. HR og GSR signaler øger generelt, efterhånden som studerende står over for opgaver af stigende sværhedsgrad. Også, i alle tilfælde temperatur er påvirket. Men i nogle tilfælde det øger for afslappet begivenheder og falder i stressede situationer, mens i andre tilfælde sker det bare den modsatte afhængigt af personen.

For at analysere sammenhængen observeret visuelt i variation af de fysiologiske signaler, blev machine learning teknikker anvendt over forarbejdede CSV-filer. For at undgå indledende forbigående variationer for hver opgave og niveau, anses kun de sidste 3 minutter af hver enkelt aktivitet for at undgå ikke-repræsentative prøver. Navnlig flere klassificering algoritmer, især SVM, C4.5, k-NN, Random skov, NaiveBayes og nul, blev uddannet til at opdage stress situationer fra de indsamlede fysiologiske signaler. De uddannede klassificeringer blev høj nøjagtighed, lave gennemsnitlige absolutte fejl priser og høj Cohens Kappa indeks niveau stress detektorer, som det er vist i tabel 1. For alle de 12 fag og algoritmer (undtagen nul), nøjagtigheden af stress påvisning i over 90%, betyder absolut fejlværdi er nær 0 og Cohens kappa indeks er tæt på 1.

Klasseværelset fase defineret i protokollen fandt sted under faktiske kursussessioner i foredrag værelser af den skole for telekommunikation teknik. Flere akademiske aktiviteter blev anset for denne undersøgelse: teoretisk foredrag; vilkårligt spørgsmål fra læreren til eleverne om nogle aspekter af kurset; tvivl eller spørgsmål til læreren studerende; korte tests; regelmæssig eksamener/finalen består af indsamling af problemer, der løses af studerende i 50-70 minutter.

Visualisering af udviklingen i fysiologiske signaler i dette tilfælde viser at variationer er mere nuanceret, dvs forskelle i signal værdier for forskellige aktiviteter er mindre end fasen laboratorium. De mest relevante varianter blev observeret i løbet af klasseværelset sessioner, hvor en almindelig forelæsning opstår efter en pop quiz er afsluttet. I dette tilfælde lide en eller flere af de fysiologiske signaler betydelige forskelle, som illustreret i figur 5. Denne figur viser signaler fanget for studerende står over for en kort test (første del af graferne). Under testen, ville den mest relevante variabel være HR. Det kan konstateres, at studerende har en højere puls sammenlignet med teoretisk foredrag tid. På samme måde holdes hud temperatur relativt lav sammenlignet med teoretisk foredrag tid, når den rejser omkring 1 ° C.

For at analysere dette i en numerisk måde, korrelation mellem variationerne i signalerne og de aktiviteter, der er behandlet af studerende, blev maskinen læring teknikker anvendes analogt laboratorium fase. Resultaterne for de kombinerede pop quiz og foredrag sessioner viser en gennemsnitlig klassifikation nøjagtighed på 97.62% (± 3.82) ved hjælp af C4.5. Bemærk, at for analysen af disse sessioner hud temperatur blev kasseret på grund af mulige skævheder i det endelige resultat. I overgangsperioden mellem den pop quiz og følgende forelæsning studerende forlade klasseværelset i cirka 20 minutter, påvirker med dramatisk temperatur værdier.

En omfattende formelle analyse af de indsamlede klasseværelse sessioner er stadig i gang. Dette er en kompleks proces, hvor flere udfordrende situationer behandles. Første, abrupte kort tid variationer i de fysiologiske signaler observeres ofte hos nogen tilknyttet stress-genererende hændelse. I de fleste tilfælde, disse perioder sidste for mindre end et minut uden noget signifikant at være optaget af forskeren. En anden forekomsten observeret er ustabilitet i GSR værdier, når bærbare ikke er godt justeret eller hvis pludselige bevægelser opstår. Begge tilfælde resultere i en meget lav GSR værdier, tæt på 0 µS. På en lignende måde, selv om meget mindre sædvanlige, der er forkert ST værdier, tæt på den omgivende temperatur, når bærbare er for store til håndleddet af brugeren og derfor er løst slidt. For at eliminere de analyse fejl afledt af disse situationer, er berørte variabler kasseret. Bemærk, at alle de signaler, overvåges kan være kandidater til at opdage stress situationer og forskellige klassificeringer kan trænes ved hjælp af forskellige kombinationer af signaler, men unormal værdier ville kompromis klassificering uanset klassificeringen valgt.

Figure 1
Figur 1 . Værktøjer, der anvendes i den foreslåede protokol. Dette tal repræsenterer alle de elementer, der er involveret i protokollen og deres vekselvirkninger. Venligst klik her for at se en større version af dette tal.

Figure 2
Figur 2 . Understrege variation i et laboratorium session. Denne figur viser de forskellige dele som laboratorium-protokollen er opdelt. Hver del præsenterer en tydelig variation i de fysiologiske signaler. Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3 . Understrege variation opfattet for studerende i et laboratorium session. Denne figur viser forskelle mellem de stærke varianter af de fysiologiske signaler af studerende i et laboratorium session og deres svar på stress-quiz. Venligst klik her for at se en større version af dette tal.

Figure 4
Figur 4 . Fysiologiske signal percentiler for 12 studerende, der deltager i et laboratorium session. Dette tal repræsenterer en fraktil oversigt for hvert emne. Stærkt signal om fysiologiske variationer mellem hver stress situation kan visualiseres. Venligst klik her for at se en større version af dette tal.

Figure 5
Figur 5 . HR, ST og GSR variationer i aktiviteter i klasseværelset. Fysiologisk signaler variation i løbet af en kort test (venstre). Fysiologiske signaler variation under en teoretisk foredrag (til højre). Venligst klik her for at se en større version af dette tal.

SVM C45 KNN RandomForest NaiveBayes Nul
StudentID Nøjagtighed Fejl Kappa Nøjagtighed Fejl Kappa Nøjagtighed Fejl Kappa Nøjagtighed Fejl Kappa Nøjagtighed Fejl Kappa Nøjagtighed Fejl 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
Gennemsnit 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
Standardafvigelse 0,55 0,00 0,01 0,22 0,00 0,00 0,11 0,00 0,00 0,06 0,01 0,00 mod 1,82 0,01 0,03 4.72 0.02 0,00

Tabel 1 . Nøjagtighed, gennemsnittet absolutte fejl, og Cohen's Kappa indeksværdier opnået for SVM, C4.5, k-NN, Random skov, NaiveBayes og nul maskinen læring klassificeringer ved hjælp af data fra den 12 studerende, der deltager i laboratoriet eksperiment.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

BARNESENGE wearable enheder er blandt de mest populære forbruger elektronikprodukter tilgængelige i dag. Disse enheder er typisk bruges til at overvåge fysiske aktiviteter, men deres kapacitet og ydeevne kan være af stor interesse i andre områder. I dette papir drøftes en protokol til at evaluere brugen af BARNESENGE bærbare enheder til estimering af stress i læringsmiljøer. Definitionen af sådanne en protokol er især relevante for at kunne analysere forskellige løsninger, der involverer wearables og machine learning algoritmer. Protokollen er beregnet til brug i undervisningsmiljøer, hvor valideringen af stress påvisning procedurer og deres eventuelle indførelse kan give betydning fordele. For eksempel brugen af bærbare enheder kan bidrage til at reducere de høje niveauer af stress i forbindelse med såkaldte udbrændthed syndrom9,10,11, og som en konsekvens af frafald sats på universiteter12 , 13, samtidig forbedre akademiske præstationer.

Et kritisk aspekt at overveje, er Bluetooth-forbindelsen mellem bærbare og smartphone. Denne trådløse forbindelse mellem begge enheder kan være brudt under testen, så det er nødvendigt at være særlig opmærksom på det gennem visualisering af data indsamlet i dashboardet. Selvom opsving udføres automatisk efter en kort periode (dvs., et interval, der spænder fra 1 til 10 minutter), kan denne afbrydelse medføre tab af prøverne i dette interval. For at reducere mængden af oplysninger tabt, kan det være praktisk hen til manuelt reset smartphone-enhed. Andre aspekt betragtes er den oprindelige hud temperatur sensor værdi, da det kan påvirke opfyldelsen af huden stabilitet, som kan forskydes op til 10 minutter.

De vigtigste fordele ved den protokol, der er foreslået i denne forskning er dens anvendelighed til en stor gruppe af studerende, dens minimal behovet for støtte ved hjælp af automatiserede mobile apps, dens enkelhed i forberedelsen af de involverede i eksperimentet og sin lave enheder indgriben i privatlivets fred under udførelsen af klasseværelset fase. Denne protokol giver en hurtig og enkel metode gældende i kontrollerede miljøer, såsom klasseværelser eller universitetslaboratorier. Desuden er teknologiske evner af deltagende studerende ikke et problem, som protokollen er baseret i enkle tekniske begreber forståeligt af en gennemsnitlig universitetsstuderende uafhængigt af deres akademiske område. Som anført i litteratur31, kræver reproducerbarhed i eksperimentelle videnskaber en grundig og klar beskrivelse af de protokoller, der anvendes, og resultaterne heraf. Protokollen drøftes i dette dokument er udformet i et modulopbygget måde i overensstemmelse med enkel og ligetil trin, som letter reproduktion af de eksperimenter, diskuteret og deres forlængelse32. Blandt de mest relevante designaspekter at fremme reproducerbarhed, kan vi navn kortfattethed laboratorium fase og automatiseret gennemførelsen af via standalone mobile apps. Derudover kræver klasseværelset fase ikke nogen interaktion med eleverne ud over faglige aktiviteter. De fleste studerende påpegede enkelheden i processen, og ingen klager blev rapporteret i forbindelse med deres deltagelse i eksperimenter. Sammenfattende indikerer hidtil indsamlede beviser, at denne protokol kan anvendes til emner med en bredere profil og i felterne forskellige til uddannelse, sundhedsfaciliteter eller arbejdsplads. Desuden, denne protokol giver mulighed for at studere adskillige maskinen læringsløsninger til at teste de bedste algoritmer til at gennemføre afhængigt af kravene i eksperimenterne og på den bærbare enhed valgt. Brugen af programmer til at fremkalde stress og give et dashboard til visning og tag prøver letter uddannelse af brugerdefinerede stress modeller i en enkelt laboratorium session.

De vigtigste begrænsninger af den foreslåede løsning er relateret på den registreredes variabilitet og reproducerbarhed af akademiske aktiviteter. Genskabe nøjagtigt de samme forhold og situationer finder sted i foredrag sessioner er praktisk taget umuligt. På den anden side den stress, der opleves af hver elev er meget personlig, som generelt der er forskellige svar til de samme stimuli. Desuden, der er hardwarerelaterede problemer relateret til bærbare enheder selv, forskellige adgangsmetoder, forskellige sensorer, adgang til fysiologiske signaler i realtid, eller akkumulator liv. Disse tekniske forskrifter begrænse støtteberettigede wearables til et begrænset udvalg af enheder. I vores tilfælde, støtteberettigede enheder omfatte disse kompatible med smart Bluetooth kapaciteter og smart bands med en kompatibel med store SO smartphone enheder SDK. Antallet af kompatible enheder forventes at stige i de kommende år.

Den foreslåede protokol er beregnet til at tjene som et instrument til at tiden definere rigere studerende modeller end dem, der i øjeblikket anvendes i learning management systemer eller studerende informationssystemer. For eksempel kunne de nye oplysninger taget med den bærbare enhed efter protokol drøftet anvendes til tidlig påvisning af situationer påvirker præstationer såsom træthed eller stress, og at guide eleverne til at overvinde disse situationer. Et alternativ til denne protokol kan baseres på bærbare enheder slidt også uden for klasseværelset for at afsløre forskelle i fysiologiske signaler over en længere periode. Denne fremgangsmåde indebærer flere udfordringer, som en konstant skiftende omgivende temperatur, eller emne under undersøgelse at være tvunget til altid være tæt på deres smartphone til at forhindre tab af data. Endelig kan denne protokol anvendes også på andre kurser og pædagogiske niveau, hvilket vil lette erobringen af yderligere beviser på hvordan stress påvirker akademiske præstationer for studerende med forskellige færdigheder eller studieområder.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ikke noget at oplyse.

Acknowledgments

Dette arbejde er støttet af den spanske stat forskning agentur og den europæiske fond for Regionaludvikling (EFRU) under projektets PALLAS (TIN2016-80515-R AEI/EFRD, EU).

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

Engineering stress sag 136 håndled-wearables kvantificering multimodale analytics påvisning maskinen læring e-læring
Evaluering af kommercielle-Off-The-Shelf håndled Wearables at anslå Stress på studerende
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