Summary
Un protocole pour évaluer les solutions basées sur commercial-off-the-shelf (COTS) poignet portatifs pour évaluer le stress chez les étudiants est proposé. Le protocole est effectué en deux phases, un test d’induction de la contrainte initiale en laboratoire et une phase de surveillance qui ont lieu dans la salle de classe lorsque l’étudiant effectue des activités académiques.
Abstract
Wearable dispositifs de commercial-off-the-shelf (COTS) sont devenus populaires au cours des dernières années pour surveiller les activités sportives, principalement chez les jeunes. Ces systèmes incluent les capteurs pour recueillir des données sur des signaux physiologiques comme la fréquence cardiaque, température cutanée ou psychogalvanique. En appliquant les techniques données analytique à ces types de signaux, il est possible d’obtenir des estimations des aspects du comportement humain. Dans la littérature, il y a plusieurs ouvrages décrivant l’utilisation des données physiologiques recueillies à l’aide de dispositifs cliniques pour obtenir des informations sur les habitudes de sommeil ou de stress. Cependant, c’est toujours une question ouverte, si les données capturées à l’aide de vêtements poignet COTS sont à caractériser l’état psychologique des apprenants en milieu scolaire. Cet article discute un protocole pour évaluer l’estimation de la contrainte des données obtenues à l’aide de vêtements poignet COTS. Le protocole est effectué en deux phases. La première étape consiste d’une expérience de laboratoire contrôlées, où une application mobile est utilisée pour induire des niveaux de stress différentes dans un étudiant au moyen d’une vidéo détente, une couleur de Stroop et Word test, un test au rythme Auditory Serial Addition et un test d’hyperventilation. La deuxième phase est réalisée dans la salle de classe, où le stress est analysé tout en effectuant plusieurs activités académiques, à savoir assister aux cours théoriques, faire des exercices et autres activités individuelles et prenant des examens et des tests courts. Dans les deux cas, les données quantitatives obtenues par wearables poignet COTS et les données qualitatives recueillies au moyen de questionnaires sont considérées. Ce protocole implique une méthode simple et cohérente avec une app de l’induction de stress et questionnaires, nécessitant une faible participation des employés de soutien.
Introduction
State-of-the-art technologies portables sont largement disponibles, et leurs environnements applicatifs sont en expansion continue. Nous pouvons trouver dans le marché de nombreux appareils différents, parmi laquelle COTS wearables poignet1, tels que montres smart et smart bandes, sont appréciés des athlètes comme un conditionnement physique surveillance outil2. En appliquant des techniques d’analyse des données, les données obtenues à l’aide de ces appareils peuvent être traitées pour fournir des indicateurs tels que l’état physique général, facteur de qualité ou de la récupération du sommeil. L’applicabilité démontrée dans ce domaine suscité l’intérêt pour la communauté universitaire sur leur éventuelle application à d’autres domaines, en particulier dans le domaine santé3,4, bien que limitent les exigences strictes des essais cliniques leur introduction. Toutefois, dans une moins exigeant contexte comme l’éducation, nous pouvons trouver dans les enquêtes récentes de littérature impliquant l’utilisation de différents types d’appareils portables, tous deux liés à l’enseignement des activités5,6 et à l’estimation des certaines caractéristiques de l’étudiant comme sommeil modèles7, ou l’analyse de l’engagement des étudiants dans différentes activités éducatives8.
Dans notre cas, nous nous concentrons sur les lits poignet portables appareils d’analyse comme moyen de recueillir les signaux physiologiques qui faciliteraient éventuellement estimation de stress, qui à son tour est un aspect clé dans des contextes éducatifs. Stress a une influence pertinente dans le développement des activités académiques et le rendement global des élèves. Par exemple, les niveaux de stress sont directement liées à l’apparition du syndrome burnout chez les étudiants9,10,11, et niveaux élevés de stress sont particulièrement importants au cours de la première année, où les taux de décrochage entre 20 % et 30 %12,13 sont fréquentes. Détection et contrôle des indicateurs de stress pourraient améliorer considérablement les performances académiques.
L’utilisation de dispositifs portables de COTS poignet est justifiée parce qu’ils ont des capteurs qui fournissent des informations sur les signaux physiologiques qui ont été largement utilisés par la communauté scientifique dans la détection et évaluation de la contrainte. Certains des signaux dont la littérature utilisée à cette fin comprennent14de la fréquence cardiaque (FC), fréquence cardiaque varaibility15, peau température (ST)16, respiration14et psychogalvanique (GSR)17. Ces signaux peut être collectées par wearables poignet COTS. Cependant, ils n’offrent pas les mêmes performances que les dispositifs cliniques. Il existe des différences liées à la précision des capteurs entre dispositifs18,19,20,21. Néanmoins, précédentes œuvres18,19,20,21 ont montré que, dans un scénario de mouvement lent, COTS poignet portables capteurs ont des schémas d’erreurs semblables à des périphériques spécialisés.
Cet article vise à mettre en place un protocole pour évaluer les différentes solutions pour l’estimation de stress chez les étudiants à l’aide de vêtements poignet COTS. Il y a de nombreux arrangements qui peuvent être proposées pour estimer les niveaux de stress, impliquant l’utilisation de différents poignet portable dispositifs techniques et de données analytique et plus précisément d’algorithmes d’apprentissage machine. Wearables poignet COTS sont caractérisent par leur grande fragmentation, l’hétérogénéité et interopérabilité problèmes22. Trois entreprises ont une part de marché agrégée de presque 50 %23, mais plusieurs autre sociétés représentent beaucoup plus petit marché individuel, avec une part agrégée supérieur à 50 %. En revanche, en termes d’hétérogénéité, pas tous les vêtements ont le même nombre et le type de capteurs, avec accéléromètres et des capteurs h étant le plus commun, et de GSR et de ST uniquement présent chez 5 % des dispositifs étudiés. En ce qui concerne l’interopérabilité, il existe différents systèmes d’exploitation et données collection des approches qui ne sont pas compatibles entre eux. En ce qui concerne la machine, apprentissage de techniques qui peuvent être appliqués pour estimer les contraintes à partir des données recueillies au moyen d’un dispositif de poignet, il y a plusieurs options disponibles24, y compris les arbres de décision, réseaux de neurones, le plus proche voisin des approches, Naïve Bayes classificateurs, etc. , pour résumer, il existe une grande variété de solutions qui peuvent être développés pour une estimation du stress est instrumentale de concevoir un protocole d’évaluation pour faciliter la comparaison entre les différentes options indicatives pour finalement choisir le plus approprié dans un contexte donné.
Pour la mise en œuvre du protocole, plusieurs outils sont nécessaires (Figure 1). Tout d’abord, un dispositif portable de COTS poignet est nécessaire pour extraire des données physiologiques. Ce dispositif portable doit avoir au moins HR suivi des capacités, mais capteurs supplémentaires est souhaitable (p. ex., les capteurs accéléromètre, ST, GSR). Deuxièmement, un smartphone sous l’app PhysiologicalSignal est nécessaire pour recueillir les données saisies par le dispositif portable. Troisièmement, une tablette en exécutant l’application StressTest est nécessaire pour exécuter les exercices d’induction de stress (le smartphone pourrait être utilisé à la place la tablette pour cela). Quatrièmement, certains questionnaires pour recueillir des données qualitatives sur la perception des étudiants sur le stress. Cinquièmement, un serveur avec un Web service25 pour effectuer la collecte de données et le traitement préalable et un tableau de bord Web pour montrer l’évolution des signaux. Et enfin, un paquet d’analytique données26 pour traiter les données recueillies sur les élèves à l’aide de techniques d’apprentissage automatique.
Le protocole d’évaluation est organisé en deux phases. L’une, la phase de laboratoire, est effectuée dans une chambre confortable, où des niveaux de stress différentes (c'est-à-dire, « relax », « stress concentré » et « souligner ») sont amenées à un objet cible (un étudiant) par le biais de plusieurs tâches courantes de stress induisant. La deuxième partie se déroule dans la salle de classe, et il comprend la surveillance de l’étudiant au cours de la réalisation de plusieurs activités académiques : explications théoriques, des activités individuelles, tests courts, examens, etc. pendant la mise en œuvre de Ce protocole, le sujet du physiologique des signaux sont captés au moyen d’un dispositif de poignet. Enfin, ces signaux est traités par des algorithmes pour fournir des estimations sur le niveau de stress d’apprentissage automatique.
Au cours de la phase de laboratoire, l’app de StressTest est utilisé pour induire des contraintes différentes. Cette application guide le sujet à l’achèvement de quatre différentes tâches. La première tâche consiste à créer une base de référence pour l’analyse des contraintes. Dans cette tâche, l’élève visualise une vidéo de 4 minutes de détente dans lequel figurent les différents plans d’un coucher de soleil sur un pont. La deuxième tâche est une adaptation de la Stroop Color et mot Test27 (SCWT). Toutes les deux secondes, le sujet doit choisir la couleur dans laquelle le nom d’une couleur est peint (rouge, vert, orange, bleu et violet). Il existe plusieurs boutons situés au bas de l’écran contenant la lettre initiale de chaque couleur pour l’objet à choisir la couleur peinte à chaque fois. Par exemple, le bouton qui fait référence au bleu représente la lettre B. Dans notre cas, ce test est divisé en trois niveaux différents de difficulté. Pour le premier niveau (SCWT1), les couleurs « mots de couleurs » apparaîtra dans le même ordre que les boutons, couleur et nom correspondre directement. Ce niveau est pris comme référence, car il n’implique aucune difficulté et le sujet devrait seulement Appuyez sur les touches correctement, toujours dans le même ordre. Pour le deuxième niveau (SCWT2), les « mots de couleurs » colorées apparaissent au hasard, mais la correspondance entre le nom et la couleur est maintenue. Chaque fois que le sujet ne parvient pas à un signal sonore est émis, et si deux erreurs sont commises, le score de la couleur appropriée sera réinitialisé. Pour le dernier, le plus difficile niveau (SCWT3), nom et la couleur ne correspondent pas. De cette manière, ce niveau est destiné à être plus complexe et stressante pour le sujet. La troisième tâche consiste le rythme Auditory Serial Addition test (Passat)28, qui mesure comment l’étudiant subit un test de concentration. Au cours de cette tâche, une séquence de nombres consécutifs est lu à haute voix, et l’étudiant doit ajouter les deux derniers chiffres et écrire le résultat dans la boîte à l’écran avant d’écouter le prochain numéro. Dans cette tâche, si le sujet fait une erreur, un événement inquiétant se produit afin de générer de stress (deux numéros sonore en même temps ou une longue période de silence en maintenus). Dans ce cas, si trois erreurs sont commises, le compte de la somme sera réinitialisé. La quatrième tâche consiste en une activité d’hyperventilation pour induire la même variation dans les signaux physiologiques qui provoquerait une situation stressante17. À la fin de chaque tâche et le niveau, le sujet est indiquer le niveau de stress perçu, à l’aide de l’application elle-même, selon une échelle de Likert 5-valeur.
Pendant la phase de la salle de classe, élèves accomplissent leurs activités académiques ordinaires ainsi que le reste de leurs camarades de classe. Le protocole met l’accent sur le niveau de stress qui se produire lors des activités spécifiques en classe. À la fin de la Conférence, un bref questionnaire (annexe 1) est complété par l’étudiant pour indiquer le niveau de perception du stress chez les plusieurs activités selon une échelle de valeur 5.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Toutes les méthodes décrites ci-dessous ont été approuvés par le gouvernement régional du Comité de la Galice pour l’éthique de la recherche de Vigo-Pontevedra-Ourense (code de règlement de l’Ontario 2017/336). Le protocole a été mis en place pour les étudiants de première année à l’école des télécommunications génie - Université de Vigo, aussi bien dans une chambre confortable de laboratoire et dans plusieurs conférences et séances d’essais d’un cours de licence sur les Architectures d’ordinateur.
1. préparer les dispositifs
- Connectez le périphérique smartphone et tablette à une connexion internet stable.
- Allumez les communications Bluetooth dans le smartphone.
- Recherche dans le smartphone, dans le correspondant officiel app store l’application portable de poignet. Téléchargez et installez-le.
- Dans le smartphone, recherchez l’application PhysiologicalSignals capturer des signaux physiologiques. Téléchargez et installez-le.
Remarque : Actuellement, l’application est une version bêta et accès peut être fourni sur demande. - Dans la tablette, recherchez l’application StressTest à être utilisés dans les expériences de laboratoire de recherche. Téléchargez et installez-le.
Remarque : Actuellement, l’application est une version bêta et accès peut être fourni sur demande. - Allumez l’appareil portable du poignet les lits et placer le portable.
- Dans le smartphone, ouvrez l’application officielle de portable de poignet de lits.
Remarque : L’app procédera à synchroniser l’appareil portable avec le smartphone. Dans certains appareils, il faut une adresse de messagerie. - Dans le smartphone, ouvrez l’application de PhysiologicalSignals.
- En cas de notification d’une demande d’accès de capteur, acceptez-le.
- Vérifier le dispositif. Attendez que l’application PhysiologicalSignals afficher le mot Weared en vert.
Remarque : Cela indique que le dispositif portable a été détecté, et donc la transmission d’informations par les capteurs vers le smartphone est activée. Si ce message n’apparaît pas répéter étape 1.6.
2. la Phase de laboratoire
- Préparer l’environnement de laboratoire. Optez pour une chambre confortable et non-déranger sans distraire le bruit et avec une température agréable (entre 22 ° C et 26 ° C).
- Allumez l’appareil portable de poignet, placez-le autour du poignet de non-dominante subject´s et placer le casque sur la tête de l’élève. Monter le portable fermement mais confortablement autour du poignet.
- Connecter le smartphone et la tablette à une connexion internet stable et vérifiez que la connexion Bluetooth est active.
- Dans le smartphone, lancez l’application de PhysiologicalSignals.
- Attendez que l’app afficher le mot Weared en vert.
- Sélectionnez l’option Changer d’utilisateur dans le menu de configuration gauche et fournir l’ID de l’objet qui va compléter les tests et cliquez sur Enregistrer.
- Dans un ordinateur portable, accédez au tableau de bord et entrer l’ID et le mot de passe de l’administrateur du test.
Remarque : Actuellement, pour des soucis de privé et de la sécurité, accès au tableau de bord n’est disponible sur demande.- Sélectionnez l’ID de l’objet et l’onglet contraintes du sujet.
- Vérifier l’évolution des signaux physiologiques et attendez que l’appareil portable à atteindre une stabilité thermique avant de commencer l’expérience.
Remarque : La stabilité thermique est identifiée comme un plateau dans le graphique.
- Dans la tablette, lancez l’application de StressTest.
- Expliquer au sujet des tâches de quatre laboratoires. Montre quelques-uns des écrans et des actions à effectuer au cours de chacun des tâches.
NOTE : Ceci est très important, parce que le sujet devrait sentir stressé ou détendu en conformité aux activités exécutées et pas peur ou inquiétude sur ce qui va se passer. - Prévenez l’étudiant ne pas à reposer leurs bras sur la table et d’utiliser la main où le dispositif portable est placé pour être affecté aux activités.
- Entrez l’ID utilisateur comme au point 2.4.2 et cliquez sur la flèche.
- Expliquer au sujet des tâches de quatre laboratoires. Montre quelques-uns des écrans et des actions à effectuer au cours de chacun des tâches.
- Lancez la tâche vidéo et donner le plein contrôle à l’étudiant.
- Observer que la tâche est effectuée sans incident.
- Lorsque la tâche est terminée, vérifiez que le sujet du stress ressenti.
- Lancer la tâche Stroop Color (SCWT) consécutivement pour les niveaux 1, 2 et 3.
- Pour chaque niveau, observez que la sous-tâche est effectuée sans incident.
- Lorsque chaque sous-tâche est terminée, vérifiez que le sujet du stress ressenti.
- Uniquement pour le niveau 3 et seulement dans le cas où le sujet ne résout pas après 4 minutes, mettre fin à la tâche en appuyant sur la flèche située en haut de l’écran.
- Lancer le test au rythme Auditory Serial Addition (Passat).
- Observer que la tâche est effectuée sans incident.
- Dans le cas où le sujet ne résout pas le test de la Passat après 4 minutes, mettre fin à la tâche en appuyant sur la flèche située en haut de l’écran.
- Lorsque la tâche est terminée, vérifiez que le sujet du stress ressenti.
- Lancer le test de l’Hyperventilation.
- Observer l’évolution des ressources humaines à l’aide du tableau de bord. Si des signaux physiologiques ne changent pas significativement, demandez le sujet à augmenter progressivement les taux de l’inspiration et l’expiration.
- Dans le cas où le sujet sent étourdissements ou mal à l’aise halt cette tâche. Dans tous les cas, le terminer au bout de quatre minutes.
- Lorsque la tâche est terminée, vérifiez que le sujet du stress ressenti.
3. la Phase de la salle de classe
- Allumez l’appareil portable de poignet et placer le portable au poignet non dominantes de subject´s. Monter le portable fermement mais confortablement autour du poignet.
- Connecter le smartphone à une connexion internet stable et vérifier que la connexion Bluetooth est active.
- Dans le smartphone, lancez l’application de PhysiologicalSignals.
- Attendez que l’app afficher le mot Weared en vert.
- Sélectionnez dans le menu de configuration de l’option Changer d’utilisateur , fournir l’ID de l’objet qui va compléter les tests et cliquez sur Enregistrer.
- Dans un ordinateur portable, accédez au tableau de bord et entrer l’ID et le mot de passe de l’administrateur du test.
- Sélectionnez l’ID de l’objet et l’onglet contraintes du sujet.
- Vérifier l’évolution des signaux physiologiques.
- Prendre les annotations sur n’importe quel événement pertinent qui se produisent dans la salle de classe en ce qui concerne l’interaction élève-enseignant.
Remarque : On servira les informations pertinentes et des événements fondamentaux d’étiqueter les échantillons physiologiques par la suite. Événements de l’exemple sont une question posée par le professeur à l’étudiant, ou une explication théorique est initiée. - À la fin de la Conférence, demander le sujet de remplir le questionnaire sur leur niveau de stress à des moments spécifiques au cours de la session, selon une échelle à 5 niveaux.
4. analyse des données
- Dans un ordinateur portable, accédez au tableau de bord et entrer l’ID et le mot de passe de l’administrateur du test.
- Sélectionnez l’ID de l’objet et l’onglet contraintes du sujet.
- Sélectionnez le jour d’une expérience de classe.
- Étiqueter les échantillons du sujet par l’identification des activités et des niveaux de stress ressenti.
- Identifier les activités salle de cours et leur durée selon les heures de départ et d’arrivée ainsi que leurs types.
- Pour chaque activité, sélectionnez un niveau de stress ressenti.
- Pour chaque matière et pour chaque session, téléchargez le fichier avec les échantillons marqués.
Remarque : Un fichier comma separated values (CSV) est créé pour chaque élève, chaque ligne qui reflète les valeurs des signaux physiologiques avec leur écart-type, la pente et diff, le type d’activité, le stress par activité (p. ex., le stress lié par défaut à l’activité) et l’objet de stress ressenti. - Lancer le corpus analytique de données.
- Choisissez un ensemble de classifieurs (p. ex., SVM, C4.5, k-NN, Random Forest, Naïve Bayes et zéro R) et importer le fichier CSV pour tous les élèves pour chaque session.
- Former et évaluer des classificateurs en utilisant la technique de validation croisée 10 fois.
Remarque : Selon les analyses, le type d’activité, basée sur l’activité stress ou stress perçu, doivent être choisis comme variable dépendante pour l’analyse. - Enfin, vérifiez les résultats pour taux d’exactitude et d’erreur.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Le protocole discuté a été mis en pratique dans un cours d’Architectures informatiques dans la première année du diplôme génie des télécommunications à l’Université de Vigo. Ce cours accueille plus de 200 élèves qui sont réparties en 10 groupes de travail. Pour réaliser cette expérience, étudiants de quatre de ces groupes ont été invités à s’inscrire au début de l’année scolaire. Le projet a attiré un intérêt considérable parmi les étudiants, et environ 30 étudiants se portent volontaires pour participer à l’étude. D’eux, 12 élèves ont été choisis au hasard pour la participation.
L’appareil portable de COTS poignet, sélectionné pour nos expériences possède des capteurs HR, ST, GSR et accéléromètre. Le choix de ce portable reposait sur sa variété de capteurs et la fourniture de l’alimentation des données en temps réel. Conditions techniques au capteur qui les données sont collectées ont été également prises en compte. Saisie des données est effectué à certaines fréquences, généralement imposées par le fonctionnement des capteurs, mais aussi en raison de caractéristiques d’économie d’énergie de l’appareil. Dans le cas de l’appareil choisi, HR a été échantillonnée par seconde (1 Hz). L’accéléromètre offert, 31 Hz et 8 Hz 62 comme les fréquences d’échantillonnage, dont 8 Hz a été choisie parce qu’elle offre assez de granularité pour la capture de mouvement avec des besoins en énergie raisonnable par rapport aux autres fréquences. GSR peut être échantillonnée à 0.2 ou 5 Hz. Dans ce cas, nous avons opté pour rassembler des données de GSR une fois toutes les 5 secondes. En ce qui concerne l’accéléromètre, cette fréquence a fourni assez granularité tout en gardant les besoins en énergie à un minimum. Enfin, ST est échantillonné à la même fréquence que HR (c.-à-d., 1 Hz). Données recueillies par le dispositif sont transférées à l’app de PhysiologicalSignals dans le smartphone à chaque seconde, y compris l’exemple HR and ST, la valeur de l’accélération maximale et la dernière valeur pour GSR collectée. Pour réduire le bruit de HR, le serveur s’applique aux données reçues un filtre FIR couramment utilisés dans les applications temps réel29 et30, les signaux dans le filtrage de l’ECG à l’aide d’une fenêtre de 15 échantillons.
Renseignements recueillis au cours de laboratoire et des séances en classe est stockée dans la base de données server´s. Cette information doit être téléchargée pour être traitées à l’aide d’un paquet de données analytique. L’ensemble des fichiers de données généré contient des données et des variables dérivées de ces signaux signaux bruts. Plus précisément, pour chaque signal physiologique brut (HR, ST, GSR et accéléromètre), son écart (st), pente (sl) et la différence entre la valeur actuelle et la valeur extrême dans les dernières 30 secondes sont enregistrées.
La phase de laboratoire du protocole a été réalisée dans une chambre confortable du département ingénierie télématique qui a les conditions favorables à l’expérience. La figure 2 illustre l’évolution des RH, GSR et ST valeurs recueillies lors d’une de ces séances pour un étudiant réel. Comme peut être vu dans la figure, des variations importantes dans les signaux physiologiques se produisent lorsque l’étudiant effectue chacune des tâches (vidéo, STC1, STC2, STC3, Passat et Hyperventilation) comprises dans le test. Une valeur relativement élevée de HR initiale peut être observée, probablement en raison du stress induit face à cette tâche pour la première fois tout en étant surveillé. La croissance rapide de ST pendant l’essai de l’hyperventilation est également remarquable.
Également observé au cours des expériences de laboratoire ont été les variations remarquables dans les signaux physiologiques à des moments spécifiques expérimentales, n’importe qui ces périodes ont été pas toujours perçues comme stressant par l’étudiant de la cible. Cela est dû au fait que perçoit le stress est une variable subjective, et étudiants participants n’acceptent pas entièrement dans un concept commun de stress. Au cours de la phase de laboratoire, il visait à générer les brèves périodes de stress élevé. Ces brèves périodes de stress étaient parfois définies comme la frustration, mais pas comme le stress, ce qui amène les élèves participants à réagir différemment à ce que leurs signaux physiologiques exprimée. Cet effet peut être visualisé dans les graphiques de la Figure 3. Par exemple, dans l’intervalle entre 12:15 et 12:20 (fin de la dernière épreuve de la couleur de Stroop et mot d’essai), les fortes variations de GSR sont un symptôme évident de stress potentiel. Ces fortes variations existent également entre 12:25 et la fin de l’essai (essai d’Hyperventilation), mais dans les deux cas, l’utilisateur est censé ressentir un niveau de stress de même faible.
La situation examinée ci-dessus souligne le caractère subjectif de l’évaluation de la contrainte dans un laps de temps aussi. En conséquence, les candidats pour les variables dépendantes dans les ensembles de données (c'est-à-dire, type d’activité, basée sur l’activité de stress ou stress perçu par sujet), nous avons opté pour stress axée sur l’activité. Cette variable définit des niveaux de stress selon le niveau de difficulté de la tâche adressée et non sur les réponses fournies par les étudiants sur leur niveau de stress ressenti à la fin de chaque tâche. De cette façon, regarder la vidéo pourrait être étiqueté comme « relax », tandis que SCWT3 et PASAT pourraient être qualifié de « concentration » et le test d’Hyperventilation comme « stressant ». Notez que des échantillons de SCWT1 et SCWT2 ont été rejetées en notre cas parce que dans une précédente recherche pilote a observé que, en moyenne, SCWT1 et SCWT2 sont des activités qui montrent une transition entre une sensation de relaxation (atteinte pendant la visualisation vidéo) et stressant une. Pour ces raisons, nous écarter de notre analyse les signaux émis par ces 2 activités, et nous avons inclus seulement ceux des activités de visualisation vidéo, SCWT3, Passat et Hyperventilation. Les variations de HR, ST et GSR parmi ces États (détente, concentration, stress) sont résumées dans la Figure 4. Cette statuette représente les quartiles de signaux physiologiques pour les niveaux de trois stress dans les 12 étudiants impliqués dans l’expérience. En général, les signaux HR et GSR augmentent progressivement que l’étudiant fait face à des tâches de difficulté croissante. En outre, dans tous les cas le niveau de température est affecté. Toutefois, dans certains cas, il augmente pour les événements détendues et diminue dans des situations stressantes, tandis que dans d’autres cas, il produit juste l’inverse en fonction de la personne.
Afin d’analyser la corrélation observée visuellement dans la variation des signaux physiologiques, techniques d’apprentissage automatique ont été appliqués sur les fichiers CSV Traités. Pour éviter des variations transitoires initiales pour chaque tâche et le niveau, seules les 3 dernières minutes de chaque activité sont considérés afin d’éviter des échantillons non représentatifs. En particulier, plusieurs algorithmes de classification, en particulier les SVM, C4.5, k-NN, Random Forest, NaiveBayes et ZeroR, ont été formés pour détecter les signaux physiologiques recueillies des situations de stress. Les classificateurs formés devient haute précision, les taux d’erreur absolue moyenne faible et les détecteurs de niveau de stress élevé Cohen Kappa index, comme il est indiqué dans le tableau 1. Pour tous les 12 sujets et algorithmes (sauf ZeroR), la précision de la détection du stress chez plus de 90 %, valeur de l’erreur absolue moyenne est proche de 0 et indice kappa de Cohen est proche de 1.
La phase de classe définie dans le protocole s’est déroulée au cours de sessions de cours réels dans les salles de conférence de l’école de télécommunications génie. Plusieurs activités académiques ont été examinées pour cette étude : exposés théoriques ; questions posées arbitrairement par l’enseignant aux élèves sur certains aspects du cours ; des doutes ou questions posées aux enseignants par les étudiants ; tests courts ; examens réguliers/finale consistant en collection de problèmes à résoudre par l’étudiant en 50-70 minutes.
La visualisation de l’évolution des signaux physiologiques dans ce cas montre que les variations sont plus subtiles, autrement dit, les différences dans les valeurs du signal pour les différentes activités sont plus petits que pendant la phase de laboratoire. Les variations plus importantes ont été observées au cours de séances en classe où a lieu une Conférence régulière après qu’un pop quiz est terminé. Dans ce cas, une ou plusieurs des signaux physiologiques souffrent des différences significatives, comme illustré à la Figure 5. Cette statuette représente les signaux captés pour un étudiant face à une épreuve courte (première partie des graphiques). Pendant l’essai, la variable plus pertinente serait HR. On peut constater que l’étudiant a une fréquence cardiaque plus élevée par rapport aux temps d’exposé théorique. De la même manière, la température cutanée est maintenue relativement faible par rapport au temps d’exposé théorique, quand il soulève autour de 1 ° C.
Pour analyser cela de manière numérique, la corrélation entre les variations dans les signaux et les activités abordées par les élèves, techniques d’apprentissage automatique ont été appliquées par analogie à la phase de laboratoire. Les résultats des sessions pop quiz et conférence combinées montrent une précision moyenne de classification de 97,62 % (± 3,82) à l’aide de C4.5. Notez que, pour l’analyse de ces séances, la température de la peau a été écartée en raison de possibles biais dans le résultat final. Au cours de la période de transition entre le quiz pop et les étudiants suivants de conférence quitter la salle pendant environ 20 minutes, avec affecte considérablement des valeurs de température.
Une analyse complète et formelle des sessions en classe recueillies est toujours en cours. Il s’agit d’un processus complexe où plusieurs situations difficiles sont abordées. Tout d’abord, brusques variations de courte durée dans les signaux physiologiques sont fréquemment observées avec aucun événement associé génératrices de stress. Dans la plupart des cas, ces périodes durent depuis moins d’une minute sans rien de significatifs enregistrés par le chercheur. Une autre incidence observée est l’instabilité des valeurs GSR lorsque le portable n’est pas bien ajustée ou en cas de mouvements brusques. Dans les deux cas entraîner une très faibles valeurs de GSR, proche de 0 µS. De façon similaire, bien que beaucoup moins habituelle, il existe des valeurs incorrectes ST, proche de la température ambiante, quand le portable est trop grand pour le poignet de l’utilisateur et donc est plus ou moins porté. Pour éliminer les erreurs d’analyse provenant de ces situations, les variables concernées sont ignorées. Notez que tous les signaux contrôlés peuvent être candidats pour détecter les situations de stress et classificateurs différents peuvent être formés à l’aide de différentes combinaisons de signaux, mais anomales compromettrait classification peu importe le classifieur sélectionné.
Figure 1 . Outils utilisés dans le projet de protocole. Ce chiffre représente tous les éléments impliqués dans le protocole et leurs interactions. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 2 . Souligner la variation lors d’une séance de laboratoire. Cette figure montre les différents composants, dans laquelle le protocole de laboratoire est divisé. Chaque partie présente une variation nette dans les signaux physiologiques. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 3 . Souligner la variation perçue pour un étudiant lors d’une séance de laboratoire. Cette figure illustre les différences entre les fortes variations des signaux physiologiques d’un étudiant lors d’une séance de laboratoire et leurs réponses pour le test de stress. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 4 . Percentiles de signaux physiologiques pour 12 élèves qui participent à une séance de laboratoire. Ce chiffre représente un centile sommaire pour chaque sujet. Les variations de signal physiologique fort entre chaque situation de stress peuvent être visualisées. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 5 . HR, ST et GSR variations lors des activités en classe. Physiologique des signaux variation durant un test court (à gauche). Variation des signaux physiologiques pendant un cours théorique (à droite). S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
| SVM | C45 | KNN | RandomForest | NaiveBayes | ZeroR | |||||||||||||
| StudentID | Précision | Erreur | Kappa | Précision | Erreur | Kappa | Précision | Erreur | Kappa | Précision | Erreur | Kappa | Précision | Erreur | Kappa | Précision | Erreur | 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 |
| Moyenne | 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 |
| Écart-type | 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 |
Tableau 1 . Précision, mean erreur absolueet Cohen's Kappa index valeurs obtenues pour SVM, C4.5, k-NN, machine Random Forest, NaiveBayes et ZeroR apprendre les classificateurs, à l’aide de données provenant de le 12 étudiants participant à l’expérience de laboratoire.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Dispositifs portables de lits sont parmi les plus populaires les appareils électroniques disponibles aujourd'hui. Ces dispositifs sont généralement utilisés pour surveiller les activités physiques, mais leurs performances et les capacités pourraient être d’un grand intérêt dans d’autres domaines. Dans cet article, un protocole pour évaluer l’utilisation des dispositifs portables COTS pour estimer les contraintes dans des environnements d’apprentissage est discuté. La définition d’un tel protocole est particulièrement pertinente pour analyser les différentes solutions impliquant vestimentaires et algorithmes en apprentissage automatique. Le protocole est destiné à être utilisé dans les contextes éducatifs, où la validation des procédures de détection de stress et leur introduction éventuelle peut offrir des avantages de significate. Par exemple l’utilisation d’appareils portables peut contribuer à réduire les niveaux élevés de stress lié à l’épuisement que l'on appelle le syndrome9,10,11, et par conséquent du taux de la patte à universités12 , 13, tout en améliorant les performances académiques.
Un aspect important à considérer est la liaison Bluetooth entre le portable et le smartphone. Cette connexion sans fil entre les deux appareils peut-être être brisée pendant l’essai, il est donc nécessaire d’accorder une attention particulière à elle par le biais de la visualisation des données recueillies dans le tableau de bord. Bien que la restauration s’effectue automatiquement après une courte période de temps (par exemple, un intervalle allant de 1 à 10 minutes), cette interruption peut provoquer la perte des échantillons dans cet intervalle. Pour réduire la quantité d’informations perdues, il peut être commode réinitialiser manuellement le périphérique smartphone. Autre aspect à considérer est la valeur de capteur de température initiale de la peau, car il peut influer sur la réalisation de la stabilité de la peau, qui risque d’être retardée de 10 minutes.
Les principaux avantages du protocole proposé dans cette recherche sont son applicabilité à un groupe important d’élèves, son besoin minime pour support à l’aide des applications mobiles automatisées, sa simplicité dans la préparation des dispositifs impliqués dans l’expérience et de sa faible intrusion en effectuant de la phase de la salle de classe. Ce protocole fournit une méthode rapide et simple qui s’applique dans des environnements contrôlés, tels que les salles de classe ou de laboratoires universitaires. En outre, les capacités technologiques des élèves participants ne sont pas un problème, que le protocole est basé dans les concepts techniques simples compréhensibles par l’étudiant moyen indépendamment de leur domaine académique. Comme indiqué dans la littérature31, reproductibilité en sciences expérimentales nécessite une description claire et détaillée des protocoles appliqués et ses résultats. Le protocole décrit dans ce livre a été conçu de façon modulaire selon une procédure simple et directe, qui facilite la reproduction des expériences discutées et leur extension32. Parmi les aspects de conception plus pertinents facilitant la reproductibilité, nous pouvons nommer la concision de la phase de laboratoire et de sa mise en œuvre automatisée au moyen d’applications mobiles autonomes. En outre, la phase en classe ne requiert aucune interaction avec les étudiants au-delà des activités académiques. La plupart des étudiants a souligné la simplicité du processus, et pas de plaintes ont été signalés en ce qui concerne leur implication dans les expériences. Pour résumer, les preuves recueillies jusqu’ici indique que ce protocole peut être appliqué à des sujets présentant un profil plus large et dans des domaines différents à l’éducation, tels que les établissements de santé ou le lieu de travail. En outre, ce protocole offre la possibilité d’étudier plusieurs solutions d’apprentissage machine permettant de tester les meilleurs algorithmes à mettre en œuvre selon les exigences des expériences et sur l’appareil portable sélectionné. L’utilisation d’applications pour induire des contraintes et de fournir un tableau de bord pour l’affichage et tag échantillons facilite la formation des modèles de stress personnalisé dans une session unique de laboratoire.
Les principales limites de la solution proposée sont liées sur la variabilité des sujets et la reproductibilité des activités académiques. Il est pratiquement impossible de recréer exactement les mêmes conditions et situations se déroulant dans les sessions de la Conférence. En revanche, le stress ressenti par chaque étudiant est très personnel, comme en général sont des réponses différentes aux mêmes stimuli. En outre, il y a des questions concernant le matériel connexes les périphériques portables eux-mêmes, tels que les méthodes d’accès différents, différents capteurs, l’accès aux signaux physiologiques en temps réel, ou la vie de la batterie. Ces exigences techniques limitent wearables admissibles à une gamme limitée des dispositifs. Dans notre cas, admissibles des dispositifs incluent ces compatible avec puce Bluetooth capacités et bandes intelligentes avec un SDK compatible avec les principaux périphériques smartphone de SO. Le nombre d’appareils compatibles devrait augmenter dans les prochaines années.
Le protocole proposé est destiné à servir d’instrument pour éventuellement définir des modèles d’étudiant plus riches que celles actuellement utilisées dans l’apprentissage des systèmes de gestion ou de systèmes d’information étudiant. Par exemple, les nouvelles informations capturées avec le dispositif portable selon le protocole discuté pourraient être appliquées à la détection précoce des situations qui affectent les performances tels que la fatigue ou le stress et aux étudiants de guide pour surmonter ces situations. Une alternative au présent protocole peut être fondée sur des dispositifs portables portés aussi à l’extérieur de la salle de classe afin de détecter les variations des signaux physiologiques sur une longue période de temps. Cette approche implique plusieurs défis, comme une constante évolution de la température ambiante, ou le sujet à l’étude étant obligés de toujours être à proximité de leur smartphone pour éviter toute perte de données. Enfin, ce protocole peut être également appliqué à d’autres cours et niveaux d’enseignement, qui faciliteraient la capture des données supplémentaires sur comment stress influe sur les résultats scolaires pour les élèves ayant des compétences différentes ou des domaines d’études.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Les auteurs n’ont rien à divulguer.
Acknowledgments
Ce travail est soutenu par l’Agence de recherche d’État espagnol et le Fonds européen de développement régional (FEDER) selon le projet de PALLAS (TIN2016-80515-R AEI/FEDER, Union européenne).
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).
