Summary
Ein Protokoll, Lösungen auf Basis von Commercial-off-the-Shelf (COTS) Handgelenk Wearables, Stress in der Schüler schätzen zu bewerten wird vorgeschlagen. Das Protokoll erfolgt in zwei Phasen, eine erste Labor-basierte Induktion Stresstest und eine Überwachung Bühne statt im Klassenzimmer während der Student akademischen Tätigkeiten ausführt.
Abstract
Tragbare Commercial-off-the-Shelf (COTS) Geräte haben in den letzten Jahren zu überwachen, sportliche Aktivitäten, vor allem bei jungen Menschen beliebt. Zu diesen Geräten gehören Sensoren zum Sammeln von Daten auf physiologische Signale wie Herzfrequenz, Hauttemperatur oder Elektrodermale. Auf diese Art von Signalen Data Analytics-Techniken anwenden, ist es möglich, Schätzungen der übergeordneten Aspekte des menschlichen Verhaltens zu erhalten. In der Literatur gibt es mehrere Werke beschreiben die Verwendung von physiologischen Daten mit klinischen Geräten Informationen auf Schlaf-Muster oder Stress zu. Es ist jedoch noch eine offene Frage, ob mit Kinderbetten Handgelenk Wearables erfasst Daten zur psychologischen Zustand der Lernenden im Unterricht charakterisieren ausreicht. Dieser Artikel behandelt ein Protokoll, um Stress-Schätzung von Daten unter Verwendung von COTS Handgelenk Wearables zu bewerten. Das Protokoll wird in zwei Phasen durchgeführt. Die erste Stufe besteht aus einem kontrollierten Laborexperiment, wo eine mobile app verwendet wird, um verschiedene Druckstufen in einem Schüler durch ein entspannendes Video, einer Stroop-Farbe und Wort Test ein Paced Auditory Serial Zusatz-Test und eine Hyperventilation Test zu induzieren. In der zweite Phase erfolgt im Klassenzimmer, wo Stress analysiert wird, während mehrere akademische Tätigkeiten durchführt, nämlich Teilnahme an theoretischen Vorlesungen, Übungen und andere Einzelaktivitäten, und kurze Tests und Prüfungen. In beiden Fällen werden quantitative Daten aus Kinderbetten Handgelenk Wearables und qualitative Daten mittels Fragebögen berücksichtigt. Dieses Protokoll beinhaltet eine einfache und einheitliche Methode mit einer Stress-Induktion-app und Fragebögen, erfordern eine begrenzte Beteiligung der support-Mitarbeiter.
Introduction
State-of-the-Art tragbare Technologien sind weit verbreitet, und ihrer Anwendungsumgebungen kontinuierlich erweitern. Wir finden auf dem Markt viele verschiedene Geräte, unter denen Kinderbetten Handgelenk Wearables1, wie smart-Uhren und intelligente Bänder sind beliebt bei Sportlern als eine persönliche körperliche Fitness monitoring Tool2. Indem Daten analytische Techniken können mit diesen Geräten die gewonnenen Daten verarbeitet werden, zu Indikatoren wie körperlichen Allgemeinzustand, schlafen Qualität oder Recovery-Faktor. Die nachgewiesene Anwendbarkeit in diesem Bereich hat Interesse in der akademischen Gemeinschaft über ihre mögliche Anwendung auf andere Bereiche, insbesondere die Gesundheit Domäne3,4, obwohl die strengen Anforderungen der klinischen Studien zu begrenzen Ihre Einführung. Jedoch in einem weniger anspruchsvollen Kontext wie Bildung, finden wir in der Literatur Untersuchungen, die die Verwendung von verschiedenen Arten von tragbaren Geräten, sowohl im Zusammenhang mit Lehre Aktivitäten5,6 und die Abschätzung der bestimmte Merkmale des Schülers wie Schlaf Muster7oder die Analyse des studentischen Engagements in verschiedene Bildungsaktivitäten8.
In unserem Fall konzentrieren wir uns auf die Analyse von Kinderbetten Handgelenk tragbarer Geräten als Mittel, um physiologische Signale zu sammeln, die schließlich Stress Schätzung, die wiederum ein wichtiger Aspekt in pädagogischen Kontexten erleichtern würde. Stress hat einen relevanten Einfluss in der Entwicklung von wissenschaftlichen Aktivitäten und allgemeine Schülerleistungen. Zum Beispiel Stresspegel beziehen sich direkt auf den Ausbruch des Burnout-Syndroms bei Studenten9,10,11, und hohen Beanspruchungen besonders relevant sind während dem ersten Jahr, wo Drop-out-Raten, zwischen 20 % und 30 %12,13 sind häufig. Erkennung und Steuerung von Stress-Indikatoren könnte akademische Leistung erheblich gesteigert.
Die Verwendung von COTS Handgelenk tragbaren Geräten ist gerechtfertigt, weil sie Sensoren verfügen, die Informationen über physiologische Signale, die von der wissenschaftlichen Gemeinschaft in Stress Beurteilung und Erkennung eingesetzt haben. Einige der Signale bezeichnet, in der Literatur verwendet zu diesem Zweck Herzfrequenz (HF)14, Herzfrequenz Varaibility15, Haut Temperatur (ST)16, Atmung14, und Elektrodermale (GSR)17aufzunehmen. Diese Signale können durch COTS Handgelenk Wearables erfasst werden. Sie bieten jedoch nicht die gleiche Leistung wie klinische Geräte. Gibt es Unterschiede im Zusammenhang mit der Genauigkeit der Sensoren unter Geräte18,19,20,21. Dennoch, frühere Werke18,19,20,21 haben gezeigt, dass, in einem Szenario mit langsamen Satz Kinderbetten Handgelenk tragbare Sensoren Fehlermuster ähnlich wie spezielle Geräte.
Das Ziel dieses Papiers ist ein Protokoll zur Bewertung verschiedener Lösungen für Stress-Schätzung in der Schüler mit Kinderbetten Handgelenk Wearables einzuführen. Es gibt viele Regelungen, die Stressbelastung, bei denen verschiedene Handgelenk tragbare Geräte und Daten Analyse-Techniken und insbesondere Algorithmen des maschinellen Lernens schätzen vorgeschlagen werden können. Kinderbetten Handgelenk Wearables zeichnen sich durch ihre hohe Fragmentierung, Heterogenität und Interoperabilität Probleme-22. Drei Unternehmen haben einen aggregierte Marktanteil von fast 50 %23, aber viele andere Unternehmen entfallen viel kleineren einzelnen Markt teilt mit einem aggregierten Anteil über 50 %. Auf der anderen Seite im Hinblick auf die Heterogenität, nicht alle Wearables haben die gleiche Anzahl und Art der Sensoren mit Beschleunigungssensoren und h-Sensoren ist die am häufigsten, und ST und der GSR nur bei 5 % der Geräte untersucht. Wie für Interoperabilität gibt es verschiedene Betriebssysteme und Daten Sammlung Ansätze, die nicht miteinander kompatibel sind. Für das Machine learning-Techniken, die angewendet werden können, um Stress durch ein handgelenkgerät erhobenen Daten zu schätzen, gibt es viele Optionen zur Verfügung24, darunter Entscheidungsbäume, neuronale Netze, nächster Nachbar Ansätze, Naïve Bayes Klassifikatoren, etc. zu summieren, gibt es eine Vielzahl von Lösungen, die für Stress-Schätzung, entwickelt werden kann, so ist es instrumental, entwerfen eine Auswertung Protokoll zur Erleichterung des Vergleichs unter verschiedenen vorläufige Optionen, wählen schließlich die in einem bestimmten Kontext am besten geeignet.
Für die Durchführung des Protokolls sind mehrere Tools benötigt (Abbildung 1). Zunächst wird ein Kinderbetten Handgelenk tragbares Gerät benötigt, um physiologische Daten zu holen. Dieses tragbare Gerät sollte mindestens haben HR Überwachung Fähigkeiten, sondern zusätzliche Sensoren sind erwünscht (z. B. Beschleunigungsmesser, ST, GSR Sensoren). Zweitens ist eine Smartphone mit der app PhysiologicalSignal erforderlich, die von dem tragbaren Gerät erfassten Daten zu sammeln. Drittens: ein Tablet läuft die StressTest-app ist notwendig, um Stress Induktion Übungen ausführen (das Smartphone könnte stattdessen die Tablette für diesen Zweck verwendet). Viertens, einige Fragebögen qualitative Daten über Schüler Wahrnehmung über Stress sammeln. Fünftens: ein Server mit einem Web service25 Datenerhebung und Vorverarbeitung und ein Web-Dashboard zur Beobachtung die Entwicklung der Signale durchführen. Und zu guter Letzt ein Data Analytics Paket26 zur Verarbeitung der Daten gesammelt über Studenten, die mit Maschine Lerntechniken.
Das Protokoll der Auswertung gliedert sich in zwei Phasen. Das erste man der Laborphase erfolgt in einem komfortablen Zimmer, wo verschiedene Druckstufen (d.h., "relax", "konzentriert Stress" und "stress") zu einem Ziel-Thema (Student) induziert werden durch mehrere allgemeine Stress erzeugenden Aufgaben. Der zweite Teil findet im Klassenzimmer, und es beinhaltet eine Überwachung der Schülers während der Leistung von mehreren akademischen Aktivitäten: theoretische Erklärungen, Einzelaktivitäten, kurze Tests, Prüfungen, etc. während der Durchführung des Dieses Protokoll, das Thema der physiologische Signale werden durch ein handgelenkgerät erfasst. Schließlich werden diese Signale von Machine learning-Algorithmen um Schätzungen auf das Niveau des Druckes verarbeitet.
Während der Laborphase wird die StressTest-app verwendet, um verschiedene Druckstufen zu induzieren. Diese app führt das Thema bis zum Abschluss der vier verschiedene Aufgaben. Die erste Aufgabe ist die Schaffung eine Basislinie für die Spannungsanalyse. In dieser Aufgabe visualisiert der Student eine 4-minütige entspannende Video in der verschiedene Aufnahmen eines Sonnenuntergangs auf einer Brücke gezeigt werden. Die zweite Aufgabe ist eine Adaption der Stroop-Farbe und Wort Test27 (SCWT). Alle zwei Sekunden muss das Thema die Farbe auswählen, in der der Name einer Farbe (rot, grün, Orange, blau und violett) lackiert ist. Mehrere Schaltflächen am unteren Rand des Bildschirms mit den Anfangsbuchstaben der einzelnen Farben sind für das Thema wählen Sie die gemalte Farbe zu jeder Zeit verfügbar. Beispielsweise zeigt die Schaltfläche, die bezieht sich auf die blauen Buchstaben b In unserem Fall ist dieser Test in drei verschiedenen Schwierigkeitsgraden unterteilt. Für die erste Ebene (SCWT1) erscheint die farbigen "Worte der Farben" in der gleichen Reihenfolge wie die Tasten, so dass Farbe und Name direkt entsprechen. Diese Ebene wird als Grundlinie, übernommen, da es keine Schwierigkeiten beinhaltet und das Thema sollte nur drücken Sie die Tasten richtig, immer in der gleichen Reihenfolge. Für die zweite Stufe (SCWT2) die farbigen "Worte der Farben" zufällig erscheinen, aber die Korrespondenz zwischen Name und Farbe beibehalten. Jedes Mal das Thema schlägt fehl, ein akustisches Signal ertönt, und wenn zwei Fehler gemacht werden, wird die richtige Farbe Partitur zurückgesetzt werden. Für die letzte und schwierigste Stufe (SCWT3) übereinstimmen Name und Farbe nicht. Auf diese Weise soll dieser Ebene werden immer komplexer und belastend für das Thema. Die dritte Aufgabe besteht auf der Paced Auditory Serial Zusatz Test (PASAT)28, die misst, wie der Student einen Konzentration Test erlebt. Während dieser Aufgabe eine Sequenz von aufeinander folgenden Zahlen laut gespielt wird, und die Schüler muss die letzten beiden Zahlen und schreiben das Ergebnis in der mitgelieferten box auf dem Bildschirm vor dem hören auf die nächste Nummer hinzufügen. In dieser Aufgabe das Thema macht einen Fehler, tritt ein Ereignis zu stören um Stress zu erzeugen (zwei zur gleichen Zeit solide Zahlen oder einer langen Zeit des Schweigens in beibehalten). Wenn drei Fehler begangen werden, wird in diesem Fall das Sum-Konto zurückgesetzt. Die vierte Aufgabe besteht aus einer Hyperventilation-Aktivität induzieren gleichen Varianz in den physiologischen Signalen, die eine Stresssituation17provozieren würde. Am Ende jeder Aufgabe und hat den Betreff an der wahrgenommenen Stresslevel mithilfe der Anwendung selbst, nach einer 5-Wert-Likert-Skala.
Während der Phase der Klassenzimmer Studenten ihre Tätigkeit ausüben, ordentliche akademische zusammen mit dem Rest ihrer Mitschüler. Das Protokoll konzentriert sich auf den Stress, die während der Klassenzimmer-spezifische Aktivitäten auftreten. Am Ende des Vortrags ein kurzer Fragebogen (Anhang 1) komplettiert die Schüler um das wahrgenommene Niveau des Druckes an den verschiedenen Aktivitäten nach einer 5-Wert-Skala anzugeben.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle nachfolgend beschriebene Methoden wurden von der Regionalregierung Galiciens Ausschuss für Forschungsethik von Pontevedra-Vigo-Ourense (reg Code 2017/336) genehmigt. Das Protokoll wurde für Studenten im ersten Studienjahr an der School of Telecommunication Engineering - Universität von Vigo, in einem komfortablen Labor-Raum und in mehreren Vorträgen und Trainings von einem Bachelor-Studiengang auf Computer-Architekturen implementiert.
1. bereiten Sie die Geräte
- Verbinden Sie das Smartphone und Tablet Gerät auf eine stabile Internetverbindung.
- Schalten Sie Bluetooth-Kommunikation im Smartphone.
- In das Smartphone in die entsprechenden offiziellen AppStore suchen Sie die Handgelenk tragbare Anwendung. Herunterzuladen und zu installieren.
- In das Smartphone nach der PhysiologicalSignals-app, physiologische Signale zu erfassen suchen. Herunterzuladen und zu installieren.
Hinweis: Derzeit, die app ist eine Beta-Version und Zugriff kann auf Anfrage bereitgestellt werden. - Suchen Sie in der Tablette die StressTest-app in die Forschung Laborexperimente verwendet werden. Herunterzuladen und zu installieren.
Hinweis: Derzeit, die app ist eine Beta-Version und Zugriff kann auf Anfrage bereitgestellt werden. - Kinderbetten Handgelenk tragbaren Gerät schalten Sie ein und legen Sie die tragbar.
- Öffnen Sie im Smartphone die offizielle Kinderbetten Handgelenk tragbare Anwendung.
Hinweis: Die app wird fortgesetzt, das tragbare Gerät mit dem Smartphone synchronisieren. Bei manchen Geräten ist eine e-Mail-Adresse erforderlich. - Öffnen Sie im Smartphone die PhysiologicalSignals-app.
- Bei Bekanntwerden von einem Sensor Zugriffsanforderung, akzeptiere es.
- Überprüfen Sie das Gerät. Warten Sie, bis die PhysiologicalSignals-app, um das Wort Weared in grün angezeigt.
Hinweis: Dies darauf hinweisen, dass das tragbare Gerät erkannt wurde und daher die Übermittlung von Informationen von den Sensoren an das Smartphone aktiviert ist. Wenn diese Meldung nicht erscheint wiederholen Sie ab Schritt 1.6.
(2) der Laborphase
- Bereiten Sie die Labor-Einstellung. Wählen Sie eine komfortable und nicht stören Zimmer ohne störende Geräusche und eine angenehme Temperatur (zwischen 22 ° C und 26 ° C).
- Das Handgelenk tragbaren Gerät schalten Sie ein, um die thematischen nichtdominanten Handgelenk legen Sie und legen Sie die Kopfhörer auf dem Kopf des Schülers. Passen Sie die tragbare anliegt um das Handgelenk.
- Verbinden Sie das Smartphone und Tablet mit eine stabile Internet-Verbindung und stellen Sie sicher, dass die Bluetooth-Verbindung aktiv ist.
- Starten Sie im Smartphone die PhysiologicalSignals-app.
- Warten Sie, bis die app das Wort Weared in grün angezeigt.
- Wählen Sie die Option Benutzer wechseln im linken Konfigurations-Menü und geben Sie die ID des Subjekts, die Durchführung der Tests und klicken Sie auf Speichern.
- In einem Laptop auf das Dashboard zugreifen und die testadministrator-ID und Ihr Passwort eingeben.
Hinweis: Derzeit ist für Private und Sicherheit betrifft, Zugriff auf das Dashboard nur erhalten Sie auf Anfrage.- Wählen Sie die Betreff-ID und das Thema Stress Registerkarte.
- Die physiologische Signale Entwicklung zu überprüfen und warten auf das tragbare Gerät, thermischen Stabilität zu erreichen, bevor Sie das Experiment starten.
Hinweis: Die thermische Stabilität wird als ein Plateau im Diagramm identifiziert.
- Starten Sie in der Tablette die StressTest-Anwendung.
- Erklären Sie das Thema der vier Labor Aufgaben. Zeigen Sie einige der Bildschirme und Aktionen, während jeweils die Aufgaben durchzuführen.
Hinweis: Dies ist sehr wichtig, da das Thema sollte fühle gestresst oder entspannt in Übereinstimmung mit der durchgeführten Tätigkeiten mich und nicht Angst oder Sorge um was wird passieren. - Sagen Sie der Student nicht ihre Arme auf dem Tisch ruhen und die Hand ist das tragbare Gerät platziert, die Tätigkeiten durchzuführen.
- Geben Sie die gleichen Benutzer-ID, wie in Schritt 2.4.2 und klicken Sie auf den Pfeil.
- Erklären Sie das Thema der vier Labor Aufgaben. Zeigen Sie einige der Bildschirme und Aktionen, während jeweils die Aufgaben durchzuführen.
- Starten Sie die video Aufgabe und gewähren Sie Vollzugriff für den Schüler.
- Beachten Sie, dass die Aufgabe ohne Zwischenfälle durchgeführt wird.
- Wenn der Vorgang abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.
- Starten Sie die Farbe der Stroop-Aufgabe (SCWT) nacheinander für die Stufen 1, 2 und 3.
- Für jede Ebene zu beobachten, dass die Teilaufgabe ohne Zwischenfälle durchgeführt wird.
- Wenn jede Teilaufgabe abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.
- Nur für Ebene 3 und nur für den Fall, dass das Thema es nicht nach 4 Minuten lösen, Beenden der Aufgabe durch Drücken der Pfeiltasten am oberen Rand des Bildschirms.
- Starten Sie den Paced Auditory Serial Zusatz-Test (PASAT).
- Beachten Sie, dass die Aufgabe ohne Zwischenfälle durchgeführt wird.
- Für den Fall, dass das Thema nicht den PASAT-Test nach 4 Minuten löst, beenden Sie den Vorgang durch Drücken der Pfeiltasten am oberen Rand des Bildschirms.
- Wenn der Vorgang abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.
- Starten Sie die Hyperventilation Test.
- Die Entwicklung der HR über das Dashboard zu beobachten. Wenden Sie physiologische Signale nicht wesentlich ändern, sich das Thema Inspiration und Exspiration allmählich steigern.
- Für den Fall, dass das Thema Schwindel oder unangenehm Halt diese Aufgabe fühlt. In jedem Fall führen Sie den Vorgang nach vier Minuten.
- Wenn der Vorgang abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.
3. die Klassenzimmer-Phase
- Das Handgelenk tragbaren Gerät einschalten und das Wearable um die thematischen nichtdominanten Handgelenk legen. Passen Sie die tragbare anliegt um das Handgelenk.
- Verbinden Sie das Smartphone mit einer stabilen Internetverbindung, und stellen Sie sicher, dass die Bluetooth-Verbindung aktiv ist.
- Starten Sie im Smartphone die PhysiologicalSignals-app.
- Warten Sie, bis die app das Wort Weared in grün angezeigt.
- Wählen Sie im Konfigurations-Menü die Option Benutzer wechseln , geben Sie die ID des Subjekts, die Durchführung der Tests und klicken Sie auf Speichern.
- In einem Laptop auf das Dashboard zugreifen und die testadministrator-ID und Ihr Passwort eingeben.
- Wählen Sie die Betreff-ID und das Thema Stress Registerkarte.
- Überprüfen Sie die Entwicklung physiologischer Signale.
- Nehmen Sie Anmerkungen über alle relevanten Ereignisse auftreten im Klassenzimmer in Bezug auf die Lehrer-Schüler-Interaktion.
Hinweis: Informationen und einfache Ereignisse werden physiologische Proben anschließend beschriften verwendet werden. Beispiel-Veranstaltungen sind eine Frage des Lehrers an den Schüler, oder eine theoretische Erklärung eingeleitet. - Am Ende des Vortrags bitten Sie das Thema zum Ausfüllen des Fragebogens über das Niveau des Druckes zu bestimmten Zeiten während der Sitzung nach einer 5-Stufen-Skala.
(4) Datenanalyse
- In einem Laptop auf das Dashboard zugreifen und die testadministrator-ID und Ihr Passwort eingeben.
- Wählen Sie die Betreff-ID und das Thema Stress Registerkarte.
- Wählen Sie den Tag ein Klassenzimmer-Experiments.
- Beschriften Sie die Proben des Subjekts durch Aktivitäten und wahrgenommenen Stresslevel zu identifizieren.
- Hörsaal Aktivitäten und deren Dauer nach der Start- und Zeiten und ihre Arten zu identifizieren.
- Wählen Sie für jede Aktivität eine wahrgenommene Stressniveau.
- Laden Sie für jedes Thema und jede Sitzung die Datei mit den tagged Proben.
Hinweis: Eine Komma-getrennte-Werte (CSV) Datei erstellt für jeden Schüler, jede Zeile, die die Werte der physiologische Signale mit deren Standardabweichung, Steigung und Diff, Leistungsart, Activity based Stress (d.h., den Stress standardmäßig auf die Aktivität) und das Thema Stress wahrgenommen. - Die Daten-Analyse-Paket zu starten.
- Wählen Sie ein Set von Klassifikatoren (z.B., SVM, C4.5, k-NN, Random Forest, Naïve Bayes und NULL-R) und importieren die CSV-Datei für alle Schüler bei jeder Sitzung.
- Trainieren Sie und bewerten Sie Klassifikatoren mit der 10-divisibel Kreuzvalidierung Technik.
Hinweis: Je nach den Analysen, Leistungsart, Activity based Stress oder Belastung wahrgenommen, werden als abhängige Variable für die Analyse ausgewählt. - Zu guter Letzt überprüfen Sie die Ergebnisse für Genauigkeit und Fehler.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Das Protokoll diskutiert wurde in einem Computer-Architekturen-Kurs im ersten Jahr der Telekommunikation Ingenieurstudium an der Universität Vigo umgesetzt. Dieser Kurs hat mehr als 200 Studenten eingeschrieben, die in 10 Arbeitsgruppen organisiert sind. Um dieses Experiment durchzuführen, waren Studenten aus vier Fraktionen eingeladen, zu Beginn des akademischen Jahres anmelden. Das Projekt erregte großes Interesse bei den Schülern, und rund 30 Studenten freiwillig an der Studie teilnehmen. Von ihnen waren 12 Studenten für die Teilnahme nach dem Zufallsprinzip ausgewählt.
Die Kinderbetten Handgelenk tragbare Gerät für unsere Experimente ausgewählt hat HR, ST, GSR und Beschleunigungsmesser Sensoren. Die Wahl dieses tragbare beruhte auf seiner Vielzahl von Sensoren und die Bereitstellung von Echtzeit-Daten zu füttern. Technische Voraussetzungen in welcher, die Sensor Daten wurden auch berücksichtigt. Die Datenerfassung erfolgt bei bestimmten Frequenzen, die in der Regel durch den Betrieb der Sensoren, aber auch wegen des Geräts energiesparenden Eigenschaften auferlegt. Bei dem ausgewählten Gerät wurde HR pro Sekunde (1 Hz) gesampelt. Der Beschleunigungsmesser 62, 31 Hz und 8 Hz als Sampling-Frequenzen, von denen 8 Hz ausgewählt wurde, weil es genug Granularität für die Erfassung der Bewegung mit angemessenen Energiebedarf im Vergleich zu den anderen Frequenzen bietet angeboten. GSR kann auf 0,2 oder 5 Hz abgetastet werden. In diesem Fall entschieden wir uns zum Sammeln der GSR Daten alle 5 Sekunden. Der Beschleunigungsmesser bereitgestellt diese Frequenz genug Granularität beim Energiebedarf auf ein Minimum zu halten. Zu guter Letzt wird ST auf der gleichen Frequenz wie HR (d.h., 1 Hz) gesampelt. Daten vom Gerät werden jede Sekunde, einschließlich der HR und ST Probe, den Wert für maximale Beschleunigung und der letzte Wert für GSR gesammelt an die PhysiologicalSignals-app auf dem Smartphone übertragen. HR reduzieren, wendet der Server auf die empfangenen Daten, die ein FIR-Filter häufig verwendet in Echtzeitanwendungen29 und in die Filterung des EKG-Signale30, mit einem 15-Probe-Fenster.
Informationen gesammelt im Labor und Unterrichtsraum in der Datenbank des Servers gespeichert. Diese Informationen sollten heruntergeladen werden, um mit einem Datenpaket Analytics verarbeitet werden. Die Menge der erzeugten Datendateien enthält roh Signale Daten und Variablen abgeleitet aus diesen Signalen. Genauer gesagt, werden für jede physiologische Rohsignal (HR, ST, GSR und Beschleunigungsmesser), die Standardabweichung (St), Hang (sl) und die Differenz zwischen dem Barwert und dem extremen Wert in den letzten 30 Sekunden aufgezeichnet.
Der Laborphase des Protokolls wurde in einem komfortablen Zimmer der Telematik Abteilung durchgeführt, die die Voraussetzungen für das Experiment hat. Abbildung 2 zeigt die Entwicklung der HR, GSR und ST Werte gesammelt während einer dieser Sitzungen für eine tatsächliche Student. Wie in der Abbildung ersichtlich ist, auftreten wie der Student jede der Aufgaben (Video, STC1, STC2, STC3, PASAT und Hyperventilation führt) in das Experiment einbezogen erhebliche Abweichungen in den physiologischen Signalen. Ein relativ hoher Anfangswert HR kann sehr wahrscheinlich durch den Stress induziert, wenn vor dieser Aufgabe zum ersten Mal während des zu überwachenden beobachtet werden. Bemerkenswert ist auch das rasante Wachstum der ST während des Tests von Hyperventilation.
Auch zu beobachten, während die Laborversuche wurden die wesentlichen Abweichungen in den physiologischen Signalen in bestimmten experimentellen Momenten, egal, die diese Zeiten nicht immer so stressig vom Ziel Studenten wahrgenommen wurden. Dies ist, da Stress ist eine subjektive Variable und teilnehmende Studenten stimmen nicht vollständig in ein gemeinsames Konzept von Stress wahrgenommen. Es soll während der Laborphase kurze Perioden hoher Belastung zu generieren. Diese kurze Zeiten von Stress wurden manchmal definiert als Frustration, aber nicht als Stress, die teilnehmenden Schüler reagieren unterschiedlich auf welche ihre physiologische Signale ausgedrückt führt. Dieser Effekt kann in die Diagramme in Abbildung 3visualisiert werden. Beispielsweise sind die starke GSR-Variationen in der Zeit zwischen 12:15 und 12:20 (Fertigstellung der letzte Test der Stroop-Farbe und Wort zu testen) ein eindeutiges Symptom von potenziellen Stress. Diese starken Schwankungen sind auch zwischen 12:25 und am Ende der Prüfung (Hyperventilation Test), aber beide Male behauptete des Benutzers fühlen ähnlich niedrig Stresslevel.
Die Situation besprochen oben betont den subjektiven Charakter der Stress Evaluation in so kurzer Zeit. Infolgedessen von den Kandidaten für die abhängigen Variablen in Datensätzen (d.h., Leistungsart, Activity based Stress oder Thema wahrgenommenen Stress) entschieden wir uns für Activity based Stress. Diese Variable definiert Stresspegel entsprechend dem Niveau der Schwierigkeit der Aufgabe gerichtet und nicht auf die Antworten der Studenten über ihre wahrgenommene Stressniveau am Ende jeder Aufgabe. Auf diese Weise würde video-Beobachtung als gekennzeichnet werden "entspannen", während SCWT3 und PASAT als "Konzentration" und der Hyperventilation-Test als "Stress" bezeichnet werden würde. Beachten Sie, dass Proben aus SCWT1 und SCWT2, in unserem Fall verworfen wurden, denn in einer vorherigen pilot Forschung zu beobachten war, dass im Durchschnitt SCWT1 und SCWT2 Aktivitäten, die einen Übergang zwischen ein entspanntes Gefühl sind (während video Visualisierung erreicht) zeigen und stressig ein. Aus diesem Grund wir verworfen aus unserer Analyse der Signale von diesen 2 Aktivitäten, und wir nur diejenigen aus dem video Visualisierung, SCWT3, PASAT und Hyperventilation. HR, ST und GSR Unterschiede zwischen diesen Staaten (Entspannung, Konzentration, Stress) sind in Abbildung 4zusammengefasst. Diese Abbildung zeigt die physiologische Signal Quartile für die drei Stress in die 12 Teilnehmer an dem Experiment beteiligt. Da die Schüler Aufgaben mit steigendem Schwierigkeitsgrad steht ist HR und GSR Signale in der Regel schrittweise zu erhöhen. Darüber hinaus wirkt sich in allen Fällen das Temperaturniveau. Jedoch in einigen Fällen für entspannte Veranstaltungen steigt und sinkt in stressigen Situationen, während in anderen Fällen es tritt nur die entgegengesetzte abhängig von der Person.
Um die Korrelation visuell beobachtet in der Variation der physiologische Signale zu analysieren, wurden Maschine Lerntechniken über verarbeitete CSV-Dateien angewendet. Um anfängliche vergänglichen Variationen für jede Aufgabe und Ebene zu vermeiden, gelten nur die letzten 3 Minuten der einzelnen Maßnahmen zur Vermeidung von nicht-repräsentative Proben. Vor allem einige Klassifizierungsalgorithmen, besonders SVM, C4.5, k-NN, Random Forest, NaiveBayes und ZeroR, wurden ausgebildet, um Stresssituationen aus den gesammelten physiologische Signale zu erkennen. Die ausgebildeten Klassifikatoren wurde hohe Genauigkeit, niedrige mittlere absolute Fehlerraten und hohe Cohens Kappa Index Ebene Stress Detektoren, wie in Tabelle 1dargestellt. Für alle 12 Themen und Algorithmen (außer ZeroR) die Genauigkeit der Stress-Erkennung in über 90 %, mittlere absolute Fehlerwert ist in der Nähe von 0 und Cohens Kappa Index liegt in der Nähe 1.
Die Klassenzimmer-Phase im Protokoll definierten fand statt während der eigentlichen Kurssitzungen in den Hörsälen der School of Telecommunications Engineering. Verschiedene Akademische Aktivitäten wurden für diese Studie betrachtet: theoretische Vorlesungen; Fragen willkürlich durch den Lehrer, die Schüler über bestimmte Aspekte des Kurses; Zweifel oder Fragen an den Lehrer von Schülern; kurze Tests; regelmäßige Prüfungen/Finale bestehend aus Sammlung von Problemen von den Studierenden in 50-70 Minuten gelöst werden.
Die Visualisierung der Entwicklung physiologischer Signale zeigt in diesem Fall, dass Variationen sind subtiler, d. h. die Unterschiede in der Signalwerte für verschiedene Aktivitäten sind kleiner als in der Laborphase. Die wichtigsten Varianten wurden während der Sitzungen im Klassenzimmer beobachtet in denen referiert regelmäßig auftritt, wenn ein kleines Quiz abgeschlossen ist. In diesem Fall leiden eine oder mehrere der physiologische Signale erhebliche Unterschiede, wie in Abbildung 5dargestellt. Diese Abbildung zeigt die Signale für einen Studenten mit Blick auf einen kurzen Test erfasst (erster Teil des Graphen). Während der Prüfung wäre die relevanteste Variable HR. Es ist festzustellen, dass der Schüler eine höhere Herzfrequenz im Vergleich zu theoretischen Vortragszeit hat. Auf die gleiche Weise Hauttemperatur bleibt relativ gering im Vergleich zu theoretischen Vortragszeit, wenn es um 1 ° c erhöht
Um dies in einer numerischen Weise, die Korrelation zwischen den Variationen in den Signalen und die Aktivitäten, die von den Schülern angesprochen analysieren wurden Maschine Lerntechniken analog der Laborphase angewendet. Die Ergebnisse für die kombinierte pop Quiz und Vortrag-Sessions zeigen eine durchschnittliche Klassifizierung Genauigkeit von 97.62 % (± 3,82) mit C4.5. Hinweis, für die Analyse dieser Sitzungen die Temperatur der Haut war aufgrund von möglichen Verzerrungen im Endergebnis verworfen. In der Übergangszeit zwischen pop-Quiz und die folgenden Vortrag Studenten verlassen des Klassenzimmers für ca. 20 Minuten beeinflusst mit dramatisch Temperaturwerte.
Eine umfassende formale Analyse der gesammelten Unterrichtsraum ist noch im Gange. Dies ist ein komplexer Prozess, wo mehrere herausfordernde Situationen behandelt werden. Erste, abrupte Kurzzeit-Variationen in die physiologische Signale werden häufig ohne damit verbundenen Stress erzeugenden Ereignis beobachtet. In den meisten Fällen diesen Zeiträumen dauern für weniger als eine Minute ohne irgendetwas bedeutsames vom Forscher aufgezeichnet wird. Ein weiteres beobachtete Inzidenz ist die Instabilität der GSR Werte, wenn das Wearable nicht gut eingestellt ist oder wenn plötzliche Bewegungen auftreten. Beide Situationen führen zu einer sehr niedrigen GSR Werte nahe 0 µS. In ähnlicher Weise obwohl viel weniger üblich, gibt es falsche ST-Werte in der Nähe der Umgebungstemperatur, bei der tragbar zu groß für das Handgelenk des Benutzers ist und also wird locker getragen. Um die Analyse Fehler abgeleitet aus diesen Situationen zu vermeiden, werden die betroffenen Variablen verworfen. Beachten Sie, dass alle Signale überwacht Kandidaten werden, Stress-Situationen zu erkennen und verschiedenen Klassifikatoren trainiert werden können, mit unterschiedlichen Kombinationen von Signalen, aber anomale Werte Einstufung unabhängig von der Klassifizierung ausgewählt gefährden würde.
Abbildung 1 . Das vorgeschlagene Protokoll verwendeten Werkzeuge. Diese Abbildung zeigt alle Elemente, die in das Protokoll und deren Wechselwirkungen beteiligt. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 2 . Variation in einer Labor-Sitzung betonen. Diese Abbildung zeigt die verschiedenen Teile, in denen das Laborprotokoll unterteilt wird. Jeder Teil stellt eine klare Variante in die physiologische Signale. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 3 . Variante für einen Studenten in einem Labor-Sitzung wahrgenommen betonen. Diese Abbildung zeigt die Unterschiede zwischen den starken Schwankungen der physiologische Signale eines Schülers während einer Labor-Sitzung und ihre Antwort auf den Stress-test. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 4 . Physiologische Signal Perzentile für 12 Studenten die Teilnahme an einer Labor-Session. Diese Abbildung zeigt eine Zusammenfassung Perzentil für jedes Fach. Die starke physiologische Signal Variationen zwischen jede Stresssituation können visualisiert werden. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 5 . HR, ST und GSR Variationen während Aktivitäten im Klassenzimmer. Physiologischer Signale Variation während eines kurzen Tests (links). Physiologische Signale Variation in einem theoretischen Vortrag (rechts). Bitte klicken Sie hier für eine größere Version dieser Figur.
| SVM | C45 | KNN | RandomForest | NaiveBayes | ZeroR | |||||||||||||
| StudentID | Genauigkeit | Fehler | Kappa | Genauigkeit | Fehler | Kappa | Genauigkeit | Fehler | Kappa | Genauigkeit | Fehler | Kappa | Genauigkeit | Fehler | Kappa | Genauigkeit | Fehler | 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 |
| Durchschnitt | 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 |
| Standardabweichung | 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 |
Tabelle 1 . Genauigkeit, meine absoluter Fehler, und Cohen' SVM, C4.5s-Kappa-Index-Werte zu erhalten, für , k-NN, Random Forest, NaiveBayes und ZeroR des maschinellen Lernens Klassifikatoren anhand von Daten aus der 12 Studenten die Teilnahme an dem Laborexperiment.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Kinderbetten tragbare Geräte gehören zu den beliebtesten Unterhaltungselektronikprodukte heute verfügbaren. Diese Geräte werden in der Regel verwendet, um körperliche Aktivitäten zu überwachen könnte, aber ihre Fähigkeiten und Leistung in anderen Bereichen von großem Interesse. In diesem Papier wird ein Protokoll zu Kinderbetten tragbare Geräte für die Schätzung der Stress in Lernumgebungen beurteilen diskutiert. Die Definition eines solchen Protokolls ist besonders wichtig, um verschiedene Lösungen rund um Wearables und Machine learning-Algorithmen zu analysieren. Das Protokoll soll in den pädagogischen Einstellungen verwendet werden, wo die Validierung von Stress Nachweisverfahren und deren eventuelle Einführung Asylanten Vorteile bieten kann. Zum Beispiel die Verwendung von tragbaren Geräten kann dazu beitragen, um das hohe Maß an Stress verbunden, dem so genannten Burnout-Syndrom9,10,11zu reduzieren, und als Folge der Aussteiger bewerten bei Universitäten12 , 13, bei der Verbesserung der schulischen Leistungen.
Ein kritischer Aspekt ist die Bluetooth-Verbindung zwischen dem tragbar und dem Smartphone. Diese drahtlose Verbindung zwischen beiden Geräten kann während des Tests gebrochen werden, so ist es notwendig, besondere Aufmerksamkeit darauf durch die Visualisierung der Daten in das Dashboard gesammelt. Obwohl die Wiederherstellung automatisch nach kurzer Zeit (d.h. ein Intervall von 1 bis 10 Minuten) durchgeführt wird, kann diese Unterbrechung der Proben in diesem Intervall verloren gehen. Verringerung die Menge an Informationen verloren, kann es bequem, die Smartphone-Gerät manuell zurückgesetzt sein. Anderen Aspekt zu beachten ist der ursprünglichen Haut Temperatur Sensorwert, wie es die Verwirklichung der Haut Stabilität beeinflussen können, die bis zu 10 Minuten verzögert werden kann.
Die Hauptvorteile des Protokolls vorgeschlagen in dieser Forschung sind seine Anwendbarkeit auf eine große Gruppe von Studenten, seine minimale Bedarf an Unterstützung durch automatisierte mobile apps, seiner Einfachheit bei der Vorbereitung der Geräte das Experiment und seinem tief beteiligt Aufdringlichkeit während der Durchführung der Klassenzimmer-Phase. Dieses Protokoll bietet eine schnelle und einfache Methode in kontrollierten Umgebungen, wie z. B. Klassenräume oder Hochschullabors anwendbar. Außerdem sind technologischen Fähigkeiten der teilnehmenden Studenten kein Thema, da das Protokoll in einfach verständliche technische Konzepte von einem durchschnittlichen Universität Studenten unabhängig von ihrer akademischen Bereich basiert. Wie in der Literatur31, erfordert Reproduzierbarkeit in experimentellen Wissenschaften eine gründliche und klare Beschreibung der Protokolle angewendet und deren Ergebnisse. Das Protokoll diskutiert in diesem Papier wurde auf modulare Weise nach einfachen, unkomplizierten Schritten entwickelt, die Reproduktion der Experimente diskutiert und ihre Erweiterung32erleichtert. Unter den wichtigsten Gestaltungsmerkmalen Reproduzierbarkeit zu erleichtern nennen wir die Prägnanz der Laborphase und automatisierte Umsetzung durch eigenständige mobile apps. Darüber hinaus erfordert die Klassenzimmer-Phase keine Interaktion mit den Studierenden über die wissenschaftlichen Aktivitäten. Die meisten Studenten wies darauf hin, die Einfachheit des Prozesses und keine Beschwerden in Bezug auf ihre Beteiligung an den Experimenten berichtet wurden. Zusammenfassend lässt sich sagen, zeigt gesammelten Beweise so weit, dass dieses Protokoll auf Themen mit einem breiteren Profil und in Bereichen anders als Bildung, wie Gesundheitseinrichtungen oder am Arbeitsplatz angewendet werden kann. Außerdem bietet dieses Protokoll die Möglichkeit mehrere Maschinenlösungen, testen Sie die besten Algorithmen, je nach den Anforderungen der Experimente und auf dem tragbaren Gerät ausgewählt umzusetzen lernen zu studieren. Die Verwendung von Anwendungen, die Stress auslösen und ein Dashboard zur Anzeige und Tag Proben bieten erleichtert die Ausbildung von benutzerdefinierten Stress-Modelle in einer einzigen Labor-Sitzung.
Die wichtigsten Einschränkungen der vorgeschlagenen Lösung beziehen sich auf die Themen Variabilität und die Reproduzierbarkeit der akademischen Aktivitäten. Neu zu genau den gleichen Bedingungen und Situationen im Vortragssitzungen stattfindet, ist praktisch unmöglich. Auf der anderen Seite der Stress erlebt von jedem Kursteilnehmer ist sehr persönlich, wie im allgemeinen dort sind unterschiedliche Antworten auf die gleichen Reize. Darüber hinaus gibt es Hardware-bezogene Fragen im Zusammenhang mit der tragbare Geräte selbst, wie die verschiedenen Zugriffsmethoden, verschiedene Sensoren, Zugriff auf physiologische Signale in Echtzeit oder Akkulaufzeit. Diese technischen Anforderungen beschränken förderfähigen Wearables auf eine begrenzte Auswahl an Geräten. In unseren Geräten jedenfalls berechtigt sind diese kompatibel mit smart Bluetooth-Funktionen und intelligente Bands mit einem SDK kompatibel mit großen SO Smartphone-Geräte. Die Anzahl der kompatiblen Geräte wird voraussichtlich im Laufe der nächsten Jahre zu erhöhen.
Das vorgeschlagene Protokoll dient als Instrument zur Schließlich reicher Student-Modelle als derzeit in learning Management-Systeme oder Schüler-Informations-Systeme definieren. Beispielsweise könnte die neue Informationen erfasst mit dem tragbaren Gerät gemäß dem Protokoll diskutiert, die frühzeitige Erkennung von Situationen, die die Leistung wie Müdigkeit oder Stress und Leitfaden Studenten, diese Situationen zu überwinden gelten. Eine Alternative zu diesem Protokoll kann auf tragbaren Geräten getragen auch außerhalb des Klassenzimmers, um Variationen in physiologischer Signale über einen längeren Zeitraum hinweg erkennen beruhen. Dieser Ansatz beinhaltet mehrere Herausforderungen, wie eine ständig verändernde Umgebungstemperatur oder der Gegenstand der Studie wird gezwungen, immer in der Nähe von ihrem Smartphone sein, um Datenverlust zu verhindern. Dieses Protokoll kann schließlich auch auf andere Kurse und Bildungsniveaus, die erleichtern die Erfassung zusätzlicher Beweis wie Stress beeinflusst Studienleistungen für Studierende mit unterschiedlichen Fähigkeiten oder Studienrichtungen angewendet werden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben nichts preisgeben.
Acknowledgments
Diese Arbeit wird unterstützt durch den spanischen Staat Research Agency und der europäischen regionalen Entwicklung Fonds (EFRE) im Rahmen des Projekts PALLAS (TIN2016-80515-R AEI/EFRE, EU).
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).
