Summary
छात्रों में तनाव का अनुमान लगाने के लिए वाणिज्यिक-ऑफ-द-शेल्फ (तख्त) कलाई पहनने योग्य पर आधारित समाधानों का मूल्यांकन करने के लिए एक प्रोटोकॉल प्रस्तावित है । प्रोटोकॉल बाहर दो चरणों में किया जाता है, एक प्रारंभिक प्रयोगशाला तनाव प्रेरण परीक्षण आधारित है, और एक निगरानी कक्षा में जगह ले रही है जबकि छात्र अकादमिक गतिविधियों प्रदर्शन कर रहा है मंच ।
Abstract
पहनने योग्य वाणिज्यिक बंद-the-शेल्फ (तख्त) उपकरणों के लिए पिछले वर्षों के दौरान लोकप्रिय हो गए है खेल गतिविधियों पर नजर रखने के लिए, मुख्य रूप से युवा लोगों के बीच । इन उपकरणों में हृदय गति, त्वचा का तापमान या करनेवाली त्वचा प्रतिक्रिया जैसे शारीरिक संकेतों पर डेटा इकट्ठा करने के लिए सेंसर शामिल हैं । संकेतों के इन प्रकार के लिए डेटा विश्लेषिकी तकनीक लागू करके, यह मानव व्यवहार के उच्च स्तर के पहलुओं का अनुमान प्राप्त करने के लिए संभव है । साहित्य में, नींद पैटर्न या तनाव के बारे में जानकारी प्राप्त करने के लिए नैदानिक उपकरणों का उपयोग कर एकत्र शारीरिक डेटा के उपयोग का वर्णन कई काम कर रहे हैं । हालांकि, यह अभी भी एक खुला सवाल है कि क्या तख्त कलाई पहनने योग्य का उपयोग कर कब्जा कर लिया डेटा शैक्षिक सेटिंग्स में शिक्षार्थियों मनोवैज्ञानिक राज्य की विशेषता के लिए पर्याप्त है । यह कागज तख्त कलाई पहनने योग्य का उपयोग कर प्राप्त डेटा से तनाव अनुमान का मूल्यांकन करने के लिए एक प्रोटोकॉल पर चर्चा की । प्रोटोकॉल को दो चरणों में किया जाता है । पहले चरण में एक नियंत्रित प्रयोगशाला प्रयोग के होते हैं, जहां एक मोबाइल एप्लिकेशन को एक आराम वीडियो के माध्यम से एक छात्र में विभिन्न तनाव के स्तर को प्रेरित करने के लिए प्रयोग किया जाता है, एक Stroop रंग और शब्द परीक्षण, एक पुस्तक श्रवण धारावाहिक इसके अलावा परीक्षण, और एक अतिवातायनता परीक्षण. दूसरे चरण कक्षा में किया जाता है, जहां तनाव का विश्लेषण किया है, जबकि कई अकादमिक गतिविधियों प्रदर्शन, अर्थात् सैद्धांतिक व्याख्यान में भाग लेने, अभ्यास और अंय व्यक्तिगत गतिविधियों कर रही है, और कम परीक्षण और परीक्षा ले । दोनों ही मामलों में, चारपाई कलाई पहनने योग्य और गुणात्मक डेटा प्रश्नावली के माध्यम से इकट्ठा से प्राप्त दोनों मात्रात्मक डेटा माना जाता है । इस प्रोटोकॉल एक तनाव प्रेरण app और प्रश्नावली के साथ एक सरल और सुसंगत तरीका शामिल है, समर्थन कर्मचारियों की एक सीमित भागीदारी की आवश्यकता होती है ।
Introduction
राज्य के अत्याधुनिक पहनने योग्य प्रौद्योगिकियों व्यापक रूप से उपलब्ध हैं, और उनके आवेदन वातावरण लगातार विस्तार कर रहे हैं । हम इस तरह के स्मार्ट घड़ियों और स्मार्ट बैंड के रूप में तख्ते कलाई पहनने योग्य1, के बीच बाजार में कई विभिन्न उपकरणों, एक व्यक्तिगत शारीरिक फिटनेस निगरानी उपकरण2के रूप में एथलीटों के बीच लोकप्रिय हैं पा सकते हैं । डेटा विश्लेषणात्मक तकनीक लागू करके, इन उपकरणों का उपयोग कर प्राप्त डेटा सामान्य शारीरिक स्थिति, नींद की गुणवत्ता या वसूली कारक के रूप में संकेतक प्रदान करने के लिए संसाधित किया जा सकता है. इस क्षेत्र में प्रदर्शन लागू अंय क्षेत्रों के लिए अपने संभावित आवेदन के बारे में शैक्षणिक समुदाय में रुचि उठाया, विशेष रूप से स्वास्थ्य डोमेन3,4में, हालांकि नैदानिक परीक्षणों की सीमा की सख्त आवश्यकताओं उनका परिचय । हालांकि, शिक्षा के रूप में एक कम मांग के संदर्भ में, हम साहित्य हाल ही में पहनने योग्य उपकरणों के विभिंन प्रकार के उपयोग को शामिल जांच में पा सकते हैं, दोनों शिक्षण गतिविधियों से संबंधित5,6 और के आकलन के लिए ऐसे स्लीप पैटर्न7के रूप में छात्र की कुछ विशेषताओं, या विभिंन शैक्षिक गतिविधियों में छात्रों की सगाई के विश्लेषण8।
हमारे मामले में, हम तख्त कलाई पहनने योग्य उपकरणों का विश्लेषण करने के रूप में शारीरिक संकेत है कि अंततः तनाव अनुमान है, जो बारी में शैक्षिक संदर्भों में एक महत्वपूर्ण पहलू है सुविधा होगी इकट्ठा करने का मतलब है पर ध्यान केंद्रित । तनाव शैक्षणिक गतिविधियों और समग्र छात्रों के प्रदर्शन के विकास में एक प्रासंगिक प्रभाव पड़ता है । उदाहरण के लिए, तनाव का स्तर सीधे9,10,11छात्रों में burnout सिंड्रोम की शुरुआत से संबंधित हैं, और उच्च तनाव का स्तर freshman वर्ष के दौरान विशेष रूप से प्रासंगिक हैं, जहां ड्रॉप आउट दर 20% के बीच और 30%12,13 आम हैं । पता लगाने और तनाव संकेतक को नियंत्रित नाटकीय रूप से अकादमिक प्रदर्शन में सुधार हो सकता है ।
तख्त कलाई पहनने योग्य उपकरणों का उपयोग उचित है क्योंकि वे सेंसर कि शारीरिक संकेतों है कि व्यापक रूप से तनाव आकलन और पता लगाने में वैज्ञानिक समुदाय द्वारा प्रयोग किया गया है के बारे में जानकारी प्रदान किया है । इस प्रयोजन के लिए इस्तेमाल साहित्य में निर्दिष्ट संकेतों में से कुछ हृदय गति (मानव संसाधन)14, दिल की दर varaibility15, त्वचा का तापमान (ST)16, श्वसन14, और करनेवाली त्वचा प्रतिक्रिया (GSR)17शामिल हैं । ये संकेत चारपाई कलाई पहनने योग्य द्वारा एकत्र किया जा सकता है । हालांकि, वे नैदानिक डिवाइस के रूप में एक ही प्रदर्शन प्रदान नहीं करते । उपकरणों के बीच सेंसर की सटीकता से संबंधित मतभेद हैं18,19,20,21. फिर भी, पिछले काम करता है18,19,20,21 से पता चला है कि, एक धीमी गति से आंदोलन के परिदृश्य में, तख्त कलाई पहनने योग्य सेंसर विशेष उपकरणों के समान त्रुटि पैटर्न है ।
इस पत्र का उद्देश्य तख्ते कलाई पहनने योग्य का उपयोग छात्रों में तनाव अनुमान के लिए विभिंन समाधानों का मूल्यांकन करने के लिए एक प्रोटोकॉल शुरू करने के लिए है । वहां कई व्यवस्था है कि तनाव के स्तर का अनुमान है, विभिंन कलाई पहनने योग्य उपकरणों और डेटा विश्लेषिकी तकनीक का उपयोग शामिल है, और अधिक विशेष रूप से मशीन सीखने एल्गोरिदम का प्रस्ताव किया जा सकता है । चारपाई कलाई पहनने योग्य उनके उच्च विखंडन, विविधता और अंतर समस्याओं22की विशेषता है । तीन कंपनियों के लगभग ५०%23का एक समग्र शेयर बाजार है, लेकिन कई अंय कंपनियों के खाते के लिए बहुत छोटे व्यक्तिगत बाजार के शेयरों, ५०% से ऊपर एक समग्र शेयर के साथ । दूसरी ओर, विविधता के संदर्भ में, नहीं सभी पहनने योग्य एक ही नंबर और सेंसर के प्रकार है, accelerometers और एच सेंसर के साथ सबसे आम जा रहा है, और सेंट और GSR उपकरणों के 5% में ही मौजूद होने का अध्ययन किया. अंतर के लिए के रूप में, वहां रहे है विभिंन ऑपरेटिंग सिस्टम और डेटा संग्रह दृष्टिकोण है कि एक दूसरे के साथ संगत नहीं हैं । मशीन सीखने की तकनीक है कि एक कलाई डिवाइस के माध्यम से एकत्र आंकड़ों से तनाव का अनुमान लगाने के लिए लागू किया जा सकता है के लिए के रूप में, वहां कई विकल्प उपलब्ध24, निर्णय पेड़, तंत्रिका नेटवर्क, निकटतम पड़ोसी दृष्टिकोण, भोली Bayes सहित, कर रहे है classifiers, आदि को योग करने के लिए, वहां समाधान है कि तनाव अनुमान के लिए विकसित किया जा सकता है की एक महान विविधता है, तो यह एक मूल्यांकन प्रोटोकॉल डिजाइन करने के लिए विभिंन अस्थाई विकल्पों के बीच तुलना की सुविधा के लिए अंततः चयन सहायक है किसी दिए गए प्रसंग में सबसे उपयुक्त ।
प्रोटोकॉल के कार्यांवयन के लिए, कई उपकरणों की जरूरत है (चित्रा 1) । सबसे पहले, एक तख्त कलाई पहनने योग्य डिवाइस शारीरिक डेटा लाने की जरूरत है । इस पहनने योग्य डिवाइस कम से अधिक मानव संसाधन निगरानी क्षमताओं होना चाहिए, लेकिन अतिरिक्त सेंसर वांछनीय हैं (जैसे, accelerometer, सेंट, GSR सेंसर). दूसरा, PhysiologicalSignal एप्लिकेशन चलाने वाले स्मार्टफोन पहनने योग्य डिवाइस द्वारा कैप्चर किए गए डेटा को एकत्रित करने के लिए आवश्यक है । तीसरा, एक गोली StressTest एप्लिकेशन चलाने के लिए तनाव प्रेरण अभ्यास चलाने की जरूरत है (स्मार्टफोन इस प्रयोजन के लिए गोली के बजाय इस्तेमाल किया जा सकता है) । चौथा, कुछ प्रश्नावली तनाव पर छात्रों की धारणा पर गुणात्मक डेटा इकट्ठा करने के लिए । पांचवां, एक वेब सेवा के साथ एक सर्वर25 डेटा संग्रह और पूर्व प्रसंस्करण प्रदर्शन करने के लिए, और एक वेब डैशबोर्ड संकेतों के विकास को दिखाने के लिए । और अंत में, एक डेटा विश्लेषिकी पैकेज26 मशीन शिक्षण तकनीक का उपयोग कर छात्रों के बारे में एकत्र डेटा प्रक्रिया के लिए ।
मूल्यांकन प्रोटोकॉल दो चरणों में आयोजित किया जाता है । पहले एक, प्रयोगशाला चरण, एक आरामदायक कमरे में किया जाता है, जहां अलग तनाव का स्तर (यानी, "आराम करो", "केंद्रित तनाव" और "तनाव") एक लक्ष्य विषय के लिए प्रेरित कर रहे है (एक छात्र) कई आम तनाव उत्प्रेरण कार्यों के माध्यम से । दूसरा भाग कक्षा में जगह लेता है, और यह कई अकादमिक गतिविधियों की उपलब्धि के दौरान छात्र की निगरानी शामिल है: सैद्धांतिक स्पष्टीकरण, व्यक्तिगत गतिविधियों, लघु परीक्षण, परीक्षा, आदि के कार्यांवयन के दौरान इस प्रोटोकॉल, विषय के शारीरिक संकेतों एक कलाई डिवाइस के माध्यम से कब्जा कर रहे हैं । अंत में, इन संकेतों मशीन लर्निंग एल्गोरिदम द्वारा संसाधित करने के लिए तनाव के स्तर पर अनुमान प्रदान कर रहे हैं ।
प्रयोगशाला चरण के दौरान, StressTest एप्लिकेशन अलग तनाव के स्तर को प्रेरित करने के लिए प्रयोग किया जाता है । इस एप्लिकेशन को चार विभिन्न कार्यों के पूरा होने के विषय गाइड । पहला कार्य तनाव विश्लेषण के लिए एक आधार रेखा बनाना है । इस कार्य में, छात्र एक 4 मिनट आराम वीडियो जिसमें एक पुल पर एक सूर्यास्त के विभिंन शॉट्स दिखाया जाता है visualizes । दूसरा कार्य Stroop रंग और शब्द परीक्षण27 (SCWT) का एक अनुकूलन है । हर दो सेकंड में, विषय रंग का चयन करना होगा जिसमें एक रंग का नाम (लाल, हरा, नारंगी, नीला और बैंगनी) चित्रित है । प्रत्येक रंग के आरंभिक अक्षर वाले स्क्रीन के नीचे स्थित कई बटन हर समय चित्रित रंग को चुनने के लिए विषय के लिए उपलब्ध होते हैं । उदाहरण के लिए, नीले रंग को संदर्भित करता है जो बटन अक्षर B को दर्शाया गया है । हमारे मामले में, इस परीक्षण कठिनाई के तीन विभिन्न स्तरों में विभाजित है । पहले स्तर के लिए (SCWT1), रंग का रंग "शब्द" बटन के रूप में एक ही क्रम में दिखाई देगा, तो रंग और नाम सीधे मैच । इस स्तर को आधारभूत के रूप में लिया जाता है, क्योंकि यह किसी भी कठिनाई को शामिल नहीं करता और विषय केवल बटन को ठीक से दबाना चाहिए, हमेशा उसी क्रम में । दूसरे स्तर के लिए (SCWT2), रंग का रंग "शब्दों" बेतरतीब ढंग से दिखाई देते हैं, लेकिन नाम और रंग के बीच पत्राचार बनाए रखा है । हर बार विषय विफल रहता है एक बीप उत्सर्जित किया जाता है, और दो त्रुटियाँ हैं, तो सही रंग स्कोर रीसेट हो जाएगा । अंतिम, सबसे कठिन स्तर (SCWT3) के लिए, नाम और रंग मेल नहीं खाते । इस तरह इस स्तर के लिए और अधिक जटिल और विषय के लिए तनावपूर्ण होने का इरादा है । तीसरे कार्य पुस्तक श्रवण धारावाहिक इसके अलावा परीक्षण (पसत)28है, जो उपाय कैसे छात्र एक एकाग्रता परीक्षण अनुभव पर होते हैं । इस कार्य के दौरान, क्रमिक संख्याओं का अनुक्रम जोर से चलाया जाता है, और विद्यार्थी को अंतिम दो संख्याओं को जोड़ना होगा और परिणाम को अगले नंबर पर सुनने से पहले प्रदान किए गए ऑन-स्क्रीन बॉक्स में लिखना चाहिए । इस कार्य में, यदि विषय एक गलती करता है, एक परेशान घटना तनाव उत्पंन होता है (दो नंबर एक ही समय में ध्वनि या बनाए रखा में मौन की लंबी अवधि) । इस स्थिति में, यदि तीन त्रुटियां कमिट हैं, तो योग खाता रीसेट हो जाएगा । चौथा कार्य एक अतिवातायनता गतिविधि पर होते है शारीरिक संकेतों में एक ही भिंनता है कि एक तनावपूर्ण स्थिति को भड़काने प्रेरित होगा17। प्रत्येक कार्य और स्तर के अंत में, विषय के लिए कथित तनाव के स्तर से संकेत मिलता है, आवेदन ही का उपयोग कर, एक 5 मूल्य लाइकर्ट पैमाने के अनुसार ।
कक्षा चरण के दौरान विद्यार्थी अपने बाकी सहपाठियों के साथ मिलकर अपनी साधारण शैक्षणिक गतिविधियों को पूरा करते हैं । प्रोटोकॉल, कक्षा-विशिष्ट गतिविधियों के दौरान होने वाले तनाव स्तरों पर केंद्रित होता है । व्याख्यान के अंत में, एक संक्षिप्त प्रश्नावली (अनुलग्नक 1) छात्र द्वारा पूरा किया जाता है एक 5 मूल्य पैमाने के अनुसार कई गतिविधियों में तनाव के कथित स्तर को इंगित करने के लिए ।
Subscription Required. Please recommend JoVE to your librarian.
Protocol
सभी तरीकों नीचे वर्णित Pontevedra-विगो-Ourense (reg. code 2017/336) के अनुसंधान नैतिकता के लिए Galicia समिति के क्षेत्रीय सरकार द्वारा अनुमोदित किया गया है । प्रोटोकॉल दूरसंचार इंजीनियरिंग के स्कूल में प्रथम वर्ष के छात्रों के लिए लागू किया गया था-विगो विश्वविद्यालय, दोनों एक आरामदायक प्रयोगशाला कक्ष में और कई व्याख्यान और कंप्यूटर आर्किटेक्चर पर एक स्नातक डिग्री पाठ्यक्रम के अभ्यास सत्र में.
1. उपकरणों को तैयार
- स्मार्टफ़ोन और टैब्लेट डिवाइस को एक स्थिर इंटरनेट कनेक्शन से कनेक्ट करें ।
- स्मार्टफ़ोन में Bluetooth संचार चालू करें ।
- स्मार्टफोन में, इसी सरकारी एप स्टोर में सर्च करें कलाई पहनने योग्य एप्लीकेशन. डाउनलोड करें और इसे स्थापित करें ।
- स्मार्टफोन में, शारीरिक संकेतों को कैप्चर करने के लिए PhysiologicalSignals ऐप खोजें । डाउनलोड करें और इसे स्थापित करें ।
नोट: वर्तमान में, अनुप्रयोग एक बीटा संस्करण है और अनुरोध के द्वारा प्रदान किया जा सकता है पहुँच. - टेबलेट में, अनुसंधान प्रयोगशाला प्रयोगों में उपयोग किया जा करने के लिए StressTest अनुप्रयोग के लिए खोज. डाउनलोड करें और इसे स्थापित करें ।
नोट: वर्तमान में, अनुप्रयोग एक बीटा संस्करण है और अनुरोध के द्वारा प्रदान किया जा सकता है पहुँच. - तख्त कलाई पहनने योग्य डिवाइस पर बारी और पहनने योग्य जगह है ।
- स्मार्टफोन में, सरकारी तख्त कलाई पहनने योग्य आवेदन खोलें ।
नोट: एप्लिकेशन स्मार्टफोन के साथ पहनने योग्य डिवाइस को सिंक्रनाइज़ करने के लिए आगे बढ़ना होगा । कुछ डिवाइसेज़ में, ई-मेल पता आवश्यक है । - स्मार्टफोन में PhysiologicalSignals ऐप को ओपन करें ।
- एक सेंसर का उपयोग अनुरोध के अधिसूचित होने के मामले में, यह स्वीकार करते हैं.
- डिवाइस की जांच करें । PhysiologicalSignals एप्लिकेशन को हरे रंग में पहनने शब्द प्रदर्शित करने के लिए प्रतीक्षा करें ।
नोट: यह संकेत मिलता है कि पहनने योग्य डिवाइस का पता लगाया गया है और इसलिए सेंसर से स्मार्टफोन के लिए जानकारी के संचरण सक्षम है. यह संदेश नहीं दिखता है, तो चरण १.६ से दोहराएँ ।
2. प्रयोगशाला चरण
- प्रयोगशाला सेटिंग तैयार करें । शोर विचलित और एक आरामदायक तापमान (22 डिग्री सेल्सियस और 26 डिग्री सेल्सियस के बीच) के साथ के बिना एक आरामदायक और गैर परेशान कमरे का चयन करें ।
- कलाई पहनने योग्य डिवाइस पर बारी, विषय के आसपास यह जगह ´ गैर प्रमुख कलाई एस और छात्र के सिर पर headphones जगह है । पहनने योग्य कसकर लेकिन आराम से कलाई के आसपास फिट ।
- स्मार्टफ़ोन और टैबलेट को एक स्थिर इंटरनेट कनेक्शन से कनेक्ट करें और जाँचें कि Bluetooth कनेक्शन सक्रिय है.
- स्मार्टफोन में PhysiologicalSignals एप लॉन्च करते हैं ।
- एप्लिकेशन को हरे रंग में पहनने शब्द प्रदर्शित करने के लिए प्रतीक्षा करें ।
- बाएँ कॉन्फ़िगरेशन मेनू में उपयोगकर्ता बदलें विकल्प का चयन करें और परीक्षण पूरा हो जाएगा और सहेजेंपर क्लिक करें जो विषय की ID प्रदान करते हैं ।
- लैपटॉप में, डैशबोर्ड तक पहुंचें और परीक्षण व्यवस्थापक की ID और पासवर्ड दर्ज करें ।
नोट: वर्तमान में, निजी और सुरक्षा चिंताओं के लिए, डैशबोर्ड तक पहुँच केवल अनुरोध के अंतर्गत उपलब्ध है.- विषय ID और विषय के तनाव टैब का चयन करें ।
- शारीरिक संकेतों विकास की जांच करें और प्रयोग शुरू करने से पहले पहनने योग्य डिवाइस के लिए थर्मल स्थिरता तक पहुंचने के लिए रुको ।
नोट: थर्मल स्थिरता ग्राफ में एक पठार के रूप में पहचान की है ।
- टेबलेट में, StressTest अनुप्रयोग लॉंच करें ।
- इस विषय को समझाओ चार प्रयोगशाला कार्य । हर एक कार्य के दौरान करने के लिए कुछ स्क्रीन और क्रियाएं दिखाएं ।
नोट: यह बहुत महत्वपूर्ण है, क्योंकि विषय पर बल दिया या प्रदर्शन गतिविधियों के अनुसार आराम महसूस करना चाहिए, और डर या क्या होने जा रहा है के बारे में चिंता नहीं है । - छात्र को मेज पर अपने हथियार आराम करने के लिए और हाथ का उपयोग करने के लिए जहां पहनने योग्य डिवाइस गतिविधियों को प्रदर्शन करने के लिए रखा गया है बताओ ।
- चरण 2.4.2 के रूप में समान उपयोगकर्ता ID दर्ज करें और तीर पर क्लिक करे.
- इस विषय को समझाओ चार प्रयोगशाला कार्य । हर एक कार्य के दौरान करने के लिए कुछ स्क्रीन और क्रियाएं दिखाएं ।
- वीडियो कार्य शुरू करने और छात्र को पूरा नियंत्रण दे ।
- निरीक्षण है कि घटना के बिना कार्य किया जाता है ।
- जब कार्य समाप्त हो गया है, जांचें कि विषय कथित तनाव प्रदान करता है ।
- स्तर 1, 2 और 3 के लिए क्रमिक रूप से Stroop रंग कार्य (SCWT) लॉंच करें ।
- प्रत्येक स्तर के लिए, कि उपकार्य घटना के बिना किया जाता है निरीक्षण ।
- जब प्रत्येक उपकार्य समाप्त हो जाता है, तो यह जांचें कि विषय कथित तनाव प्रदान करता है ।
- केवल 3 स्तर के लिए और केवल मामले में विषय 4 मिनट के बाद इसे हल नहीं करता है, स्क्रीन के शीर्ष पर स्थित तीर दबाकर कार्य समाप्त ।
- स् पेस ऑडिटर सीरियल अतिरिक् त टेस् ट (पसत) का शुभारंभ ।
- निरीक्षण है कि घटना के बिना कार्य किया जाता है ।
- यदि विषय 4 मिनट के बाद पसत परीक्षण का समाधान नहीं करता है, स्क्रीन के शीर्ष पर स्थित तीर दबाकर कार्य समाप्त ।
- जब कार्य समाप्त हो गया है, जांचें कि विषय कथित तनाव प्रदान करता है ।
- अतिवातायनता टेस्ट शुरू ।
- डैशबोर्ड का उपयोग कर मानव संसाधन के विकास का निरीक्षण । यदि शारीरिक संकेतों में काफी परिवर्तन नहीं करते हैं, तो विषय को प्रेरणा और समय सीमा समाप्ति दरों को धीरे से बढ़ाने के लिए कहें ।
- मामले में चक्कर आना या असहज इस कार्य को रोकने लगता है । किसी भी स्थिति में, चार मिनट के बाद कार्य पूर्ण करें ।
- जब कार्य समाप्त हो गया है, जांचें कि विषय कथित तनाव प्रदान करता है ।
3. कक्षा चरण
- कलाई पहनने योग्य डिवाइस पर मुड़ें और विषय के आसपास पहनने योग्य जगह ´ गैर प्रमुख कलाई एस । पहनने योग्य कसकर लेकिन आराम से कलाई के आसपास फिट ।
- स्मार्टफ़ोन को एक स्थिर इंटरनेट कनेक्शन से कनेक्ट करें और जाँचें कि Bluetooth कनेक्शन सक्रिय है.
- स्मार्टफोन में PhysiologicalSignals एप लॉन्च करते हैं ।
- एप्लिकेशन को हरे रंग में पहनने शब्द प्रदर्शित करने के लिए प्रतीक्षा करें ।
- कॉन्फ़िगरेशन मेनू में उपयोगकर्ता परिवर्तित करें विकल्प का चयन करें, जो परीक्षण को पूरा करेगा और सहेजेंक्लिक विषय की ID उपलब्ध कराएँ ।
- लैपटॉप में, डैशबोर्ड तक पहुंचें और परीक्षण व्यवस्थापक की ID और पासवर्ड दर्ज करें ।
- विषय ID और विषय के तनाव टैब का चयन करें ।
- शारीरिक संकेतों के विकास की जांच करें ।
- छात्र शिक्षक बातचीत के संबंध में कक्षा में होने वाली किसी भी प्रासंगिक घटना के बारे में एनोटेशन ले लो ।
नोट: प्रासंगिक जानकारी और बुनियादी घटनाओं को बाद में शारीरिक नमूनों को लेबल करने के लिए इस्तेमाल किया जाएगा । उदाहरण के घटनाक्रम शिक्षक से छात्र के लिए एक सवाल है, या एक सैद्धांतिक विवरण शुरू की है । - व्याख्यान के अंत में, विषय के लिए सत्र के दौरान विशिष्ट समय पर अपने तनाव के स्तर के बारे में प्रश्नावली को पूरा करने के लिए, एक 5 स्तर के पैमाने के अनुसार पूछो ।
4. डेटा विश्लेषण
- लैपटॉप में, डैशबोर्ड तक पहुंचें और परीक्षण व्यवस्थापक की ID और पासवर्ड दर्ज करें ।
- विषय ID और विषय के तनाव टैब का चयन करें ।
- कक्षा प्रयोग के दिन का चयन करें ।
- गतिविधियों और कथित तनाव के स्तर की पहचान करके विषय के नमूनों का लेबल ।
- व्याख्यान-कक्ष की गतिविधियों और उनकी अवधि को प्रारंभिक और परिष्करण समय और उनके प्रकारों के अनुसार पहचानें ।
- प्रत्येक गतिविधि के लिए, एक कथित तनाव स्तर का चयन करें ।
- प्रत्येक विषय और प्रत्येक सत्र के लिए, टैग किए गए नमूनों के साथ फ़ाइल डाउनलोड करें ।
नोट: प्रत्येक छात्र के लिए एक अल्पविराम-अलग-मान (CSV) फ़ाइल बनाई जाती है, प्रत्येक पंक्ति उनके मानक विचलन, ढलान और रचनाकार के साथ शारीरिक संकेतों के मूल्यों को दर्शाती है, गतिविधि प्रकार, गतिविधि-आधारित तनाव (यानी, जुड़े तनाव गतिविधि के लिए डिफ़ॉल्ट रूप से) और विषय कथित तनाव । - डेटा analytics पैकेज लॉन्च करना.
- classifiers का एक सेट चुनें (जैसे, SVM, सी 4.5, कश्मीर-एनएन, यादृच्छिक वन, भोली Bayes और शूंय आर) और प्रत्येक सत्र के लिए सभी छात्रों के लिए CSV फ़ाइल आयात करते हैं ।
- ट्रेन और 10 गुना पार सत्यापन तकनीक का उपयोग कर classifiers का मूल्यांकन ।
नोट: विश्लेषण के आधार पर, गतिविधि प्रकार, गतिविधि आधारित तनाव या तनाव माना जाता है, के लिए निर्भर चर के रूप में चयन किया जाएगा । - अंत में, सटीकता और त्रुटि दरों के लिए परिणाम की जांच करें ।
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
प्रोटोकॉल चर्चा में एक कंप्यूटर आर्किटेक्चर कोर्स में दूरसंचार इंजीनियरिंग की डिग्री के पहले वर्ष में विगो विश्वविद्यालय में रखा गया था । इस कोर्स में २०० से अधिक छात्रों को नामांकित किया है जो 10 कार्य समूहों में आयोजित कर रहे हैं । इस प्रयोग को पूरा करने के लिए, चार समूहों के छात्रों को अकादमिक वर्ष की शुरुआत में दाखिले के लिए आमंत्रित किया गया था । परियोजना के छात्रों के बीच काफी रुचि को आकर्षित किया, और लगभग 30 छात्रों को अध्ययन में भाग लेने के वालंटियर । उनमें से 12 छात्रों को अनियमित भागीदारी के लिए चुना गया ।
तख्त कलाई पहनने योग्य डिवाइस हमारे प्रयोगों के लिए चयनित HR, ST, GSR और accelerometer सेंसर है. इस पहनने योग्य का चुनाव सेंसर की अपनी विविधता और वास्तविक समय डाटा खिलाने के प्रावधान के आधार पर किया गया था । तकनीकी स्थिति जिसमें संवेदक डाटा एकत्र किया जाता है उसे भी ध्यान में रखा गया । डेटा कैप्चर कुछ आवृत्तियों पर किया जाता है, आम तौर पर सेंसर के आपरेशन द्वारा लगाया गया है, लेकिन यह भी डिवाइस की ऊर्जा की बचत विशेषताओं के कारण. चयनित डिवाइस के मामले में, HR हर सेकंड (1 हर्ट्ज) का नमूना था. accelerometer की पेशकश की ६२ हर्ट्ज, 31 हर्ट्ज और 8 नमूने आवृत्तियों के रूप में हर्ट्ज, जिसमें से 8 हर्ट्ज चुना गया था क्योंकि यह अन्य आवृत्तियों की तुलना में जब उचित ऊर्जा आवश्यकताओं के साथ आंदोलन पर कब्जा करने के लिए पर्याप्त दानेदार प्रदान करता है. GSR ०.२ या 5 हर्ट्ज पर नमूना हो सकता है । इस मामले में, हम हर 5 सेकंड में एक बार GSR डेटा इकट्ठा करने के लिए चुना है । accelerometer के लिए के रूप में, इस आवृत्ति पर्याप्त दानेदार प्रदान की है, जबकि एक ंयूनतम करने के लिए ऊर्जा आवश्यकताओं रखते हुए । अंत में, ST HR (यानी, 1 हर्ट्ज) के रूप में एक ही आवृत्ति पर नमूना है. डिवाइस द्वारा एकत्रित डेटा प्रत्येक सेकंड, एचआर और सेंट नमूना, अधिकतम त्वरण मूल्य, और एकत्र GSR के लिए अंतिम मान सहित स्मार्टफोन में PhysiologicalSignals app करने के लिए स्थानांतरित कर दिया है. HR शोर को कम करने के लिए, सर्वर प्राप्त किए गए डेटा के लिए लागू होता है एक एफआईआर फ़िल्टर आमतौर पर वास्तविक समय अनुप्रयोगों में उपयोग किया गया29 और ईसीजी संकेतों की फ़िल्टरिंग में30, एक 15-नमूना विंडो का उपयोग कर ।
प्रयोगशाला और कक्षा सत्र के दौरान इकट्ठे हुए जानकारी सर्वर ´ एस डाटाबेस में संग्रहित है । डेटा analytics पैकेज का उपयोग करके संसाधित किए जाने के लिए यह जानकारी डाउनलोड की जानी चाहिए. जनरेटेड डेटा फ़ाइलों के सेट में अपुष्ट संकेतों का डेटा और उन संकेतों से व्युत्पंन चर होते हैं । अधिक विशेष रूप से, प्रत्येक कच्चे शारीरिक संकेत के लिए (मानव संसाधन, सेंट, GSR और accelerometer), अपने मानक विचलन (st), ढलान (sl), और वर्तमान मूल्य और पिछले 30 सेकंड में चरम मूल्य के बीच का अंतर दर्ज कर रहे हैं ।
प्रोटोकॉल की प्रयोगशाला चरण टेलीमैटिक्स इंजीनियरिंग विभाग है कि प्रयोग के लिए उपयुक्त शर्तों है की एक आरामदायक कमरे में किया गया था । चित्रा 2 मानव संसाधन, GSR और एसटी एक वास्तविक छात्र के लिए इन सत्रों में से एक के दौरान एकत्र मूल्यों के विकास को दर्शाया गया है । के रूप में आंकड़ा में देखा जा सकता है, शारीरिक संकेतों में महत्वपूर्ण बदलाव के रूप में छात्र कार्य के प्रत्येक प्रदर्शन (वीडियो, STC1, STC2, STC3, पसत और अतिवातायनता) प्रयोग में शामिल हैं । एक अपेक्षाकृत उच्च प्रारंभिक मानव संसाधन मूल्य देखा जा सकता है, सबसे शायद प्रेरित तनाव के कारण जब पहली बार के लिए इस कार्य का सामना करना पड़ रहा है जबकि निगरानी की जा रही है । अतिवातायनता टेस्ट के दौरान एसटी का तेजी से विकास भी उल्लेखनीय है.
इसके अलावा प्रयोगशाला प्रयोगों के दौरान मनाया विशिष्ट प्रयोगात्मक क्षणों में शारीरिक संकेतों में उल्लेखनीय बदलाव थे, कोई बात नहीं है कि इन अवधि हमेशा लक्ष्य छात्र द्वारा तनावपूर्ण के रूप में नहीं माना गया । यह तथ्य यह है कि कथित तनाव एक व्यक्तिपरक चर है की वजह से है, और भाग लेने के छात्रों को पूरी तरह से तनाव की एक आम अवधारणा में सहमत नहीं हैं । प्रयोगशाला चरण के दौरान, यह उच्च तनाव के संक्षिप्त अवधि के उत्पन्न करने के लिए इरादा था । तनाव के इन संक्षिप्त समय कभी हताशा के रूप में परिभाषित किया गया है, लेकिन तनाव के रूप में नहीं, जो छात्रों भाग लेने के लिए अलग ढंग से प्रतिक्रिया क्या उनके शारीरिक संकेत व्यक्त की जाती है । यह प्रभाव चित्रा 3में रेखांकन में visualized किया जा सकता है । उदाहरण के लिए, 12:15 और 12:20 के बीच अंतराल में (Stroop रंग और शब्द परीक्षण के अंतिम परीक्षण के पूरा होने) मजबूत GSR रूपांतरों संभावित तनाव का एक स्पष्ट लक्षण हैं । इन मजबूत रूपों 12:25 और परीक्षण (अतिवातायनता परीक्षण) के अंत के बीच भी मौजूद हैं, लेकिन दोनों अवसरों पर, उपयोगकर्ता के लिए एक इसी तरह कम तनाव स्तर महसूस करने का दावा किया ।
स्थिति के ऊपर चर्चा की समय की इतनी कम अवधि में तनाव मूल्यांकन के व्यक्तिपरक चरित्र तनाव । एक परिणाम के रूप में, डेटा सेट में निर्भर चर के लिए उंमीदवारों से (यानी, गतिविधि प्रकार, गतिविधि आधारित तनाव, या विषय के कथित तनाव) हम गतिविधि के लिए चुना आधारित तनाव । इस चर को संबोधित किया और प्रत्येक कार्य के अंत में उनके कथित तनाव के स्तर के बारे में छात्रों द्वारा प्रदान जवाब पर नहीं कार्य की कठिनाई के स्तर के अनुसार तनाव के स्तर को परिभाषित करता है । इस तरह, वीडियो देख "के रूप में आराम" टैग किया जाएगा, जबकि SCWT3 और पसत "एकाग्रता" और अतिवातायनता परीक्षण के रूप में "तनाव" के रूप में लेबल किया जाएगा । ध्यान दें कि SCWT1 और SCWT2 से नमूने हमारे मामले में खारिज कर दिया गया क्योंकि पिछले एक पायलट अनुसंधान में देखा गया था कि, औसत पर, SCWT1 और SCWT2 गतिविधियों है कि एक सुकून महसूस के बीच एक संक्रमण दिखाने के (वीडियो दृश्य के दौरान पहुंच) और तनावपूर्ण एक. इन कारणों के लिए, हम अपने विश्लेषण से इन 2 गतिविधियों से संकेत खारिज कर दिया, और हम केवल वीडियो दृश्य, SCWT3, पसत और अतिवातायनता गतिविधियों से उन शामिल थे । इन राज्यों के बीच मानव संसाधन, अनुसूचित जनजाति और GSR विविधताओं (आराम, एकाग्रता, तनाव) चित्रा 4में संक्षेप हैं । यह आंकड़ा 12 प्रयोग में शामिल छात्रों में तनाव तीन स्तरों के लिए शारीरिक संकेत quartiles को दर्शाया गया है । आम तौर पर, मानव संसाधन और GSR संकेत धीरे से वृद्धि के रूप में छात्र बढ़ती कठिनाई के कार्य चेहरे । साथ ही, सभी मामलों में तापमान का स्तर प्रभावित होता है । हालांकि, कुछ मामलों में यह आराम की घटनाओं के लिए बढ़ जाती है और तनावपूर्ण स्थितियों में कम हो जाती है, जबकि अंय मामलों में यह सिर्फ व्यक्ति के आधार पर विपरीत होता है ।
आदेश में शारीरिक संकेतों की भिन्नता में नेत्रहीन मनाया सहसंबंध का विश्लेषण करने के लिए, मशीन शिक्षण तकनीक संसाधित CSV फ़ाइलों पर लागू किया गया. प्रत्येक कार्य और स्तर के लिए आरंभिक क्षणभंगुर विविधताओं से बचने के लिए, गैर-प्रतिनिधि नमूनों से बचने के लिए प्रत्येक गतिविधि के केवल अंतिम 3 मिनट पर विचार किया जाता है । विशेष रूप से, कई वर्गीकरण एल्गोरिदम, विशेष रूप से SVM, सी 4.5, k-एनएन, यादृच्छिक वन, NaiveBayes और ZeroR, एकत्र शारीरिक संकेतों से तनाव की स्थिति का पता लगाने के लिए प्रशिक्षित किया गया । प्रशिक्षित classifiers उच्च सटीकता बन गया, कम मतलब निरपेक्ष त्रुटि दरों और उच्च कोहेन कापा सूचकांक स्तर तनाव डिटेक्टरों, के रूप में यह 1 तालिका में दिखाया गया है । सभी 12 विषयों और एल्गोरिदम के लिए (ZeroR को छोड़कर), ९०% से अधिक में तनाव का पता लगाने की सटीकता, निरपेक्ष त्रुटि मान मतलब 0 के पास है और कोहेन कापा सूचकांक 1 के करीब है ।
कक्षा प्रोटोकॉल में परिभाषित चरण दूरसंचार इंजीनियरिंग के स्कूल के व्याख्यान कमरे में वास्तविक पाठ्यक्रम सत्र के दौरान हुई । इस अध्ययन के लिए कई अकादमिक गतिविधियों पर विचार किया गया: सैद्धांतिक व्याख्यान; छात्रों को पाठ्यक्रम के कुछ पहलू के बारे में शिक्षक द्वारा मनमाने ढंग से पूछे गए प्रश्न; छात्रों द्वारा शिक्षक के समक्ष उत्पन्न शंका या प्रश्न; लघु परीक्षण; नियमित परीक्षाओं/फाइनल में छात्रों द्वारा हल की जाने वाली समस्याओं का संग्रह 50-70 मिनट में किया ।
इस मामले में शारीरिक संकेतों के विकास के दृश्य से पता चलता है कि विविधताओं subtler हैं, कि है, विभिंन गतिविधियों के लिए संकेत मूल्यों में अंतर प्रयोगशाला चरण के दौरान की तुलना में छोटे हैं । जिसमें एक पॉप प्रश्नोत्तरी पूरा होने के बाद एक नियमित व्याख्यान होता है कक्षा सत्रों के दौरान सबसे अधिक प्रासंगिक विविधताओं मनाया गया । इस मामले में, एक या शारीरिक संकेतों के कई महत्वपूर्ण मतभेद पीड़ित, के रूप में चित्रा 5में सचित्र । यह आंकड़ा एक छोटा परीक्षण (रेखांकन के पहले भाग) का सामना कर रहे एक छात्र के लिए कब्जा कर लिया संकेतों को दर्शाया गया है । परीक्षण के दौरान, सबसे अधिक प्रासंगिक चर एचआर होगा । यह देखा जा सकता है कि छात्र एक उच्च हृदय की दर है जब सैद्धांतिक व्याख्यान समय की तुलना में । उसी तरह, त्वचा का तापमान अपेक्षाकृत कम रखा जाता है जब सैद्धांतिक व्याख्यान समय की तुलना में, जब यह 1 डिग्री सेल्सियस के आसपास उठाती है ।
एक संख्यात्मक तरीके से इस का विश्लेषण करने के लिए, संकेतों में भिन्नता और छात्रों द्वारा संबोधित गतिविधियों के बीच संबंध, मशीन शिक्षण तकनीक प्रयोगशाला चरण के लिए analogously लागू किया गया. संयुक्त पॉप प्रश्नोत्तरी और व्याख्यान सत्रों के लिए परिणाम ९७.६२% की एक औसत वर्गीकरण सटीकता (± ३.८२) सी 4.5 का उपयोग करके दिखाते हैं । ध्यान दें कि इन सत्रों के विश्लेषण के लिए त्वचा का तापमान अंतिम परिणाम में संभव पूर्वाग्रहों के कारण छोड़ दिया गया था । पॉप प्रश्नोत्तरी और निंनलिखित व्याख्यान छात्रों के बीच संक्रमण की अवधि के दौरान लगभग 20 मिनट के लिए कक्षा छोड़, नाटकीय रूप से तापमान मूल्यों को प्रभावित करता है ।
एकत्र कक्षा सत्रों का एक व्यापक औपचारिक विश्लेषण अभी भी प्रगति पर है । यह एक जटिल प्रक्रिया है जहां कई चुनौतीपूर्ण स्थितियों को संबोधित कर रहे हैं । पहले, अचानक शारीरिक संकेतों में कम समय बदलाव कोई जुड़े तनाव पैदा घटना के साथ अक्सर मनाया जाता है । ज्यादातर मामलों में, इन अवधियों के लिए कुछ भी महत्वपूर्ण शोधकर्ता द्वारा दर्ज की जा रही बिना कम एक मिनट के लिए पिछले । एक अंय घटना मनाया GSR मूल्यों की अस्थिरता है जब पहनने योग्य अच्छी तरह से समायोजित नहीं है या अगर अचानक आंदोलनों हो । दोनों स्थितियों के एक बहुत कम GSR मूल्यों में परिणाम, करीब 0 µS । एक समान तरीके से, हालांकि बहुत कम सामांय, वहां गलत सेंट मान रहे हैं, परिवेश के तापमान के करीब है, जब पहनने योग्य उपयोगकर्ता की कलाई के लिए बहुत बड़ा है और इसलिए ढीला पहना है । इन स्थितियों से व्युत्पन्न विश्लेषण त्रुटियों को समाप्त करने के लिए, प्रभावित चर छोड़ दिए जाते हैं । ध्यान दें कि सभी संकेतों पर नजर रखने के उंमीदवारों को तनाव की स्थिति और विभिंन classifiers का पता लगाने के संकेतों के विभिंन संयोजनों का उपयोग कर प्रशिक्षित किया जा सकता है, लेकिन विषम मूल्यों वर्गीकरण कोई बात नहीं वर्गीकारक चुना समझौता होगा ।
चित्रा 1 . प्रस्तावित प्रोटोकॉल में प्रयुक्त उपकरण । यह आंकड़ा प्रोटोकॉल और उनकी बातचीत में शामिल सभी तत्वों का प्रतिनिधित्व करता है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्रा 2 . एक प्रयोगशाला सत्र में तनाव भिंनता । यह आंकड़ा विभिंन भागों जिसमें प्रयोगशाला प्रोटोकॉल विभाजित है दिखाता है । प्रत्येक भाग शारीरिक संकेतों में एक स्पष्ट भिंनता प्रस्तुत करता है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्रा 3 . तनाव भिंनता एक प्रयोगशाला सत्र में एक छात्र के लिए माना जाता है । यह आंकड़ा एक प्रयोगशाला सत्र के दौरान एक छात्र के शारीरिक संकेतों की मजबूत विविधताओं और तनाव प्रश्नोत्तरी के लिए उनके जवाब के बीच विसंगतियों को दर्शाता है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्र 4 . एक प्रयोगशाला सत्र में भाग लेने वाले 12 छात्रों के लिए शारीरिक संकेत शतमक । यह आंकड़ा प्रत्येक विषय के लिए एक शतमक सारांश का प्रतिनिधित्व करता है. मजबूत शारीरिक प्रत्येक तनाव की स्थिति के बीच संकेत रूपांतरों visualized किया जा सकता है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्रा 5 . कक्षा की गतिविधियों के दौरान मानव संसाधन, अनुसूचित जनजाति और GSR रूपांतरों । शारीरिक एक संक्षिप्त परीक्षण के दौरान भिंनता संकेत (बाएं) । शारीरिक एक सैद्धांतिक व्याख्यान के दौरान भिंनता संकेत (सही) । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
| Svm | C45 | Knn | RandomForest | NaiveBayes | ZeroR | |||||||||||||
| StudentID | सटीकता | त्रुटि | कापा | सटीकता | त्रुटि | कापा | सटीकता | त्रुटि | कापा | सटीकता | त्रुटि | कापा | सटीकता | त्रुटि | कापा | सटीकता | त्रुटि | कापा |
| १०० | ९९.८३ | ०.२२ | 1 | ९९.७५ | 0 | 1 | १०० | 0 | 1 | १०० | 0 | 1 | ९८.९४ | ०.०१ | ०.९८ | ४३.१२ | ०.४३ | 0 |
| १०१ | ९८.७७ | ०.२२ | ०.९८ | ९९.७६ | 0 | 1 | ९९.८१ | 0 | 1 | ९९.९३ | ०.०१ | 1 | ९८.१६ | ०.०१ | ०.९७ | ४८.७ | ०.४२ | 0 |
| १०२ | ९९.५६ | ०.२२ | ०.९९ | ९९.८३ | 0 | 1 | ९९.७७ | 0 | 1 | ९९.९१ | ०.०१ | 1 | ९३.५ | ०.०५ | ०.८९ | ५२.४१ | ०.४१ | 0 |
| १०३ | ९९.७१ | ०.२२ | 1 | ९९.९४ | 0 | 1 | ९९.९७ | 0 | 1 | ९९.९७ | ०.०१ | 1 | ९७.२४ | ०.०२ | ०.९६ | ४९.६४ | ०.४२ | 0 |
| १०४ | ९९.८२ | ०.२२ | 1 | ९९.३३ | ०.०१ | ०.९९ | १०० | 0 | 1 | ९९.८५ | ०.०१ | 1 | ९७.०९ | ०.०२ | ०.९६ | ४२.०५ | ०.४४ | 0 |
| १०५ | १०० | ०.२२ | 1 | १०० | 0 | 1 | ९९.८४ | 0 | 1 | १०० | 0 | 1 | ९९.८३ | 0 | 1 | ४३.८ | ०.४३ | 0 |
| १०६ | ९८.०९ | ०.२३ | ०.९७ | ९९.३७ | ०.०१ | ०.९९ | ९९.६९ | 0 | 1 | ९९.८५ | ०.०१ | 1 | ९६.५२ | ०.०२ | ०.९५ | ४७.५१ | ०.४२ | 0 |
| १०७ | १०० | ०.२२ | 1 | १०० | 0 | 1 | ९९.८५ | 0 | 1 | १०० | 0 | 1 | ९९.९६ | 0 | 1 | ५०.४४ | ०.४२ | 0 |
| १०८ | ९९.४६ | ०.२२ | ०.९९ | ९९.७६ | 0 | 1 | ९९.७६ | 0 | 1 | १०० | 0 | 1 | ९८.५५ | ०.०१ | ०.९७ | ५९.७६ | ०.३७ | 0 |
| १०९ | ९९.५४ | ०.२२ | ०.९९ | १०० | 0 | 1 | ९९.७८ | 0 | 1 | ९९.९६ | 0 | 1 | ९९.७८ | 0 | 1 | ४७.३४ | ०.४२ | 0 |
| ११० | ९९.८६ | ०.२२ | 1 | ९९.९४ | 0 | 1 | ९९.७२ | 0 | 1 | ९९.९ | ०.०१ | 1 | ९६.४ | ०.०२ | ०.९४ | ५०.३५ | ०.४२ | 0 |
| १११ | ९९.९७ | ०.२२ | 1 | ९९.८४ | 0 | 1 | १०० | 0 | 1 | १०० | 0 | 1 | ९९.३५ | 0 | ०.९९ | ४३.७ | ०.४३ | 0 |
| औसत | ९९.५५ | ०.२२ | ०.९९ | ९९.७९ | ०.०० | १.०० | ९९.८५ | ०.०० | १.०० | ९९.९५ | ०.०१ | १.०० | ९७.९४ | ०.०१ | ०.९७ | ४८.२४ | ०.४२ | ०.०० |
| मानक विचलन | ०.५५ | ०.०० | ०.०१ | ०.२२ | ०.०० | ०.०० | ०.११ | ०.०० | ०.०० | ०.०६ | ०.०१ | ०.०० | १.८२ | ०.०१ | ०.०३ | ४.७२ | ०.०२ | ०.०० |
सारणी 1 . सटीकता, निरपेक्ष त्रुटिमतलब है, और कोहेन'एस कापा सूचकांक SVM, सी४.५, कश्मीर-एनएन, यादृच्छिक वन, NaiveBayes और ZeroR मशीन सीखने classifiers से डेटा का उपयोग कर के लिए प्राप्त मूल्यों प्रयोगशाला प्रयोग में भाग लेने वाले 12 छात्र/
Subscription Required. Please recommend JoVE to your librarian.
Discussion
चारपाई पहनने योग्य उपकरणों के सबसे लोकप्रिय उपभोक्ता इलेक्ट्रॉनिक्स उपलब्ध उत्पादों के बीच आज कर रहे हैं । इन उपकरणों आमतौर पर शारीरिक गतिविधियों पर नजर रखने के लिए उपयोग किया जाता है, लेकिन उनकी क्षमताओं और प्रदर्शन के अंय क्षेत्रों में बहुत रुचि का हो सकता है । इस पत्र में, एक प्रोटोकॉल सीखने के वातावरण में तनाव का अनुमान लगाने के लिए चारपाई पहनने योग्य उपकरणों के उपयोग का मूल्यांकन करने के लिए चर्चा की है । इस तरह के एक प्रोटोकॉल की परिभाषा विशेष रूप से प्रासंगिक है आदेश में पहनने योग्य और मशीन सीखने एल्गोरिदम शामिल विभिंन समाधान का विश्लेषण करने के लिए । प्रोटोकॉल के लिए शैक्षिक सेटिंग्स, जहां तनाव का पता लगाने की प्रक्रिया और उनके अंतिम परिचय significate लाभ प्रदान कर सकते है के सत्यापन में इस्तेमाल किया जा करना है । उदाहरण के लिए पहनने योग्य उपकरणों का उपयोग तथाकथित burnout सिंड्रोम9,10,11से जुड़े तनाव के उच्च स्तर को कम करने के लिए योगदान कर सकते हैं, और एक परिणाम के रूप में12 विश्वविद्यालयों में dropout दर , 13, जबकि अकादमिक प्रदर्शन में सुधार ।
एक महत्वपूर्ण पहलू पर विचार करने के लिए पहनने योग्य और smartphone के बीच ब्लूटूथ लिंक है । दोनों डिवाइसों के बीच यह वायरलेस कनेक्शन परीक्षण के दौरान टूट सकता है, इसलिए डैशबोर्ड में एकत्र किए गए डेटा के विज़ुअलाइज़ेशन के माध्यम से उस पर विशेष ध्यान देना आवश्यक है. हालांकि वसूली स्वचालित रूप से समय की एक छोटी अवधि के बाद किया जाता है (यानी, एक अंतराल 1 से लेकर 10 मिनट), इस रुकावट के नमूनों की हानि का कारण हो सकता है कि अंतराल । खो जानकारी की मात्रा को कम करने के लिए, यह मैन्युअल रूप से स्मार्टफ़ोन डिवाइस रीसेट करने के लिए सुविधाजनक हो सकता है । दूसरे पहलू पर विचार किया जाना प्रारंभिक त्वचा तापमान संवेदक मूल्य है, क्योंकि यह त्वचा की स्थिरता की उपलब्धि है, जो 10 मिनट तक देरी हो सकती है प्रभावित हो सकता है ।
इस शोध में प्रस्तावित प्रोटोकॉल का मुख्य लाभ छात्रों के एक बड़े समूह के लिए अपनी प्रयोज्यता हैं, स्वचालित मोबाइल apps का उपयोग समर्थन के लिए इसकी न्यूनतम जरूरत है, प्रयोग में शामिल उपकरणों की तैयारी में अपनी सादगी और इसके कम intrusiveness कक्षा चरण से बाहर ले जा रहा है । यह प्रोटोकॉल ऐसे कक्षाओं या विश्वविद्यालय प्रयोगशालाओं के रूप में नियंत्रित वातावरण में लागू एक तेज और सरल विधि प्रदान करता है । इसके अलावा, भाग लेने के छात्रों की तकनीकी क्षमता एक मुद्दा नहीं हैं, के रूप में प्रोटोकॉल सीधा तकनीकी एक औसत विश्वविद्यालय के छात्र द्वारा समझ में अपने अकादमिक क्षेत्र के स्वतंत्र रूप से अवधारणाओं पर आधारित है । के रूप में साहित्य31में कहा गया है, प्रयोगात्मक विज्ञान में reproducibility लागू प्रोटोकॉल और तत्संबंधी परिणाम का एक गहन और स्पष्ट वर्णन की आवश्यकता है । इस पत्र में चर्चा की प्रोटोकॉल सरल, सीधा कदम है, जो प्रयोगों के प्रजनन की सुविधा पर चर्चा की और उनके विस्तार३२के अनुसार एक मॉड्यूलर तरीके से डिजाइन किया गया है । सबसे अधिक प्रासंगिक डिजाइन पहलुओं reproducibility को सुविधाजनक बनाने के अलावा, हम स्वसंपूर्ण मोबाइल apps के माध्यम से प्रयोगशाला चरण और अपने स्वचालित कार्यांवयन की संक्षिप्तता नाम कर सकते हैं । इसके अतिरिक्त, कक्षा चरण अकादमिक गतिविधियों से परे छात्रों के साथ किसी भी बातचीत की आवश्यकता नहीं है । अधिकांश छात्रों ने इस प्रक्रिया की सादगी को बताया, और प्रयोगों में उनकी भागीदारी के संबंध में कोई शिकायत नहीं की गई । योग करने के लिए, एकत्र सबूत अब तक इंगित करता है कि इस प्रोटोकॉल एक व्यापक प्रोफ़ाइल के साथ विषयों के लिए लागू किया जा सकता है और शिक्षा के लिए अलग क्षेत्रों में, जैसे स्वास्थ्य सुविधाओं या काम कर जगह । इसके अलावा, इस प्रोटोकॉल के साथ कई समाधान सीखने की मशीन है जो सबसे अच्छा एल्गोरिदम का परीक्षण करने के लिए प्रयोग की आवश्यकताओं के आधार पर लागू करने के लिए और पहनने योग्य डिवाइस चयनित पर अध्ययन करने की संभावना प्रदान करता है । अनुप्रयोगों के उपयोग के लिए तनाव पैदा करने के लिए और एक डैशबोर्ड प्रदान करने के लिए प्रदर्शन और टैग नमूने एक प्रयोगशाला सत्र में कस्टम तनाव मॉडल के प्रशिक्षण की सुविधा ।
प्रस्तावित समाधान की मुख्य सीमाएं विषयों की परिवर्तनशीलता और शैक्षणिक गतिविधियों के reproducibility पर संबंधित हैं । बिल्कुल एक ही स्थिति और व्याख्यान सत्र में जगह ले स्थितियों को पुनः बनाना व्यावहारिक रूप से असंभव है । दूसरी ओर, प्रत्येक छात्र द्वारा अनुभव तनाव बहुत निजी है, के रूप में सामांय में वहां एक ही उत्तेजनाओं के लिए अलग प्रतिक्रिया कर रहे हैं । इसके अलावा, हार्डवेयर से संबंधित मुद्दों को स्वयं पहनने योग्य उपकरणों से संबंधित हैं, जैसे कि विभिंन पहुंच विधियों, विभिंन सेंसरों, वास्तविक समय में शारीरिक संकेतों के लिए उपयोग, या बैटरी जीवन । इन तकनीकी आवश्यकताओं उपकरणों की एक सीमित श्रेणी के लिए पात्र पहनने योग्य प्रतिबंधित । हमारे मामले में, योग्य उपकरणों उन स्मार्ट ब्लूटूथ क्षमताओं और एक प्रमुख तो smartphone उपकरणों के साथ संगत एसडीके के साथ स्मार्ट बैंड के साथ संगत शामिल हैं । संगत उपकरणों की संख्या में अगले वर्षों के साथ वृद्धि की उंमीद है ।
प्रस्तावित प्रोटोकॉल के लिए एक साधन के रूप में सेवा के अंत में वर्तमान में प्रबंधन प्रणालियों या छात्र सूचना प्रणाली सीखने में इस्तेमाल किया उन से अमीर छात्र मॉडल को परिभाषित करने का इरादा है । उदाहरण के लिए, नई जानकारी पहनने योग्य डिवाइस के साथ पर कब्जा कर लिया चर्चा की थकान या तनाव के रूप में प्रदर्शन को प्रभावित करने वाली स्थितियों का जल्दी पता लगाने के लिए लागू किया जा सकता है, और छात्रों के मार्गदर्शन के लिए इन स्थितियों पर काबू पाने के लिए । इस प्रोटोकॉल के लिए एक विकल्प पहनने योग्य भी कक्षा के बाहर पहना उपकरणों के क्रम में समय की एक लंबी अवधि में शारीरिक संकेतों में बदलाव का पता लगाने के आधार पर हो सकता है । इस दृष्टिकोण में कई चुनौतियां शामिल हैं, जैसे एक लगातार बदलते परिवेश के तापमान, या अध्ययन के अधीन विषय हमेशा अपने स्मार्टफोन के करीब होने के लिए डेटा हानि को रोकने के लिए मजबूर किया जा रहा है । अंत में, इस प्रोटोकॉल भी अंय पाठ्यक्रमों और शैक्षिक स्तर है, जो कैसे तनाव विभिंन कौशल या अध्ययन के क्षेत्रों के साथ छात्रों के लिए अकादमिक प्रदर्शन को प्रभावित पर अतिरिक्त सबूत के कब्जा की सुविधा होगी के लिए लागू किया जा सकता है ।
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
लेखकों का खुलासा करने के लिए कुछ नहीं है ।
Acknowledgments
यह काम PALLAS (TIN2016-80515-R आईइ/EFRD, EU) प्रोजेक्ट के अंतर्गत स्पैनिश स्टेट रिसर्च एजेंसी और यूरोपियन रीजनल डेवलपमेंट फंड (ERDF) द्वारा समर्थित है ।
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).
