Summary
Viene proposto un protocollo per valutare soluzioni basate su wearables polso di commercial-off-the-shelf (COTS) per stimare lo stress negli studenti. Il protocollo viene effettuato in due fasi, una prova di induzione di stress iniziale basata su laboratorio e una fase di monitoraggio che si svolgono in aula mentre l'allievo sta eseguendo attività accademiche.
Abstract
Wearable commercial-off-the-shelf (COTS) dispositivi sono diventati popolari durante gli ultimi anni di monitorare le attività di sport, soprattutto tra i giovani. Questi dispositivi includono sensori per raccogliere dati su segnali fisiologici come la frequenza cardiaca, la temperatura della pelle o risposta galvanica cutanea. Applicando tecniche analitica dei dati a questi tipi di segnali, è possibile ottenere stime di livello superiore aspetti del comportamento umano. Nella letteratura, ci sono diverse opere che descrivono l'utilizzo dei dati fisiologici raccolti tramite dispositivi clinici per ottenere informazioni sui modelli di sonno o di stress. Tuttavia, è ancora una questione aperta se dati acquisiti utilizzando wearables polso culle sono sufficienti a caratterizzare lo stato psicologico dei discenti in contesti educativi. Questa carta discute un protocollo per valutare lo stress stima dai dati ottenuti utilizzando wearables polso culle. Il protocollo viene effettuato in due fasi. Il primo stadio è costituito da un esperimento di laboratorio controllate, dove un app mobile viene utilizzato per indurre livelli differenti di sforzo in un allievo per mezzo di un video rilassante, un colore di Stroop e test Word, una prova di ritmo uditiva inoltre seriale e un test di iperventilazione. La seconda fase avviene in aula, dove lo stress è analizzato durante l'esecuzione di diverse attività accademiche, vale a dire partecipando alle lezioni teoriche, facendo esercizi e altre attività individuali e prendere gli esami e test di breve durata. In entrambi i casi, sia i dati quantitativi ottenuti da wearables polso culle e dati qualitativi raccolti mediante questionari sono considerati. Questo protocollo coinvolge un metodo semplice e coerenza con un app di induzione di stress e questionari, che richiedono una partecipazione limitata di personale di supporto it.
Introduction
Stato-of-the-art tecnologie indossabili sono ampiamente disponibili, e loro ambienti di applicazione sono in continua espansione. Possiamo trovare sul mercato molti dispositivi diversi, tra cui lettini da polso wearables1, come orologi intelligenti e smart band, sono popolare tra gli atleti come una forma fisica personale monitoraggio strumento2. Mediante l'applicazione di tecniche analitiche di dati, i dati ottenuti utilizzando questi dispositivi possono essere elaborati per fornire indicatori come stato fisico generale, dormire fattore di qualità o di recupero. L'applicabilità dimostrata in quest'area ha sollevato interesse nella comunità accademica sulle loro possibili applicazioni in altri campi, soprattutto in salute dominio3,4, anche se limitano i severi requisiti delle sperimentazioni cliniche loro introduzione. Tuttavia, in un meno impegnativo contesto come l'istruzione, possiamo trovare nelle indagini recenti letteratura che coinvolge l'uso di diversi tipi di dispositivi indossabili, sia legate all'insegnamento di attività5,6 e per la stima della alcune caratteristiche dello studente come sonno modelli7, o l'analisi dell'impegno degli studenti in diverse attività educative8.
Nel nostro caso, ci concentriamo sull'analisi di dispositivi indossabili di culle da polso come mezzo per raccogliere segnali fisiologici che alla fine avrebbero facilitato stima lo stress, che a sua volta è un aspetto fondamentale nei contesti educativi. Lo stress ha un'influenza rilevante nello sviluppo delle attività accademiche e le prestazioni complessive degli studenti. Ad esempio, i livelli di stress sono direttamente correlati all'insorgenza della sindrome del burnout in studenti9,10,11, e alti livelli di stress sono particolarmente rilevanti durante l'anno da matricola, dove tassi di abbandono tra il 20% e 30%12,13 sono comuni. Rilevamento e il controllo di indicatori di stress potrebbe migliorare notevolmente le prestazioni accademiche.
L'uso di dispositivi indossabili di culle da polso è giustificato perché hanno sensori che forniscono informazioni su segnali fisiologici che sono stati ampiamente utilizzati dalla comunità scientifica in rilevamento e la valutazione dello stress. Alcuni dei segnali di cui nella letteratura utilizzata per questo scopo includere la frequenza cardiaca (HR)14, frequenza cardiaca varaibility15, pelle temperatura (ST)16, respirazione14e risposta galvanica cutanea (GSR)17. Questi segnali possono essere raccolti da wearables polso lettini per bambini. Tuttavia, non offrono le stesse prestazioni cliniche dispositivi. Esistono differenze relative all'accuratezza dei sensori tra dispositivi18,19,20,21. Tuttavia, precedente opere18,19,20,21 hanno dimostrato che, in uno scenario in lento movimento, sensori indossabili di culle da polso hanno modelli di errore simili a dispositivi specializzati.
Lo scopo di questa carta è di introdurre un protocollo per la valutazione di diverse soluzioni per la stima di stress negli studenti utilizzando wearables polso lettini per bambini. Ci sono molte disposizioni che possono essere proposti per stimare i livelli di stress, che comportano l'uso di differenti da polso indossabile dispositivi e dati analitica tecniche e più specificamente gli algoritmi di apprendimento di macchina. Wearables polso culle sono caratterizzati dalla loro alta frammentazione, eterogeneità e interoperabilità problemi22. Tre aziende hanno una quota di mercato aggregata di quasi 50%23, ma condivide molti altri account di aziende per mercato individuo molto più piccolo, con una quota aggregata superiore al 50%. D'altra parte, in termini di eterogeneità, non tutti i capi d'abbigliamento hanno lo stesso numero e tipo di sensori, con accelerometri e sensori di h è il più comune, e della ST e di GSR solo essere presenti nel 5% dei dispositivi studiati. Per quanto riguarda l'interoperabilità, ci sono diversi approcci raccolta dati e sistemi operativi che non sono compatibili con a vicenda. Per quanto riguarda la macchina di apprendimento di tecniche che possono essere applicati per valutare lo stress dai dati raccolti per mezzo di un dispositivo da polso, ci sono molte opzioni disponibili24, compresi alberi di decisione, reti neurali, più vicina vicino approcci, Naïve Bayes classificatori, ecc. per riassumere, c'è una grande varietà di soluzioni che possono essere sviluppati per la stima di stress, quindi è strumentale per la progettazione di un protocollo di valutazione per facilitare il confronto tra diverse opzioni provvisori per poi selezionare la il più adatto in un dato contesto.
Per l'attuazione del protocollo, diversi strumenti sono necessari (Figura 1). In primo luogo, è necessario un dispositivo indossabile al polso di culle per recuperare i dati fisiologici. Questo dispositivo indossabile dovrebbe avere almeno HR capacità, ma ulteriori sensori di monitoraggio sono desiderabili (ad es., sensori di accelerometro, ST, GSR). In secondo luogo, uno smartphone in esecuzione l'app PhysiologicalSignal è necessaria per raccogliere i dati acquisiti dal dispositivo indossabile. In terzo luogo, un tablet che eseguono l'app StressTest è necessario per eseguire gli esercizi di induzione di stress (lo smartphone potrebbe essere utilizzato invece il tablet per questo scopo). In quarto luogo, alcuni questionari per raccogliere dati qualitativi sulla percezione degli studenti sullo stress. Quinto, un server con un Web servizio25 per eseguire la raccolta dati e pre-elaborazione e un dashboard Web per mostrare l'evoluzione dei segnali. E infine, un dati analitica pacchetto26 per elaborare i dati raccolti sugli studenti utilizzando tecniche di machine learning.
Il protocollo di valutazione è organizzato in due fasi. Quello primo, la fase di laboratorio, avviene in una camera confortevole, dove i livelli differenti di sforzo (cioè, "relax", "sforzo concentrato" e "stress") sono indotti a un oggetto di destinazione (uno studente) attraverso varie attività comuni e stressanti. La seconda parte si svolge in aula, e coinvolge lo studente di monitoraggio durante la realizzazione di diverse attività accademiche: spiegazioni teoriche, attività individuali, test di breve durata, esami, ecc. , durante l'attuazione del Questo protocollo, fisiologico del soggetto segnali vengono catturati per mezzo di un dispositivo da polso. Infine, questi segnali vengono elaborati dalla macchina di apprendimento di algoritmi per fornire stime sul livello di stress.
Durante la fase di laboratorio, l'app di StressTest viene utilizzato per indurre i livelli differenti di sforzo. Questa applicazione Guida il soggetto per il completamento di quattro diversi compiti. Il primo compito è quello di creare una linea di base per l'analisi della sollecitazione. In questa attività lo studente Visualizza un video di 4 minuti rilassante in cui sono mostrati diversi scatti di un tramonto su un ponte. La seconda attività è un adattamento di Stroop colore e parola Test27 (SCWT). Ogni due secondi, il soggetto deve scegliere il colore in cui il nome di un colore è dipinto (rosso, verde, arancione, blu e viola). Diversi pulsanti situati nella parte inferiore della schermata contenente la lettera iniziale di ogni colore sono disponibili per il soggetto di scegliere il colore dipinto in ogni momento. Ad esempio, il pulsante che fa riferimento al blu raffigura la lettera B. Nel nostro caso, questo test è diviso in tre diversi livelli di difficoltà. Per il primo livello (SCWT1), "le parole colorate di colori" apparirà nello stesso ordine come i pulsanti, quindi colore e nome corrispondono direttamente. Questo livello è presa come linea di base, come non comporta alcuna difficoltà e il soggetto deve solo premere i pulsanti correttamente, sempre nello stesso ordine. Per il secondo livello (SCWT2), "le parole colorate di colori" appaiono in modo casuale, ma viene mantenuta la corrispondenza tra nome e colore. Ogni volta che il soggetto non riesce un segnale acustico viene emesso, e se vengono apportati due errori, il Punteggio di colore corretto verrà reimpostato. Per il livello ultimo, più difficile (SCWT3), nome e colore non corrispondono. In questo modo questo livello è destinato a essere più complessa e stressante per il soggetto. La terza attività consiste il ritmo uditiva aggiunta seriale test (PASAT)28, che misura come lo studente sperimenta una prova di concentrazione. Durante questa operazione, una sequenza di numeri consecutivi è giocata ad alta voce, e lo studente deve aggiungere gli ultimi due numeri e scrivere il risultato in dotazione scatola sullo schermo prima di ascoltare il prossimo numero. In questa attività, se il soggetto fa un errore, un evento sconvolgente si verifica per generare stress (due numeri suono allo stesso tempo o un lungo periodo di silenzio nel mantenuto). In questo caso, se tre errori sono commessi, l'account di sum verrà reimpostata. Il quarto compito consiste in un'attività di iperventilazione per indurre la stessa variazione nei segnali fisiologici che provocherebbe una situazione stressante17. Alla fine di ogni attività e ogni livello, il soggetto deve indicare il livello di sforzo percepito, utilizzando l'applicazione stessa, secondo una scala di Likert 5-valore.
Durante la fase d'aula, gli studenti svolgono loro ordinaria attività accademiche insieme con il resto dei loro compagni di classe. Il protocollo si concentra sui livelli di stress che si verificano durante le attività di aula-specifici. Alla fine della lezione, un breve questionario (allegato 1) è completato dallo studente per indicare il livello di stress nelle diverse attività secondo una scala di 5-valore percepito.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Tutti i metodi descritti di seguito sono stati approvati dal governo regionale del Comitato della Galizia per etica della ricerca di Vigo-Pontevedra-Ourense (codice reg. 2017/336). Il protocollo è stato implementato per studenti del primo anno presso la scuola di ingegneria delle telecomunicazioni - Università di Vigo, in una sala confortevole laboratorio sia in diverse conferenze e sessioni di pratica di un corso di laurea triennale in architetture.
1. preparare i dispositivi
- Collegare il dispositivo smartphone e tablet per una connessione internet stabile.
- Attivare comunicazioni Bluetooth nello smartphone.
- Nello smartphone, Cerca il corrispondente ufficiale app Store l'applicazione indossabile al polso. Scaricarlo e installarlo.
- Nello smartphone, Cerca l'app PhysiologicalSignals acquisire segnali fisiologici. Scaricarlo e installarlo.
Nota: Attualmente, l'applicazione è una versione beta e l'accesso può essere fornito su richiesta. - Nel tablet, cercare l'app StressTest essere utilizzato negli esperimenti di laboratorio di ricerca. Scaricarlo e installarlo.
Nota: Attualmente, l'applicazione è una versione beta e l'accesso può essere fornito su richiesta. - Accendere il dispositivo indossabile al polso di culle e posizionare l'indossabile.
- Nello smartphone, aprire l'applicazione di indossabile al polso culle ufficiale.
Nota: L'app procederà a sincronizzare il dispositivo indossabile con lo smartphone. In alcuni dispositivi, è necessario un indirizzo di posta elettronica. - Nello smartphone, Apri l'app PhysiologicalSignals.
- In caso di notifica di una richiesta di accesso del sensore, accettarlo.
- Controllare il dispositivo. Attendere che l'app PhysiologicalSignals visualizzare la parola Weared in verde.
Nota: Questo indica che è stato rilevato il dispositivo indossabile e pertanto la trasmissione di informazioni provenienti dai sensori allo smartphone è attivata. Se questo messaggio non viene visualizzato, ripetere dal passo 1.6.
2. la fase di laboratorio
- Preparare l'ambiente di laboratorio. Scegliete una camera confortevole e non disturbare senza rumori e con una temperatura confortevole (tra 22 ° C e 26 ° C).
- Accendere il dispositivo indossabile al polso, posizionarlo intorno al polso non dominante subject´s e posizionare la cuffia sulla testa dello studente. Montare l'indossabile strettamente ma comodamente intorno al polso.
- Collegare lo smartphone e il tablet a una connessione internet stabile e verificare che la connessione Bluetooth è attiva.
- Nello smartphone, avviare l'app PhysiologicalSignals.
- Attendere che l'applicazione visualizzare la parola Weared in verde.
- Selezionare l'opzione Cambia utente nel menu di configurazione sinistra e fornire l'ID dell'oggetto che completeranno i test e fare clic su Salva.
- In un computer portatile, accedere al dashboard e immettere l'ID e la password dell'amministratore di prova.
Nota: Attualmente, per privati e problemi di sicurezza, accesso alla dashboard disponibile solo su richiesta.- Selezionare l'ID di oggetto e scheda di stress del soggetto.
- Controllare l'evoluzione di segnali fisiologici e attendere che il dispositivo indossabile raggiungere stabilità termica prima di iniziare l'esperimento.
Nota: La stabilità termica è identificata come un altopiano nel grafico.
- Nel tablet, avviare l'applicazione di StressTest.
- Spiegare al soggetto le attività di quattro laboratorio. Visualizza alcune delle schermate e delle azioni da eseguire durante ciascuno dei compiti.
Nota: Questo è molto importante, perché il soggetto dovrebbe sentirsi stressato o rilassato in base alle attività svolte e non paura o preoccupazione per quello che sta per accadere. - Dire lo studente non per riposare le braccia sul tavolo e di usare la mano in cui si trova il dispositivo indossabile per eseguire le attività.
- Immettere l'ID utente stesso come descritto al punto 2.4.2 e fare clic sulla freccia.
- Spiegare al soggetto le attività di quattro laboratorio. Visualizza alcune delle schermate e delle azioni da eseguire durante ciascuno dei compiti.
- Avviare l'attività di video e dare il controllo completo dello studente.
- Osservare che il compito è svolto senza incidenti.
- Quando l'attività è completata, controllare che il soggetto fornisce lo stress percepito.
- Avviare l'attività di Stroop Color (SCWT) consecutivamente per i livelli 1, 2 e 3.
- Per ogni livello, osservare che la sottoattività è svolto senza incidenti.
- Al termine di ciascuna sottoattività, verifica che il soggetto fornisce lo stress percepito.
- Solo per il livello 3 e solo nel caso in cui il soggetto non si risolve dopo 4 minuti, terminare l'operazione premendo sulla freccia situata nella parte superiore dello schermo.
- Avviare il test, inoltre seriale uditivo stimolato (PASAT).
- Osservare che il compito è svolto senza incidenti.
- Nel caso in cui il soggetto non risolve il test PASAT dopo 4 minuti, terminare l'operazione premendo sulla freccia situata nella parte superiore dello schermo.
- Quando l'attività è completata, controllare che il soggetto fornisce lo stress percepito.
- Avviare il test di iperventilazione.
- Osservare l'evoluzione di HR tramite il dashboard. Se segnali fisiologici non cambiano significativamente, chiedere al soggetto di aumentare gradualmente i tassi di inspirazione e l'espirazione.
- Nel caso in cui il soggetto si sente vertigini o arresto scomodo questo compito. In ogni caso, è possibile completare l'operazione dopo quattro minuti.
- Quando l'attività è completata, controllare che il soggetto fornisce lo stress percepito.
3. la fase d'aula
- Accendere il dispositivo indossabile al polso e posizionare l'indossabile al polso di subject´s non-dominante. Montare l'indossabile strettamente ma comodamente intorno al polso.
- Collegare lo smartphone a una connessione internet stabile e verificare che la connessione Bluetooth è attiva.
- Nello smartphone, avviare l'app PhysiologicalSignals.
- Attendere che l'applicazione visualizzare la parola Weared in verde.
- Nel menu di configurazione selezionare l'opzione Cambia utente , fornire l'ID dell'oggetto che completeranno i test e fare clic su Salva.
- In un computer portatile, accedere al dashboard e immettere l'ID e la password dell'amministratore di prova.
- Selezionare l'ID di oggetto e scheda di stress del soggetto.
- Controllare l'evoluzione dei segnali fisiologici.
- Prendere le annotazioni su qualsiasi evento rilevante che accade in aula in relazione l'interazione studente-insegnante.
Nota: Informazioni rilevanti e gli eventi base verranno essere utilizzati per etichettare i campioni fisiologici in seguito. Esempi di eventi sono una domanda dall'insegnante allo studente, o una spiegazione teorica viene avviata. - Alla fine della lezione, è necessario chiedere al soggetto di completare il questionario sul loro livello di stress in momenti specifici durante la sessione, secondo una scala di 5 livelli.
4. analisi dei dati
- In un computer portatile, accedere al dashboard e immettere l'ID e la password dell'amministratore di prova.
- Selezionare l'ID di oggetto e scheda di stress del soggetto.
- Selezionare il giorno di un esperimento di classe.
- Etichettare i campioni del soggetto individuando attività e livelli di stress percepito.
- Identificare le attività di conferenza-stanza e la loro durata secondo i tempi di partenza e di arrivo e i relativi tipi.
- Per ogni attività, selezionare un livello di sforzo percepito.
- Per ogni soggetto e ogni sessione, scaricare il file con i campioni contrassegnati.
Nota: Viene creato un file di valori separati da virgola (CSV) per ogni studente, ogni riga che riflette i valori dei segnali fisiologici con loro deviazione standard, pendenza e diff, il tipo di attività, lo stress basato sulle attività (cioè, lo stress associato per impostazione predefinita per l'attività) e l'oggetto percepito lo sforzo. - Avviare il pacchetto di analitica dei dati.
- Scegliere un set di classificatori (ad es., SVM, C4.5, k-NN, Random Forest, Naïve Bayes e Zero R) e importare il file CSV per tutti gli studenti per ogni sessione.
- Treno e valutare classificatori usando la tecnica di cross-validazione 10 volte.
Nota: A seconda dell'analisi, tipo di attività, activity based stress o stress percepito, deve essere selezionato come variabile dipendente per l'analisi. - Infine, controllare i risultati per i tassi di errore e di precisione.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Il protocollo descritto è stato messo in pratica in un corso di architetture di calcolatore nel primo anno della laurea in Ingegneria delle telecomunicazioni presso l'Università di Vigo. Questo corso ha più di 200 studenti iscritti che sono organizzati in 10 gruppi di lavoro. Per eseguire questo esperimento, gli studenti di quattro dei gruppi sono stati invitati a iscriversi all'inizio dell'anno accademico. Il progetto ha suscitato notevole interesse tra gli studenti, e circa 30 studenti si offrì di partecipare allo studio. Da loro, 12 studenti sono stati scelti a caso per la partecipazione.
Il dispositivo indossabile da polso di culle selezionato per i nostri esperimenti ha sensori HR, ST, GSR e accelerometro. La scelta di questo indossabile era basata sulla sua varietà di sensori e la fornitura di dati in tempo reale di alimentazione. Condizioni tecniche in quale sensore dati raccolti sono stati anche presi in considerazione. Acquisizione dei dati viene eseguita a determinate frequenze, generalmente imposte dall'operazione dei sensori, ma anche grazie alle caratteristiche di risparmio energetico del dispositivo. Nel caso il dispositivo selezionato, HR è stata campionata ogni secondo (1 Hz). L'accelerometro offerto 62, 31 Hz e 8 Hz come le frequenze di campionamento, da cui 8 Hz è stato selezionato perché offre abbastanza granularità per l'acquisizione di movimento con fabbisogno energetico ragionevole rispetto ad altre frequenze. GSR si possono campionare a 0,2 o 5 Hz. In questo caso, abbiamo optato per raccogliere dati di GSR una volta ogni 5 secondi. Per quanto riguarda l'accelerometro, questa frequenza fornito abbastanza granularità, mantenendo al minimo le esigenze energetiche. Infine, la ST è campionata alla stessa frequenza come HR (cioè, 1 Hz). I dati raccolti dal dispositivo viene trasferiti all'app PhysiologicalSignals nello smartphone ogni secondo, tra cui il campione di HR e ST, il valore di massima accelerazione e l'ultimo valore per GSR raccolti. Per ridurre il rumore di HR, il server applica i dati ricevuti un filtro FIR comunemente utilizzati in applicazioni Real-Time29 e nel filtraggio del ECG segnali30, utilizzando una finestra di 15-campione.
Informazioni raccolte durante il laboratorio e sessioni in Aula viene memorizzato nel database server ´ s. Queste informazioni devono essere scaricate per essere elaborati utilizzando un pacchetto di dati analitica. Il set di dati generati file contiene crudi segnali dati e variabili derivate da quei segnali. Più specificamente, per ogni segnale fisiologico grezzo (HR, ST, GSR e accelerometro), la deviazione standard (st), pendenza (sl) e la differenza tra il valore attuale e il valore estremo negli ultimi 30 secondi sono registrati.
La fase di laboratorio del protocollo è stata effettuata in una camera confortevole del Dipartimento Ingegneria Telematica che ha le condizioni adeguate per l'esperimento. Figura 2 descrive l'evoluzione delle risorse umane, GSR e ST valori raccolti durante una di queste sessioni per un allievo effettivo. Come si può vedere nella figura, si verificano variazioni significative nei segnali fisiologici come lo studente esegue ciascuna delle operazioni (video, STC1, STC2, STC3, PASAT e iperventilazione) incluse nell'esperimento. Un valore relativamente elevato di HR iniziale può essere osservato, molto probabilmente a causa dello stress indotto quando di fronte a questo compito per la prima volta durante la fase di monitoraggio. La rapida crescita della ST durante il test di iperventilazione è anche degno di nota.
Inoltre osservato durante gli esperimenti di laboratorio, sono state le notevoli variazioni nei segnali fisiologici in specifici momenti sperimentali, non importa che questi periodi non erano sempre percepite come stressante dello studente di destinazione. Questo è dovuto al fatto che percepisce lo stress è una variabile soggettiva, e gli studenti partecipanti non pienamente d'accordo in un comune concetto di stress. Durante la fase di laboratorio, esso era destinato a generare brevi periodi di forte stress. Questi brevi periodi di stress a volte sono stati definiti come frustrazione, ma non come lo stress, che conduce gli studenti partecipanti a rispondere in modo diverso a quello che loro segnali fisiologici espressi. Questo effetto possa essere visualizzato nei grafici di Figura 3. Ad esempio, nell'intervallo tra 12:15 e 12:20 (completamento dell'ultimo test di Stroop colore e parola Test) le forti variazioni di GSR sono un chiaro sintomo di stress potenziale. Questi forti variazioni sono anche presenti tra 12:25 e la fine del test (test di iperventilazione), ma in entrambe le occasioni, l'utente ha affermato di sentire un livello di stress altrettanto basso.
La situazione in precedenza sottolinea il carattere soggettivo della valutazione dello stress in un breve periodo di tempo. Di conseguenza, i candidati per le variabili dipendenti in insiemi di dati (cioè, tipo di attività, activity based stress o lo stress percepito dal soggetto) abbiamo optato per lo stress basata sulle attività. Questa variabile definisce i livelli di stress in base al livello di difficoltà del compito affrontato e non sulle risposte fornite dagli studenti sui loro livelli di sforzo percepito alla fine di ogni attività. In questo modo, guardare video vorrei essere etichettato come "rilassarsi", mentre SCWT3 e PASAT sarebbe essere etichettati come "concentrazione" e il test di iperventilazione come "stress". Si noti che i campioni da SCWT1 e SCWT2 sono stati scartati nel nostro caso perché in una precedente ricerca pilota è stato osservato che, in media, SCWT1 e SCWT2 sono attività che mostrano una transizione tra una sensazione rilassata (raggiunta durante la visualizzazione dei video) e stressante uno. Per queste ragioni, abbiamo scartato dalla nostra analisi i segnali da queste 2 attività e abbiamo incluso solo quelli provenienti da attività di visualizzazione video, SCWT3, PASAT e iperventilazione. Le risorse umane, ST e GSR variazioni tra questi stati (relax, concentrazione, sforzo) sono riassunti nella Figura 4. Questa figura illustra i quartili di segnale fisiologico per i livelli di tre stress a 12 studenti coinvolti nell'esperimento. In generale, i segnali di HR e GSR aumentano gradualmente come lo studente affronta compiti di difficoltà crescente. Inoltre, in tutti i casi il livello di temperatura è interessato. Tuttavia, in alcuni casi aumenta per eventi rilassati e diminuisce in situazioni di stress, mentre in altri casi si verifica solo l'opposto a seconda della persona.
Al fine di analizzare la correlazione osservata visivamente nella variazione dei segnali fisiologici, sono state applicate tecniche di machine learning sopra file CSV elaborati. Per evitare variazioni transitori iniziale per ogni attività e ogni livello, sono considerati solo gli ultimi 3 minuti di ogni attività al fine di evitare i campioni non rappresentativi. In particolare, diversi algoritmi di classificazione, in particolare per SVM, C4.5, k-NN, Random Forest, NaiveBayes e zero, sono stati addestrati per individuare situazioni di stress dai segnali fisiologici raccolti. I classificatori addestrati è diventato ad alta precisione, tassi di errore assoluto medio basso e rilevatori di livello di stress di alta Cohen Kappa indice, come indicato nella tabella 1. Per tutti i 12 soggetti e algoritmi (tranne zero), la precisione del rilevamento di stress in oltre il 90%, il valore di errore assoluto medio è vicino a 0 e indice kappa di Cohen è vicino a 1.
La fase d'aula definita nel protocollo ha avuto luogo durante le sessioni di corso reale nelle aule della scuola di ingegneria delle telecomunicazioni. Diverse attività accademiche sono stati considerati per questo studio: lezioni teoriche; domande poste arbitrariamente dall'insegnante agli studenti su qualche aspetto del corso; dubbi o domande posate all'insegnante dagli studenti; test di breve durata; regolari esami/finale consistente raccolta di problemi da risolvere da parte dello studente nel 50-70 minuti.
La visualizzazione dell'evoluzione dei segnali fisiologici in questo caso dimostra che le variazioni sono più sottili, vale a dire le differenze nei valori di segnale per le varie attività sono inferiori durante la fase di laboratorio. Le variazioni più rilevanti sono state osservate durante le sessioni in aula in cui una lezione normale si verifica al termine di un quiz. In questo caso, uno o più dei segnali fisiologici soffrire differenze significative, come illustrato nella Figura 5. Questa figura raffigura i segnali acquisiti per uno studente di fronte a un breve test (prima parte dei grafici). Durante il test, la variabile più rilevante sarebbe HR. Si può osservare che lo studente ha una frequenza cardiaca superiore rispetto al tempo di lezione teorica. Allo stesso modo, la temperatura della pelle è mantenuta relativamente bassa se paragonato al tempo di lezione teorica, quando genera intorno a 1 gradi.
Per analizzare questo in modo numerico, la correlazione tra le variazioni nei segnali e le attività affrontate dagli studenti, tecniche di machine learning sono state applicate Analogamente alla fase di laboratorio. I risultati per le sessioni di conferenza e quiz pop combinate mostrano una precisione media classificazione del 97.62% (± 3,82) utilizzando C4.5. Si noti che, per l'analisi di queste sessioni, la temperatura della pelle è stato scartato a causa di possibili distorsioni nel risultato finale. Durante il periodo di transizione tra il primo quiz e gli studenti di lezione seguente lasciare l'aula per circa 20 minuti, con valori di temperatura colpisce drammaticamente.
Una completa analisi formale delle sessioni di aula raccolti è ancora in corso. Si tratta di un processo complesso dove sono affrontate diverse situazioni difficili. Prime, brusche variazioni di breve durata nei segnali fisiologici sono osservate frequentemente con nessun evento di generazione di stress associato. Nella maggior parte dei casi, questi periodi durano meno di un minuto senza nulla di significativo in fase di registrazione da parte del ricercatore. Un'altra incidenza osservata è l'instabilità dei valori di GSR quando il portabile non è ben regolato o se si verificano movimenti improvvisi. Entrambe le situazioni provocare un valori molto bassi di GSR, vicino a 0 µS. In modo simile, anche se molto meno usuale, ci sono valori non corretti di ST, vicina alla temperatura ambiente, quando l'indossabile è troppo grande per il polso dell'utente e pertanto senza bloccare è indossato. Per eliminare gli errori di analisi derivati da queste situazioni, le variabili interessate vengono scartate. Si noti che tutti i segnali monitorati possono essere candidati per rilevare situazioni di stress e classificatori diversi possono essere addestrati utilizzando diverse combinazioni di segnali, ma valori anomali avrebbero compromesso la classificazione non importa il classificatore selezionato.
Figura 1 . Strumenti utilizzati nel protocollo proposto. Questa cifra rappresenta tutti gli elementi coinvolti nel protocollo e le loro interazioni. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 2 . Sottolineare la variazione in una sessione di laboratorio. Questa figura mostra le diverse parti in cui è diviso il protocollo di laboratorio. Ogni parte presenta una variazione evidente nei segnali fisiologici. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 3 . Lo stress di variazione percepita per uno studente in una sessione di laboratorio. Questa figura mostra le discrepanze tra le forti variazioni dei segnali fisiologici di uno studente durante una sessione di laboratorio e la loro risposta al quiz lo stress. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 4 . Percentili di segnale fisiologico per 12 studenti che partecipano a una sessione di laboratorio. Questa cifra rappresenta un percentile riepilogo per ogni soggetto. Le variazioni di segnale fisiologico forte tra ogni situazione di stress possono essere visualizzate. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 5 . HR, ST e GSR variazioni durante attività in aula. Fisiologica segnali variazione durante un breve test (a sinistra). Variazione di segnali fisiologici durante una lezione teorica frontale (a destra). Clicca qui per visualizzare una versione più grande di questa figura.
| SVM | C45 | KNN | RandomForest | NaiveBayes | Zero | |||||||||||||
| StudentID | Precisione | Errore | Kappa | Precisione | Errore | Kappa | Precisione | Errore | Kappa | Precisione | Errore | Kappa | Precisione | Errore | Kappa | Precisione | Errore | 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 |
| Media | 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 |
| Deviazione standard | 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 |
Tabella 1 . Precisione, significa errore assolutoe Cohen's Kappa indice i valori ottenuti per SVM, C4.5, k-NN, Random Forest, NaiveBayes e zero macchina classificatori utilizzando i dati di apprendimento la 12 studenti partecipano all'esperimento di laboratorio.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Dispositivi indossabili lettini per bambini sono tra i più popolari prodotti di elettronica di consumatore oggi disponibili. Questi dispositivi in genere vengono utilizzati per monitorare le attività fisiche, ma la loro capacità e le prestazioni potrebbero essere di grande interesse in altre zone. In questa carta, un protocollo per valutare l'uso di dispositivi indossabili culle per stimare lo sforzo in ambienti di apprendimento è discussa. La definizione di tale protocollo è particolarmente rilevante al fine di analizzare diverse soluzioni che coinvolgono indossabili e algoritmi di apprendimento automatico. Il protocollo è destinato a essere utilizzato in contesti educativi, dove la convalida delle procedure di rilevazione dello stress e la loro eventuale introduzione può fornire i benefici significate. Ad esempio l'uso di dispositivi indossabili possa contribuire a ridurre gli alti livelli di stress associato al cosiddetto burnout sindrome9,10,11, e di conseguenza il forcellino votare alle Università12 , 13, migliorando il rendimento scolastico.
Un aspetto critico da considerare è il collegamento Bluetooth tra l'indossabile e lo smartphone. La connessione senza fili tra i due dispositivi può essere rotta durante il test, quindi è necessario prestare particolare attenzione ad esso attraverso la visualizzazione dei dati raccolti nel dashboard. Anche se il ripristino viene eseguito automaticamente dopo un breve periodo di tempo (cioè, un intervallo compreso tra 1 e 10 minuti), questa interruzione può causare la perdita dei campioni in quell'intervallo. Per ridurre la quantità di informazioni perdite, può essere conveniente ripristinare manualmente il dispositivo smartphone. Altro aspetto da considerare è il valore del sensore temperatura iniziale della pelle, in quanto può influenzare il raggiungimento della stabilità, della pelle, che può essere ritardata fino a 10 minuti.
I principali vantaggi del protocollo proposto in questa ricerca sono la sua applicabilità ad un grande gruppo di studenti, sua minima necessità di sostegno utilizzando applicazioni mobili automatizzati, la semplicità nella preparazione dei dispositivi coinvolti nell'esperimento e il suo basso invadenza nello svolgimento la fase d'aula. Questo protocollo fornisce un metodo veloce e semplice, applicabile in ambienti controllati, come ad esempio aule o laboratori universitari. Inoltre, le capacità tecnologiche di studenti partecipanti non sono un problema, perché il protocollo si basa in semplici concetti tecnici comprensibili da un allievo di università media indipendentemente dal loro campo accademico. Come indicato nella letteratura31, riproducibilità nelle scienze sperimentali richiede un'approfondita e chiara descrizione dei protocolli applicati e dei relativi risultati. Il protocollo discusso in questa carta è stato progettato in maniera modulare secondo procedura semplice e diretto, che facilita la riproduzione degli esperimenti descritti e la loro estensione32. Tra gli aspetti più rilevanti di progettazione facilitando la riproducibilità, possiamo citare la concisione della fase di laboratorio e la sua implementazione automatizzata mediante le applicazioni mobile standalone. Inoltre, la fase d'aula non richiede alcuna interazione con gli studenti di là di attività accademiche. Maggior parte degli studenti ha sottolineato la semplicità del processo, e nessuna lamentela sono stata segnalata in relazione al loro coinvolgimento negli esperimenti. Per riassumere, elementi di prova raccolti finora indica che questo protocollo può essere applicato a soggetti con un profilo più ampio e in settori diversi per formazione, quali strutture sanitarie o del luogo di lavoro. Inoltre, questo protocollo offre la possibilità di studiare diverse soluzioni di apprendimento di macchina con cui testare i migliori algoritmi per implementare a seconda delle esigenze degli esperimenti e nel dispositivo indossabile selezionato. L'utilizzo di applicazioni per indurre lo stress e per fornire un cruscotto per visualizzazione e tag campioni facilita la formazione di modelli di stress personalizzato in una sessione di singolo laboratorio.
Le principali limitazioni della soluzione proposta sono correlate sulla variabilità degli oggetti e la riproducibilità delle attività accademiche. Ricreare le stesse condizioni e situazioni che si svolgono in sessioni di conferenza è praticamente impossibile. D'altra parte, lo stress sperimentato da ogni studente è molto personale, come in generale ci sono diverse risposte agli stessi stimoli. Inoltre, esistono problemi relativi all'hardware relazionati ai dispositivi indossabili stessi, quali metodi di accesso diversi, diversi sensori, accesso ai segnali fisiologici in tempo reale, o la durata della batteria. Tali requisiti tecnici limitano wearables ammissibili a una gamma limitata di dispositivi. Nel nostro casi, idonei dispositivi includono quelli compatibili con funzionalità Bluetooth smart e smart bande con un SDK compatibile con i principali dispositivi di smartphone SO. Il numero di dispositivi compatibili è previsto aumentare lungo i prossimi anni.
Il protocollo proposto è destinato a servire come strumento per alla fine definire modelli per studenti più ricchi rispetto a quelli attualmente utilizzati in sistemi di gestione o sistemi informativi di studente di apprendimento. Ad esempio, le nuove informazioni acquisite con il dispositivo indossabile secondo il protocollo descritto potrebbero essere applicate per l'individuazione precoce delle situazioni che incidono sulle prestazioni quali affaticamento o stress e per guidare gli studenti a superare queste situazioni. Un'alternativa al presente protocollo può essere basata su dispositivi indossabili indossati anche fuori dall'Aula al fine di rilevare le variazioni in segnali fisiologici su un periodo più lungo di tempo. Questo approccio implica diverse sfide, come una continuo mutamento di temperatura ambiente, o il soggetto sotto studio essendo costretti ad per essere sempre vicino ai loro smartphone per prevenire la perdita di dati. Infine, questo protocollo può essere applicato anche ad altri corsi e livelli di istruzione, che faciliterebbero l'acquisizione di ulteriori elementi di prova su come lo stress influenza il rendimento scolastico per gli studenti con diverse abilità o campi di studio.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Gli autori non hanno nulla a rivelare.
Acknowledgments
Questo lavoro è supportato dall'agenzia di ricerca dello stato spagnolo e il Fondo europeo di sviluppo regionale (FESR) nell'ambito del progetto di PALLAS (TIN2016-80515-R AEI/FESR, UE).
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).
