Summary
상업-오프-더-선반 (상용) 손목 wearables 학생 들에 게 스트레스를 추정에 기반 하는 솔루션을 평가 하는 프로토콜은 제안 하 고 있다. 프로토콜은 두 단계, 초기 실험실 기반 스트레스 유도 테스트 및 학생 학술 활동을 수행 하는 동안 교실에서 일어나 모니터링 단계에서 수행 됩니다.
Abstract
착용 할 수 있는 상업-오프-더-선반 (상용) 장치는 주로 젊은이 들 사이에서 스포츠 활동을 모니터링 하는 마지막 년 동안에 대중적 되었다. 이 장치는 심장 박동, 피부 온도, 동전기 피부 반응 등 생리 신호에 데이터를 수집 하는 센서를 포함 됩니다. 이러한 종류의 신호를 데이터 분석 기법을 적용 하 여 인간 행동의 높은 수준의 측면의 의견을 얻을 수 있다. 문학에서 임상 장치를 사용 하 여 수 면 패턴 또는 스트레스에 대 한 정보를 수집 하는 생리 적 데이터의 사용을 설명 하는 몇몇 일이 있다. 그러나, 그것은 여전히 열려있는 질문 침대 손목 wearables를 사용 하 여 캡처된 데이터 특성화 교육 설정에서 학습자의 심리 상태를 충분 한 인지. 이 종이 스트레스 평가 침대 손목 wearables를 사용 하 여 얻은 데이터를 평가 하는 프로토콜을 설명 합니다. 프로토콜은 두 단계로 수행 됩니다. 제어 실험실 실험, 모바일 애플 리 케이 션이 사용 되는 편안한 비디오, 룹 색과 단어 테스트, 진행 청각 직렬 추가 테스트 및 hyperventilation 테스트를 통해 학생에 다른 스트레스 레벨을 유도 하는 첫 번째 단계에 의하여 이루어져 있다. 두 번째 단계는 스트레스 동안 여러 학술 활동을 수행, 즉 이론적 강의에 참석, 연습 및 기타 개인 활동을 하 고 짧은 테스트 및 시험 분석은 교실에서 실시 됩니다. 두 경우에서 모두 침대 손목 wearables에서 얻은 정량적 데이터 및 설문 조사를 통해 수집 하는 질적 데이터 간주 됩니다. 이 프로토콜 스트레스 유도 app 간단 하 고 일관 된 방법을 포함 하 고 제한 된 참여를 요구 하는 설문 조사 지원 직원.
Introduction
의 상태--예술 착용 할 수 있는 기술은 광범위 하 게 사용할 수 있습니다 그리고 그들의 응용 프로그램 환경 지속적으로 확장 하 고 있다. 우리는 침대 가운데 손목 wearables1, 스마트 시계 등 스마트 밴드 모니터링 도구2개인 체력으로 운동선수 들에 게 인기는 많은 다른 장치는 시장에서 찾을 수 있습니다. 데이터 분석 기법을 적용 하 여 일반적인 신체 상태 등 지표를 제공, 품질 또는 복구 계수 자 이러한 장치를 사용 하 여 가져온 데이터를 처리할 수 있습니다. 이 지역에서 시연된 적용 임상 시험의 엄격한 요구 사항을 제한 하는 있지만 다른 분야, 건강 도메인3,4에서 특히 그들의 가능한 응용 프로그램에 대 한 학계의 관심이 제기 그들의 소개입니다. 그러나, 더 적은 요구에 모두 교육 활동5,6 과의 추정 관련 교육 등 컨텍스트, 우리가 착용 할 수 있는 장치의 다른 종류의 사용을 포함 하는 문학 최근 조사에서 찾을 수 있습니다, 수 면 패턴7또는8다른 교육 활동 학생 참여의 분석 등 학생의 특정 특성.
우리의 경우, 우리는 결국 차례로 교육 상황에서 핵심 요소는 스트레스 추정을 촉진 것 생리 신호를 수집 하는 수단으로 살 손목 착용 형 장치 분석에 집중 한다. 스트레스는 학술 활동 및 전체 학생의 성능 개발에 관련 된 영향이 있다. 예를 들어 스트레스 수준을 직접 학생9,,1011, 소진 증후군의 발병에 관련 되며 높은 스트레스 수준을 특히 관련 1 학년 1 년 동안 드롭 아웃 20% 사이의 요금 그리고 3012,13 일반적인. 검색 및 제어 스트레스 지표는 학업 성적으로 향상 시킬 수 있습니다.
침대 손목 착용 형 장치를 사용 하 여 스트레스 평가 및 탐지에 과학계에 의해 널리 사용 된 생리 신호에 정보를 제공 하는 센서를가지고 있기 때문에 정당화 된다. 신호 중 일부는이 목적을 위해 사용 하는 문학에 심 박수 (HR)14, 등 심장 박동 varaibility15, 피부 온도 (성)16, 호흡14, 동전기 피부 반응 (발사 잔여물)17이라고 합니다. 침대 손목 wearables에 의해 이러한 신호를 수집할 수 있습니다. 그러나, 그들은 임상 장치로 동일한 성능을 제공 하지 않습니다. 차이점이 장치18,19,,2021중 센서의 정확도 관련 된. 그럼에도 불구 하 고, 이전 작품18,,1920,21 , 느린 움직임 시나리오에서는 침대 손목 착용 형 센서는 특수 장치에 유사한 오류 패턴으로 나타났습니다.
이 문서의 목적은 스트레스 추정 침대 손목 wearables를 사용 하 여 학생 들에 대 한 다양 한 솔루션을 평가 하는 프로토콜을 소개 하는 것입니다. 다른 손목 착용 형 장치 및 데이터 분석 기법, 그리고 좀 더 구체적으로 기계 학습 알고리즘의 사용을 포함 하는 스트레스 수준을 추정 하는 제안 된 수 많은 꽃이 있다. 그들의 높은 조각화,이 질 및 상호 운용성 문제22살 손목 wearables 특징입니다. 3 회사는 집계 시장 점유율을 거의 50%는23, 하지만 훨씬 작은 개별 시장에 대 한 많은 다른 회사 계정와 주식 50% 이상 집계 된 공유. 다른 한편으로,이 질, 측면에서 모든 wearables 동일한 수와 유형의 센서가 속도계 및 가장 일반적인 h 센서와 있고 ST의와 발사 잔여물의 공부 되 고만 소자의 5%에 존재. 운용성, 서로 호환 되지 않는 다른 운영 체제와 데이터 컬렉션 접근이 있다. 스트레스 손목 장치에 의해 수집 된 데이터 로부터 추정 하 적용 될 수 있는 기법을 학습 하는 기계에 대해서는 많은 옵션 사용할 수24, 의사 결정 트리, 신경망, 가까운 이웃 접근를 포함 하 여 Naïve Bayes 분류자, 등 을 정리해 보면, 그래서 그것은 결국 선택 다른 임시 옵션 비교를 촉진 하기 위하여 평가 프로토콜을 디자인 하는 수단이 스트레스 추정에 대 한 개발 수 있습니다 하는 솔루션의 큰 다양 한에서 주어진된 상황에 가장 적합 합니다.
프로토콜의 구현에 대 한 몇 가지 도구는 필요한 (그림 1). 첫째, 침대 손목 착용 형 장치 생리 데이터를 가져올 필요 합니다. 이 착용 할 수 있는 장치는 적어도 있어야 HR 기능, 하지만 추가 센서를 모니터링 하는 데 필요한 (예를 들어, 가 속도계, 세인트, 발사 잔여물 센서). 둘째, PhysiologicalSignal 애플 리 케이 션을 실행 하는 smartphone 착용 형 장치에서 캡처한 데이터를 수집 해야 합니다. 셋째, StressTest 애플 리 케이 션을 실행 하는 태블릿 스트레스 유도 연습을 실행 하는 데 필요한 (스마트폰 수 대신이 목적을 위해 태블릿을 사용). 넷째, 스트레스에 학생 들 인식에 질적 데이터를 수집 하는 일부 설문 조사. 다섯째, 웹 서버 서비스 사전 처리 및 진화의 신호를 표시 하는 대시보드, 데이터 수집을 수행 하기 위해25 . 그리고 마지막으로, 데이터 처리 데이터 분석 패키지26 기계 학습 기법을 사용 하 여 학생 들에 대 한 수집.
평가 프로토콜은 두 단계로 구성 됩니다. 첫 번째, 실험실 단계 수행 됩니다 다른 스트레스 수준 (즉, "휴식", "집중된 스트레스"와 "스트레스") (학생) 대상 주제에 유도 편안한 룸에서 몇 가지 일반적인 스트레스 유도 작업을 통해. 두 번째 부분, 교실에서 이루어지는 및 그것은 여러 가지 학술 활동의 성취 중 학생 모니터링: 이론적 설명, 개별 활동, 짧은 테스트, 시험, 등 의 구현 중 이 프로토콜 주제의 생리 신호 손목 장치를 사용 하 여 캡처됩니다. 마지막으로,이 신호는 스트레스의 수준에 의견을 제공 하는 알고리즘을 학습 하는 기계에 의해 처리 됩니다.
실험실 단계에서 StressTest 애플 리 케이 션은 다른 스트레스 레벨을 유도 하는 데 사용 됩니다. 이 애플 리 케이이 션 4 가지 다른 작업의 완료에 주제 가이드. 첫 번째 작업 스트레스 분석에 대 한 초기 계획을 만드는 것입니다. 이 작업에서는 학생 다리에 일몰의 다른 샷 표시 됩니다 4 분 휴식 비디오 시각화. 두 번째 작업 룹 색상과 단어 시험27 (SCWT)의 적응 이다. 2 초 마다 주제는 (빨강, 녹색, 주황색, 파란색, 보라색) 색상의 이름은 그린 색상을 선택 해야 합니다. 각 색의 첫 문자를 포함 하는 화면의 하단에 있는 여러 단추 각 번에 페인트 색상을 선택 하는 주제에 대 한 사용할 수 있습니다. 예를 들어 파란색을 나타내는 버튼 묘사 편지 b. 우리의 경우에서이 테스트 어려움의 세 가지 수준으로 분할 된다. 첫 번째 수준 (SCWT1)에 대 한 색상의 색된 "단어" 그래서 색상과 이름 일치 직접 버튼, 동일한 순서로 표시 됩니다. 어떤 어려움을 해결 하지는 않습니다 그리고 주제만 누르면 버튼 제대로, 항상 동일한 순서로이 수준으로, 가져온 것입니다. 두 번째 수준 (SCWT2)에 대 한 색상의 색된 "단어" 무작위로 나타나지만 이름 및 색상 간의 관계 유지. 때마다 주제 실패 경고음을 방출 하 고 올바른 색상 점수를 재설정 됩니다 경우 두 오류. 마지막으로, 가장 어려운 레벨 (SCWT3), 이름 및 색상 일치 하지 않습니다. 이런 방식으로이 수준 보다 복잡 하 고 주제에 대 한 스트레스가 될 것입니다. 세 번째 작업 진행 청각 직렬 추가 테스트 (PASAT)28, 학생 농도 테스트를 경험 하는 어떻게 측정 하에 구성 됩니다. 이 작업 동안 연속적인 숫자의 순서는, 큰 소리로 고 학생 마지막 두 개의 숫자와 쓰기에서 제공 된 결과 화면 다음 듣기 전에 상자를 추가 해야 합니다. 이 작업에서는 주제 실수 하는 경우 방해 이벤트 발생 스트레스를 생성 하 (2 개 번호 동시에 소리 또는 침묵의 긴 기간 유지). 이 경우에, 세 가지 오류는, 합계 계정 재설정 됩니다. 네 번째 작업 스트레스 상황17자극 것 생리 신호에 같은 변화를 유도 하기 위해 hyperventilation 활동에 구성 되어 있습니다. 각 작업 및 레벨의 끝에, 주제는 인식된 스트레스의 수준을 나타내는 응용 프로그램 자체를 사용 하 여 5 값 리커트 척도 따라 한다.
교실 단계 학생 들은 그들의 동급 생의 나머지와 함께 그들의 일상적인 학술 활동을 실시합니다. 프로토콜 교실 관련 활동 중 발생 하는 스트레스 수준에 초점을 맞추고. 강의의 끝에, 간단한 설문지 (부록 1) 5 값 규모에 따라 여러 활동에서 스트레스의 인식된 수준을 나타내기 위해 학생에 의해 완료 된다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
아래에서 설명 하는 모든 메서드는 갈리시아의 폰테베드라-비고-오 렌 세 (등록 코드 2017/336)의 연구 윤리에 대 한 위원회의 지역 정부에 의해 승인 되었습니다. 프로토콜에는 통신 공학-비고의 대학, 편안한 실험실 방에 여러 강의와 컴퓨터 아키텍처에서 학사 학위 코스의 연습 세션에서 첫 해 학생에 대 한 구현 되었습니다.
1. 준비 장치
- 안정적인 인터넷 연결으로 스마트폰 및 태블릿 장치를 연결 합니다.
- 스마트폰에서 블루투스 통신 설정.
- 스마트폰, 해당 공식 app 스토어에서 검색 손목 착용 형 응용 프로그램. 다운로드 하 고 그것을 설치 합니다.
- 스마트폰, 생리 신호를 잡으려고 PhysiologicalSignals 애플 리 케이 션에 대 한 검색. 다운로드 하 고 그것을 설치 합니다.
참고: 현재, app 베타 버전 이며 액세스 요청에 의해 제공 될 수 있습니다. - 태블릿에 연구 실험실 실험에서 사용 될 StressTest 응용 프로그램에 대 한 검색. 다운로드 하 고 그것을 설치 합니다.
참고: 현재, app 베타 버전 이며 액세스 요청에 의해 제공 될 수 있습니다. - 침대 손목 착용 형 장치를 켜고는 착용 할 수 있는 장소.
- 스마트폰, 공식 상용 손목 착용 할 수 있는 응용 프로그램을 엽니다.
참고: app 스마트폰 착용 형 장치 동기화를 진행 합니다. 일부 장치에는 전자 메일 주소는 필요 합니다. - 스마트폰에서 PhysiologicalSignals 응용 프로그램을 엽니다.
- 센서 액세스 요청 통보 되 고, 경우 그것은 수락 합니다.
- 장치를 확인 하십시오. 녹색에서 Weared 단어를 표시 하려면 PhysiologicalSignals 애플 리 케이 션을 기다립니다.
참고:이 착용 할 수 있는 장치 발견 되 고 따라서 스마트폰 하는 센서에서 정보를 전송 사용할 수를 나타냅니다. 이 메시지가 표시 되지 않는 경우 단계 1.6에서에서 반복 합니다.
2. 실험실 단계
- 실험실 설정 준비. (22 ° C와 26 ° C) 사이 쾌적 한 온도 산만 한 소음 없이 편안 하 고 비 방해 룸을 선택 합니다.
- Subject´s 비 지배적인 손목 주위 장소를 학생의 머리에 헤드폰을 배치, 손목 착용 형 장치를 켜고. 손목 주위는 복을 단단히 하지만 편안 하 게 맞는.
- 안정적인 인터넷 연결에는 스마트폰 및 태블릿을 연결 하 고 블루투스 연결이 활성 상태 인지 확인 합니다.
- 스마트폰에서 PhysiologicalSignals 응용 프로그램을 시작 합니다.
- 녹색에서 Weared 단어를 표시 하려면 응용 프로그램에 대 한 기다립니다.
- 왼쪽된 구성 메뉴에서 변경 사용자 옵션을 선택 하 고 테스트를 완료 하 고 저장을 클릭 주제의 ID를 제공.
- 노트북에 대시보드에 액세스 하 고 테스트 관리자의 ID와 비밀 번호를 입력 합니다.
참고: 현재, 개인 및 보안 문제에 대 한 대시보드 액세스는만 요청에 따라 사용할 수 있습니다.- 주제 ID와의 스트레스 탭을 선택 합니다.
- 생리 신호 진화를 확인 하 고 실험을 시작 하기 전에 열 안정성에 도달 하는 착용 할 수 있는 장치에 대 한 기다립니다.
참고: 열 그래프에서 고원으로 식별 됩니다.
- 태블릿에서 StressTest 응용 프로그램을 시작 합니다.
- 주제에 4 개의 실험실 작업을 설명 합니다. 화면과 작업 중 하나를 각 기간 동안 수행 하는 작업의 일부를 표시 합니다.
참고: 이것은 매우 중요, 주제 해야 스트레스 또는 수행된 활동에 따라에서 편안한 느낌 아닌 두려움 또는 무슨 일이 대 한 우려 때문에. - 학생 테이블에 그들의 무기를 휴식을 하지 그리고 착용 형 장치 활동을 수행 하기 위해 배치 되는 위치는 손을 사용 하 게.
- 2.4.2 단계와 마찬가지로 동일한 사용자 ID를 입력 하 고 화살표를 클릭 합니다.
- 주제에 4 개의 실험실 작업을 설명 합니다. 화면과 작업 중 하나를 각 기간 동안 수행 하는 작업의 일부를 표시 합니다.
- 비디오 작업을 시작 하 고 학생에 게 모든 권한을 부여 합니다.
- 관찰 작업 사고 없이 실시 됩니다.
- 작업이 완료 되 면 확인 주제 인식된 스트레스를 제공 합니다.
- 레벨 1, 2 및 3 연속적으로 룹 색상 작업 (SCWT)를 시작 합니다.
- 각 수준에 대 한 하위 사고 없이 실시는 관찰 합니다.
- 각 하위 작업이 완료 되 면 확인 주제 인식된 스트레스를 제공 합니다.
- 레벨 3만 대만 주제 4 분 후에 그것을 해결 되지 않으면, 경우 화면 상단에 있는 화살표를 눌러 작업을 종료 합니다.
- 진행 청각 직렬 추가 테스트 (PASAT)를 시작 합니다.
- 관찰 작업 사고 없이 실시 됩니다.
- 경우에 주제는 PASAT 테스트 4 분 후 해결 되지 않으면, 화면의 상단에 있는 화살표를 눌러 작업을 종료 합니다.
- 작업이 완료 되 면 확인 주제 인식된 스트레스를 제공 합니다.
- Hyperventilation 테스트를 시작 합니다.
- 대시보드를 사용 하 여 HR의 진화를 관찰 합니다. 생리 신호는 크게 변경 되지 않으면, 영감 및 만료를 점차적으로 증가 하는 주제를 부탁 드립니다.
- 경우에는 주제 느낌이 현기증 또는 불편 중단이이 작업. 어떤 경우에, 4 분 후 작업을 완료 합니다.
- 작업이 완료 되 면 확인 주제 인식된 스트레스를 제공 합니다.
3. 교실 단계
- 손목 착용 형 장치를 켜고 subject´s 비 지배적인 손목의 주위에 착용 할 수 있는 장소. 손목 주위는 복을 단단히 하지만 편안 하 게 맞는.
- 스마트폰 안정적인 인터넷 연결에 연결 하 고 Bluetooth 연결이 활성화 되어 확인 합니다.
- 스마트폰에서 PhysiologicalSignals 응용 프로그램을 시작 합니다.
- 녹색에서 Weared 단어를 표시 하려면 응용 프로그램에 대 한 기다립니다.
- 변화 사용자 옵션을 구성 메뉴에서 선택 하십시오, 테스트를 완료 하 고 저장을 클릭 주제의 ID를 제공 합니다.
- 노트북에 대시보드에 액세스 하 고 테스트 관리자의 ID와 비밀 번호를 입력 합니다.
- 주제 ID와의 스트레스 탭을 선택 합니다.
- 생리 신호의 진화를 확인 하십시오.
- 학생-교사 상호 작용에 관하여 교실에서 발생 하는 모든 관련 이벤트에 대 한 주석 가져가 라.
참고: 관련 정보 및 기본 이벤트는 이후에 생리 샘플을 사용할 수 것입니다. 예를 들어 이벤트는 학생, 교사 로부터 질문 또는 이론적인 설명 시작 됩니다. - 강의의 끝에, 5 레벨 스케일에 따라 세션 중 특정 시간에 스트레스의 그들의 수준에 대 한 설문 조사를 완료 하는 데 주제를 요청.
4. 데이터 분석
- 노트북에 대시보드에 액세스 하 고 테스트 관리자의 ID와 비밀 번호를 입력 합니다.
- 주제 ID와의 스트레스 탭을 선택 합니다.
- 교실 실험의 하루를 선택 합니다.
- 활동 및 인식된 스트레스 수준을 파악 하 여 피사체의 샘플을 레이블을 지정 합니다.
- 강의실 활동 및 그들의 기간 시작 및 마무리 시간 및 그들의 종류를 식별 합니다.
- 각 활동에 대 한 인식된 스트레스 수준을 선택 합니다.
- 각 과목을 각 세션에 대 한 태그 샘플 파일을 다운로드 합니다.
참고: 쉼표-구분 된-값 (CSV) 파일은 각 학생에 대 한 생성의 그들의 표준 편차, 슬로프와 비교, 활동 유형, 활동 기반 스트레스 (즉, 스트레스 관련 된 생리 신호 값을 반영 하는 각 행 기본적으로 활동)와 주제 인식 스트레스. - 데이터 분석 패키지를 시작 합니다.
- 분류자의 세트를 선택 (예를 들어, SVM, C4.5, k-NN, 임의 숲, Naïve Bayes 0 R) 각 세션에 대 한 모든 학생 들에 대 한 CSV 파일을 가져옵니다.
- 기차 고 10 교차 유효성 검사 기술을 사용 하 여 분류자를 평가 합니다.
참고: 분석, 활동 유형, 활동 기반 스트레스 또는 스트레스 인식, 따라 한다 선택 종속 변수 분석에 대 한. - 마지막으로, 정확도 및 오류에 대 한 결과 확인 합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
프로토콜 설명 비고 대학에서 통신 공학 학위의 첫 해에 컴퓨터 아키텍처 과정에서 연습에 투입 했다. 이 코스는 200 명 이상의 학생 들이 누가 10 작업 그룹으로 구성 됩니다. 이 실험을 수행 하기 학생 그룹의 4 학사 년도의 시작에 등록 하도록 초대 되었다. 프로젝트는 학생 들 사이에서 상당한 관심을 끌었다 고 약 30 학생 연구에 참여 하는 자원 봉사. 그들 로부터 12 명의 학생 참가 무작위로 선택 했다.
우리의 실험에 대 한 선택 침대 손목 착용 형 장치는 HR, ST, 발사 잔여물 및가 속도계 센서 있다. 이 복의 선택 했다 그것의 다양 한 센서와 먹이 실시간 데이터의 제공을 기반으로 합니다. 센서에서 데이터를 수집 하는 기술 조건 또한 계정에 찍은 사진. 데이터 캡처 장치의 에너지 절약 특성 때문 뿐만 아니라, 센서의 동작에 의해 일반적으로 부과 된 특정 주파수에서 수행 됩니다. 선택한 장치 경우 HR (1 Hz) 매초 샘플링 했다. 가 속도계 제공 62 Hz, 31 Hz 및 8 Hz 샘플링 주파수는 8 Hz 합리적인 에너지 요구 사항을 다른 주파수에 비해 운동 캡처에 대 한 충분 한 세분성을 제공 하기 때문에 선정 되었다. 발사 잔여물 0.2 또는 5 Hz 샘플링 될 수 있습니다. 이 경우에, 우리 한 번 5 초 마다 발사 잔여물 데이터를 수집 하기로 결정 했다. 가 속도계에 관해서는이 주파수는 최소 에너지 요구 사항을 유지 하면서 충분 한 단위를 제공. 마지막으로, 세인트 시간 (즉, 1 Hz)으로 동일한 주파수에서 샘플링 됩니다. 장치에 의해 수집 된 데이터는 스마트폰에서 PhysiologicalSignals 애플 리 케이 션 발사 잔여물 수집된에 대 한 HR 및 세인트 샘플, 최대 가속도 값 및 마지막 값을 포함 하 여 매초 마다 전송 됩니다. 소음을 줄이기 위해 시간, 서버 15 샘플 창을 사용 하 여 FIR 필터 일반적으로 실시간 응용 프로그램29 에서 사용 하 고 심전도의 필터링에30, 신호 수신된 데이터에 적용 합니다.
실험 기간 동안 수집 된 정보 고 교실 세션 server´s 데이터베이스에 저장 됩니다. 이 정보는 데이터 분석 패키지를 사용 하 여 처리 수 다운로드 되어야 합니다. 생성 된 데이터 파일의 집합 원시 ' 데이터 신호와 그 신호에서 파생 된 변수를 포함 합니다. 좀 더 구체적으로, 각 원시 생리 신호 (HR, ST, 발사 잔여물 및가 속도계), 그것의 표준 편차 (st), 기울기 (sl), 그리고 마지막에 현재 가치와 극단적인 값의 차이 대 한 30 초 기록 됩니다.
프로토콜의 실험실 단계 실험에 대 한 적절 한 조건을 텔레매틱스 엔지니어링 부서의 편안한 객실에서 실시 됐다. 그림 2 는 실제 학생에 대 한 시간, 발사 잔여물 및 ST 값이이 세션 동안 수집된의 진화를 보여준다. 그림에서 볼 수 있듯이 학생 수행 각 작업 (비디오, STC1, STC2, STC3, PASAT, Hyperventilation)는 실험에 포함 된 생리 신호에 상당한 변화가 발생 합니다. 상대적으로 높은 초기 시간 값 관찰할 수 있습니다, 대부분의 아마 때 모니터링 되는 동안 처음으로이 작업을 유발 하는 스트레스 때문. Hyperventilation 테스트 중 세인트의 급속 한 성장 또한 주목 된다.
또한 실험실 실험 동안 관찰 순간 특정 실험,이 기간 했다 인식 되지 않습니다 항상 스트레스가 대상 학생에 의해 상관 없이 생리 신호에 놀라운 변화 했다. 이 인식 스트레스 주관적인 변수 이며 참여 학생 스트레스의 일반적인 개념에 완전히 동의 하지 않는다는 사실 때문입니다. 실험실 단계에서 그것은 높은 스트레스의 짧은 기간을 생성 하기 위한 했다. 스트레스의이 짧은 기간 동안 좌절, 하지만 스트레스, 다르게 표현 무엇 그들의 생리 신호에 응답 하는 참여 학생 들을 리드 하지에 때때로 정의 되었다. 이 효과 그림 3의 그래프에 구상 될 수 있다. 예를 들어 12시 15분 12:20 (룹 색상의 마지막 테스트와 단어 테스트 완료) 사이의 간격에서 강한 발사 잔여물 유사 잠재적인 스트레스의 명확한 증상이 있습니다. 이러한 강력한 변이 또한 12시 25분와 시험 (Hyperventilation 시험)의 끝 사이 존재 하지만 사용자를 주장 하는 두 경우에, 유사 하 게 낮은 스트레스 수준을 느낄.
상황은 스트레스 위의 시간 같은 짧은 기간에 스트레스 평가의 주관적인 성격을 논의 했다. 결과적으로, 종속 변수 데이터 세트 (즉, 활동 유형, 활동 기반 스트레스, 또는 주제 인식 스트레스)에 대 한 후보에서 우리가 활동 기반 스트레스에 대 한 하기로 했다. 이 변수는 각 작업 끝에 그들의 인식된 스트레스 수준에 대 한 학생 들에 의해 제공 하는 답변에 해결 하는 작업의 어려움의 수준에 따라 스트레스 수준을 정의 합니다. 이러한 방법으로, 비디오를 보고 것 될 태그로 "휴식" 동안 SCWT3 및 PASAT "농도"와 "스트레스"로 Hyperventilation 시험 이라는 것. SCWT1 및 SCWT2에서 샘플 우리의 이전 파일럿 연구에서 평균, SCWT1 및 SCWT2는 편안한 느낌 (비디오 시각화 하는 동안에 도달) 사이 전환을 보여 주는 활동 관찰 되었다 때문에 경우와 스트레스 버려졌다 note 하나입니다. 이러한 이유로, 우리는 우리의 분석에서 2 활동에서 신호 무시 하 고 우리가 비디오 시각화, SCWT3, PASAT Hyperventilation 활동에서 그들을 포함. 이러한 상태 중 HR, ST 및 발사 잔여물 변동 (긴장, 농도, 스트레스) 그림 4에 요약 됩니다. 이 그림은 실험에 참여 12 학생에 세 스트레스 수준에 대 한 생리 적 신호 quartiles 묘사 한다. 일반적으로, 학생 얼굴 어려움 증가의 작업 시간 및 발사 잔여물 신호 점차적으로 증가. 또한, 모든 경우에 온도 레벨은 영향을 받습니다. 그러나, 어떤 경우에 그것은 편안 하 게 이벤트에 대 한 증가 하 고 다른 경우에 반대는 개인의 따라 발생 하는 동안 스트레스가 많은 상황에서 감소.
생리 신호의 변화에 시각적으로 관찰 하는 상관 관계를 분석 하기 위하여 기계 학습 기법 처리 된 CSV 파일에 적용 되었다. 각 작업 및 수준에 대 한 초기 일시적인 변화를 피하기 위해, 각 활동의 마지막 3 분만 비 대표 샘플을 피하기 위하여 여겨진다. 특히, 여러 가지 분류 알고리즘, 특히 SVM, C4.5, k-NN, 임의 숲, NaiveBayes 및 ZeroR, 스트레스 상황에서 수집 된 생리 신호를 검출 하기 위하여 훈련 되었다. 표 1에서 보듯이 훈련된 분류자 고 정확도, 낮은 평균 절대 오차 률과 높은 코헨의 Kappa 인덱스 수준의 스트레스 감지기, 되었다. 모든 12 가지 주제와 (제외 ZeroR) 알고리즘에 대 한 스트레스 검색 90% 이상에서 정확도, 평균 절대 오차 값 0 이며 코헨의 kappa 인덱스 1에 가깝다.
프로토콜에 정의 된 교실 위상의는 학교 정보 통신 공학 강의실에서 실제 코스 세션 동안 일어났다. 이 연구에 대 한 여러 학술 활동 고려 되었다: 이론 강의; 임의로 코스;의 일부 측면에 대 한 학생 들에 게 교사에 의해 묻는 질문 의심 또는 학생; 여 교사에 게 인 한 질문 짧은 테스트; 일반 시험/경기 50-70 분에 학생에 의해 해결 될 문제의 컬렉션으로 구성 된.
생리 신호 진화의 시각화는이 경우에 유사 subtler, 즉, 다른 활동에 대 한 신호 값의 차이 보다 작은 실험실 단계 보여줍니다. 가장 관련성이 높은 변이 일반 강의 팝 퀴즈 완료 후 발생 하는 교실 세션 동안 관찰 되었다. 이 경우에, 하나 또는 여러 생리 적 신호 그림 5에서 볼 수 있듯이 상당한 차이, 고통. 이 그림은 간단한 테스트를 직면 하는 학생에 대해 캡처된 신호 보여줍니다 (그래프의 첫 번째 부분). 테스트 기간 동안 가장 관련성이 높은 변수 시간 것입니다. 그것은 학생 이론적 강의 시간에 비해 더 높은 심 박수는 관찰할 수 있습니다. 같은 방식으로, 피부 온도 유지 이론 강의 시간, 그것은 약 1 ° c.를 제기 하는 때에 비해 상대적으로 낮은
이 숫자 방식, 신호에 변화와 학생 들, 해결 하는 활동 간의 상관 관계 분석을 기계 학습 기술 실험실 단계에 비슷하게 적용 했다. 결합 된 팝 퀴즈 및 강의 세션에 대 한 결과 표시 97.62% (± 3.82)의 평균 분류 정확도 C4.5를 사용 하 여. 피부 온도이 세션의 분석에 대 한 최종 결과에 가능한 편견으로 인해 삭제 했다. 팝 퀴즈와 다음 강의 학생 사이의 전환 기간 동안 극적으로 영향을 미치는 온도 값으로 약 20 분 동안 교실을 둡니다.
수집 된 교실 세션의 포괄적인 공식 분석 진행 중에서입니다. 이것은 복잡 한 프로세스 여러 어려운 상황을 해결 하는 곳 이다.입니다. 첫째, 갑작스러운 짧은 시간 변화 생리 신호에 아무 관련된 스트레스 생성 이벤트와 자주 관찰 된다. 대부분의 경우에서이 기간 마지막 중요 한 아무것도 하지 않고 1 분 미만 대 한 연구원에 의해 기록 되 고. 복은 잘 조정 된 때 또는 갑자기 움직임이 발생 하는 경우 다른 부각 관찰 발사 잔여물 값의 불안정성 이다. 0 μ S에 가까운 매우 낮은 발사 잔여물 값 두 상황 발생. 비슷한 방식으로, 비록 훨씬 적은 일반, 잘못 된 세인트 값이 온도, 가까이 착용 할 수 있는 사용자의 손목에 대 한 너무 큰 이며 따라서 느슨하게 착용 하는 때. 이러한 상황에서 파생 된 분석 오류를 제거 하려면 영향을 받는 변수는 삭제 됩니다. 참고 모니터링 하는 모든 신호 스트레스 상황을 감지 하는 후보가 될 수 있습니다 및 신호의 다른 조합을 사용 하 여 다른 분류자를 훈련 수 있습니다 하지만 비정상적인 값 선택 분류자 아무리 분류를 손상 할 것입니다.
그림 1 . 제안 된 프로토콜에서 사용 되는 도구. 이 수치는 프로토콜 및 그들의 상호 작용에 관련 된 모든 요소를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 2 . 실험실 세션에서 변화 스트레스. 실험실 프로토콜 분할은 다른 부분에 대 한 그림입니다. 각 부분 생리 신호는 분명 변화를 선물 한다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 3 . 실험실 세션에서 학생에 대 한 인식 변화 스트레스. 이 그림의 실험실 세션 동안 학생의 생리 신호 강한 변화와 스트레스 퀴즈에 그들의 대답 사이 불일치를 보여 줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 4 . 생리 신호 백분위 12 실험실 세션에 참여 하는 학생. 이 수치는 각 주제에 대 한 백분위 수를 요약을 나타냅니다. 각 스트레스 상황 사이 강한 생리 신호 변이 구상 될 수 있다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 5 . HR, ST와 발사 잔여물 유사 교실 활동 중. 생리 신호 (왼쪽)는 짧은 테스트 기간 동안 변형. 이론 강의 (오른쪽) 중 생리 신호 변화. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
| SVM | C45 | Knn | RandomForest | NaiveBayes | ZeroR | |||||||||||||
| StudentID | 정확도 | 오류 | 카파 | 정확도 | 오류 | 카파 | 정확도 | 오류 | 카파 | 정확도 | 오류 | 카파 | 정확도 | 오류 | 카파 | 정확도 | 오류 | 카파 |
| 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 |
| 평균 | 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 |
| 표준 편차 | 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 |
테이블 1 . 정확도, 절대 오차, 코헨's 카파 인덱스 값에 대 한 얻은 SVM, C4.5, k-NN, 임의 숲, NaiveBayes 및 ZeroR 기계 학습에서 데이터를 사용 하 여 분류자는 12 실험실 실험에 참가 하는 학생.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
침대 착용 형 장치는 오늘날 가장 인기 있는 소비자 가전 제품 중입니다. 이 소자는 일반적으로 신체 활동을 모니터링 하는 데 사용 됩니다 하지만 그들의 기능 및 성능을 다른 지역에 큰 관심의 수 있습니다. 이 논문에서는, 평가 하는 학습 환경에서 스트레스를 추정을 위한 침대 착용 형 장치 사용 하는 프로토콜 설명 되어 있습니다. 이러한 프로토콜의 정의 특히 wearables 및 기계 학습 알고리즘을 포함 하는 다른 솔루션을 분석 하기 위해 관련 된. 프로토콜은 스트레스 탐지 절차 및 그들의 최후의 유효성 검사 significate 혜택을 제공할 수 있습니다 교육 설정에서 사용 될 것입니다. 예를 들어 착용 할 수 있는 장치를 사용 하 여 소위 소진 증후군9,,1011에 관련 된 스트레스의 높은 수준을 줄이기 위해 기여할 수 있는 하 고 결과적으로 강하 대학12 속도 , 13, 학업 성적을 향상 하는 동안입니다.
고려해 야 할 중요 한 측면은 복와 스마트폰 사이의 블루투스 링크입니다. 두 장치 사이의 무선 연결이 있을 수 있습니다 깨진 테스트, 그래서 그것은 대시보드에서 수집 된 데이터의 시각화를 통해 그것에 특별 한 주의 지불 하는 데 필요한. 복구 시간 (즉, 1에서 10 분 까지의 간격)의 짧은 기간 후에 자동으로 수행 됩니다, 비록이 중단 그 간격에서 샘플의 손실을 발생할 수 있습니다. 정보 손실의 양을 줄이기 위해, 그것은 수동으로 smartphone 장치를 다시 설정 하려면 편리할 수 있습니다. 다른 고려해 야 할 점은 초기 피부 온도 센서 값 최대 10 분 지연 될 수 있습니다 피부 안정성의 성과 영향을 미칠 수 있습니다.
이 연구에서 제안 된 프로토콜의 주요 장점은 지원 자동된 모바일 애플 리 케이 션을 사용 하 여 실험 및 그것의 낮은에 포함 된 장치 준비에서의 단순에 대 한 최소한의 필요, 학생의 큰 그룹에 그것의 적용 수업 단계를 수행 하는 동안 개입입니다. 이 프로토콜에는 교실 또는 대학 연구소 같은 제어 된 환경에서 적용 가능한 신속 하 고 간단한 방법을 제공합니다. 게다가, 참가 학생의 기술 능력 프로토콜 독립적으로 그들의 학문적 인 분야는 평균 대학 학생에 의해 이해할 수 있는 간단한 기술 개념에 기반으로 문제가 되지 않습니다. 문학31에서 설명 했 듯이, 재현성 실험 과학에 적용 하는 프로토콜 및 그 결과의 철저 하 고 명확한 설명을 필요 합니다. 이 문서에서 설명 하는 프로토콜 논의 실험의 재생산 및 그들의 확장32용이 간단 하 고 간단한 단계에 따라 모듈 방식으로 설계 되었습니다. 가장 관련성이 높은 디자인 측면 재현성을 촉진, 중 우리 독립 실행형 모바일 애플 리 케이 션을 사용 하 여 실험실 단계 및 자동화 구현 결함을 이름을 수 있습니다. 또한, 교실 단계는 학술 활동을 넘어 학생 들과 함께 상호 작용을 요구 하지 않는다. 대부분의 학생 들은 프로세스의 단순 지적 하 고 불평 실험에 있는 그들의 관련에 관하여 보도 했다. 정리해 보면, 수집 된 증거는 지금까지 광범위 한 프로 파일 및 교육, 의료 시설 또는 근무 장소 등 다른 분야에서 과목에이 프로토콜을 적용할 수 있습니다 나타냅니다. 게다가,이 프로토콜 연구 실험의 및 착용 할 수 있는 장치를 선택에 따라 구현 하기 위한 최상의 알고리즘을 테스트 하는 여러 가지 기계 학습 솔루션을 제공 합니다. 디스플레이 및 태그 샘플 대시보드를 제공 하 고 스트레스를 유발 하는 응용 프로그램의 사용 용이 단일 실험실 세션에서 사용자 지정 스트레스 모델의 훈련.
제안 된 솔루션의 주요 한계 과목의 다양성 및 학술 활동의 재현성에 관련 되어 있습니다. 정확 하 게 동일한 조건 및 강의 세션에서 일어나는 상황을 재현 하는 것은 사실상 불가능입니다. 다른 한편으로, 각 학생에 의해 경험 하는 스트레스는 매우 개인, 일반 거기에서 동일한 자극에 다른 응답. 또한, 착용 형 장치 자체, 다른 액세스 방법, 서로 다른 센서 등 생리 신호를 실시간으로, 또는 배터리 수명에 관련 된 하드웨어 관련 문제가 있습니다. 이러한 기술적 요구 사항의 받을 wearables 장치의 제한 된 범위 제한. 우리의 경우, 해당 장치에서 이러한 호환 스마트 블루투스 기능 및 스마트 밴드 주요 등 스마트폰 디바이스와 호환 SDK와 함께 포함 됩니다. 호환 되는 장치 수 다음 년 따라 증가 예정 이다.
결국 현재 학습 관리 시스템 또는 학생 정보 시스템에서 사용 된 그들 보다 풍부한 학생 모델을 정의 하는 장비로 제안 된 프로토콜 것입니다. 예를 들어 스트레스, 피로 등 성능에 영향을 미치는 상황의 조기 발견 가이드 학생 들이 이러한 상황을 극복 하 고 새로운 정보를 설명 하는 프로토콜에 따라 착용 할 수 있는 장치를 사용 하 여 캡처할 적용 수 있습니다. 이 프로토콜 대신 시간의 긴 기간 동안 생리 신호에 변화를 탐지 하기 위해 교실 밖에 서 또한 착용 착용 형 장치 기반 수 있습니다. 이 이렇게 끊임없이 변화 온도 등 여러 가지 과제를 포함 한다 또는 연구 되 고 아래 주제 데이터 손실을 방지 하기 위해 항상 그들의 smartphone에 가까울 수 밖에. 마지막으로,이 프로토콜 또한 다른 과정과 어떻게 스트레스에 영향을 미치는 다른 기술 이나 연구의 분야를 가진 학생을 위한 학문적 인 성능에 대 한 추가 증거의 캡처 용이 하 게 하는 교육 수준에 적용할 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 없다.
Acknowledgments
이 작품은 스페인 국가 연구 기관으로는 유럽 지역 개발 기금 (ERDF) 팔라스 (TIN2016-80515-R AEI/EFRD, EU) 프로젝트에서 지원 됩니다.
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).
