Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Engineering
Click here for the English version

Engineering

Evaluering av kommersielle-Off-The-sokkel håndleddet Wearables å anslå belastningen elevene

Published: June 16, 2018 doi: 10.3791/57590
Automatic Translation
1, 1, 1, 1
1Department of Telematics Engineering, University of Vigo, Campus Lagoas-Marcosende

Summary

En protokoll for å evaluere løsninger basert på kommersielle-off-the-sokkel (BARNESENGER) håndleddet wearables å anslå stress i studenter er foreslått. Protokollen utføres i to faser, en innledende laboratorie-baserte stress induksjon test og en overvåking scene foregår i klasserommet, mens studenten er utføre faglige aktiviteter.

Abstract

Bærbar kommersielle-off-the-sokkel (BARNESENGER) enheter har blitt populære de siste årene å overvåke sportsaktiviteter, hovedsakelig blant unge mennesker. Disse enhetene inneholder sensorer for å samle data om fysiologiske signaler som hjertefrekvens, hudtemperatur eller galvanic skin response. Bruker data webanalyseløsningene teknikker slike signaler, er det mulig å få beregninger av høyere aspekter av menneskelig atferd. I litteraturen er det flere arbeider som beskriver bruken av fysiologiske samles inn ved hjelp av klinisk enheter for å få informasjon om søvn mønstre eller stress. Men er det fortsatt et åpent spørsmål om datatypen bruker BARNESENGER håndleddet wearables er tilstrekkelig til å karakterisere den elevenes psykiske tilstand i utdannings-innstillinger. Utredningen tar en protokoll for å evaluere stress estimering fra data innhentet med BARNESENGER håndleddet wearables. Protokollen er gjennomført i to faser. Den første fasen består av en kontrollert laboratory eksperimentet, der en mobil brukes å indusere forskjellige stressnivået student ved hjelp av en avslappende video, en Stroop farge og Word-test, en tempo Auditory føljetong tillegg test og en hyperventilering test. Den andre fasen er gjennomført i klasserommet, der stress er analysert mens utfører flere faglige aktiviteter, nemlig delta på teoretisk forelesninger, gjør øvelser og andre personlige aktiviteter og tar kort prøver og eksamener. I begge tilfeller anses både kvantitative data fra BARNESENGER håndleddet wearables og kvalitative data samlet gjennom spørreskjemaer. Denne protokollen omfatter en enkel og konsekvent metode med en stress induksjon app og spørreskjemaer, krever en begrenset deltakelse av støttepersonell.

Introduction

State-of-the-art wearable teknologier er allment tilgjengelig, og deres programmiljøer utvide kontinuerlig. Vi finner i markedet mange ulike enheter, blant hvilke BARNESENGER håndleddet wearables1, som smart klokker og smart band, er populær blant idrettsutøvere som en personlige fitness overvåking verktøyet2. Ved å bruke data analytiske teknikker, kan dataene innhentet bruker disse enhetene behandles gir indikatorer som generell fysisk tilstand, sove kvalitet eller gjenoppretting faktor. Demonstrert anvendelse i dette området hevet interesse i det akademiske fellesskapet om mulig programmet med andre felt, spesielt i helse domene3,4, selv om det strenge krav av kliniske studier begrense innføring. Men i en mindre krevende sammenheng som utdanning, kan vi finne i litteratur nyere undersøkelser med bruk av ulike typer bærbare enheter, både relatert til undervisning aktiviteter5,6 og estimering bestemte egenskaper studenten som søvn mønstre7eller analyse av studentenes engasjement i ulike pedagogiske aktiviteter8.

I vårt tilfelle fokusere vi på å analysere BARNESENGER håndleddet bærbare enheter som middel til å samle fysiologiske signaler som til slutt ville lette stress estimering, som igjen er en sentral del i pedagogisk sammenhenger. Stress har en relevant innflytelse i utviklingen av akademiske virksomheten og generell studentenes ytelse. For eksempel stress nivåer er direkte relatert til utbruddet av utbrenthet syndrom i studenter9,10,11, og høyt stressnivå er særlig relevant i freshman året, der frafallet priser mellom 20% 30%12,13 er vanlig. Oppdage og kontrollere stress indikatorer kan dramatisk forbedre akademiske prestasjoner.

Bruk av BARNESENGER håndleddet bærbar enheter er berettiget fordi de har sensorer som gir informasjon om fysiologiske signaler som mye brukt av det vitenskapelige samfunnet i stress vurdering og gjenkjenning. Noen signaler omtales i litteraturen gjestehusene inkluderer hjertefrekvens (HR)14, hjertefrekvens varaibility15, hud temperatur (ST)16, åndedrett14og galvanic skin response (GSR)17. Disse signalene kan samles ved BARNESENGER håndleddet wearables. Men tilbyr de ikke samme ytelse som klinisk enheter. Det er forskjeller relatert til nøyaktigheten av sensorer blant enheter18,19,20,21. Likevel har forrige fungerer18,19,20,21 vist at i en langsom bevegelse scenariet BARNESENGER håndleddet wearable sensorer har feil mønster ligner spesialiserte enheter.

Målet med denne utredningen er å innføre en protokoll for å vurdere ulike løsninger for stress anslag i studenter bruker BARNESENGER håndleddet wearables. Det er mange ordninger som kan bli foreslått å anslå stress nivåer, involverer bruk av ulike håndleddet bærbar enheter og data webanalyseløsningene teknikker, og mer spesifikt maskinlæring algoritmer. BARNESENGER håndleddet wearables er preget av deres høy fragmentering, heterogenitet og interoperabilitet problemer22. Tre selskapene har en samlet markedsandel på nesten 50%23, men mange andre selskaper konto for mye mindre personlige marked aksjer, med en samlet andel over 50%. Derimot, når det gjelder heterogenitet, ikke alle wearables har samme antall og type sensorer, med akselerometer og h sensorer er den vanligste, og STS og GSRS blir bare i 5% av enhetene studert. Som for interoperabilitet finnes det ulike operativsystemer og dataene samling tilnærminger som ikke er kompatible med hverandre. Som for maskinen lære teknikker som kan brukes for å beregne stress fra data samlet gjennom en håndleddet enhet, er det mange alternativer tilgjengelig24, inkludert beslutningstrær, nevrale nettverk, nærmeste nabo tilnærminger, Naïve Bayes klassifiserere, etc. for å oppsummere, det er mange løsninger som kan utvikles for stress estimering, så det er medvirkende til å utforme en evaluering-protokollen for å lette sammenligningen mellom ulike foreløpig alternativer til slutt velge den egnede i en gitt kontekst.

For gjennomføringen av protokollen er flere verktøy nødvendig (figur 1). Først er en BARNESENGER håndleddet bærbar enhet nødvendig for å hente fysiologiske data. Denne bærbare enheten må ha minst HR overvåking evner, men flere sensorer er ønskelig (foreksempel akselerasjonsmåleren, ST, GSR sensorer). Andre, en smarttelefon som kjører programmet PhysiologicalSignal er nødvendig å samle dataene som registreres av den bærbare enheten. Tredje en tavle kjører programmet StressTest kreves for å kjøre stress induksjon øvelser (smarttelefonen kan bli brukt i stedet tabletten for dette formålet). Fjerde, noen spørreskjemaer for å samle inn kvalitative data på studentenes oppfatning på stress. Femte, en server med en Web service25 utføre datainnsamling og pre-prosessering, og et Web-instrumentbord for å vise utviklingen av signaler. Og til slutt en data analytics pakken26 behandle data samlet inn om studenter bruker maskinen innlæring teknikker.

Evaluering protokollen er ordnet i to faser. Det første man, utføres den laboratorium fasen, i komfortable rom, hvor ulike stressnivå (dvs., "relax", "konsentrert stress" og "stress") hjulpet et mål emne (student) gjennom flere vanlige stress-inducing oppgaver. Den andre delen foregår i klasserommet, og det innebærer overvåking student ved gjennomføring av flere akademiske aktiviteter: teoretiske forklaringer, individuelle aktiviteter, kort tester, eksamen, etc. under gjennomføringen av denne protokollen, emnet er fysiologiske signaler overføres ved hjelp av en håndleddet enhet. Til slutt, disse signalene behandles av maskinen læring algoritmer for å gi beregninger på nivået av stress.

I fasen for laboratoriet StressTest app til å indusere forskjellige stressnivå. Dette programmet guider emnet til ferdigstillelse av fire ulike oppgaver. Den første oppgaven er å skape en baseline for stress analyse. I denne oppgaven visualiserer studenten en 4 minutters avslappende video som forskjellige bilder av en solnedgang på en bro vises. Den andre oppgaven er en tilpasning av de Stroop farge og Word Test27 (SCWT). Hvert andre sekund, må emnet velge fargen som navnet på en farge er malt (rød, grønn, oransje, blå og lilla). Flere knapper nederst på skjermen som inneholder den første bokstaven i hver farge er tilgjengelige for faget å velge malt fargen på hver gang. For eksempel viser knappen som refererer til blå bokstaven B. I vårt tilfelle, er denne testen delt i tre forskjellige vanskelighetsgrader. For første nivå (SCWT1) vises de fargede "ord farger" i samme rekkefølge som knappene, slik fargen og navnet samsvarer direkte. Dette nivået er tatt som baseline, som det innebærer ikke noen problemer og emnet bare trykker knappene riktig, alltid i samme rekkefølge. For det andre nivået (SCWT2), de fargede "ord farger" vises tilfeldig, men korrespondanse mellom navn og farger opprettholdes. Hver gang emnet mislykkes en pipetone slippes, og hvis to feil, riktig farge score vil bli tilbakestilt. For det siste, vanskeligste nivået (SCWT3) samsvarer navn og farger ikke. På denne måten er dette nivået ment å være mer kompleks og stressende for emnet. Den tredje oppgaven består på det tempo Auditory føljetong tillegg test (PASAT)28, som måler hvor studenten opplever en konsentrasjon test. Under denne oppgaven en tallsekvens påfølgende spilles høyt og studenten må legge til to siste tallene og skriv resultatet i den angitte boksen på skjermen før du hører på neste nummer. I denne oppgaven hvis emnet gjør en feil, en urovekkende hendelsen oppstår for å generere stress (to tall lyd samtidig eller en lang periode av stillhet i vedlikeholdt). I dette tilfellet hvis tre feil begått, vil sum-kontoen bli tilbakestilt. Den fjerde oppgaven består en hyperventilering aktivitet til induserer samme variasjonen i fysiologiske signaler som vil provosere en stressende situasjon17. På slutten av hver aktivitet og nivå må emnet angi oppfattet stress, bruker programmet selv, etter en 5-verdien Likert-skala.

I fasen for klasserommet studentene utføre sine vanlige faglige aktiviteter sammen med resten av sine klassekamerater. Protokollen fokuserer på stress nivåer som oppstår under klasserom-spesifikke aktiviteter. På slutten av foredraget fullføres et kort spørreskjema (vedlegg 1) av studenten å angi oppfattet stress i flere aktiviteter etter en 5-skala.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Alle metodene som er beskrevet nedenfor er godkjent av regional government av Galicias komité for forskning etikk Pontevedra-Vigo-Ourense (reg. koden 2017/336). Protokollen implementert for første års studenter på i skolen av telekommunikasjon Engineering - universitetet Vigo, både i en komfortabel laboratorium rom og flere forelesninger og praksis økter av en bachelor-gradkurs på datamaskin arkitekturer.

1. klargjør enhetene

  1. Koble smartphone og tablet-enheten til en stabil internettilgang.
  2. Slå på Bluetooth-kommunikasjon i smarttelefonen.
  3. I smarttelefonen, søke i tilsvarende offisielle AppStore håndleddet bærbar programmet. Dataoverføre og installere den.
  4. I smarttelefonen, søke etter programmet PhysiologicalSignals å fange fysiologiske signaler. Dataoverføre og installere den.
    Merk: Foreløpig app er en betaversjon og tilgang er tilgjengelig på forespørsel.
  5. I tablett søke etter programmet StressTest i forskning laboratorieforsøk. Dataoverføre og installere den.
    Merk: Foreløpig app er en betaversjon og tilgang er tilgjengelig på forespørsel.
  6. Slå på BARNESENGER håndleddet bærbar enhet og plasser slitesterk.
  7. I smarttelefonen, åpne offisielle BARNESENGER håndleddet bærbar programmet.
    Merk: Programmet vil fortsette å synkronisere den bærbare enheten med smarttelefonen. I enkelte enheter kreves det en e-postadresse.
  8. I smarttelefonen, åpne programmet PhysiologicalSignals.
    1. Godta det ved å bli varslet om Tilgangsforespørsel en sensor.
    2. Kontroller enheten. Vent til programmet PhysiologicalSignals å vise ordet Weared i grønt.
      Merk: Dette viser at den bærbare enheten er oppdaget og derfor overføring av informasjon fra sensorer til smarttelefonen er aktivert. Hvis denne meldingen ikke vises gjenta fra trinn 1.6.

2. laboratorium fase

  1. Forberede innstillingen laboratorium. Velg et behagelig og ikke-forstyrrende rom uten distraherende støy og en behagelig temperatur (mellom 22 ° C og 26 ° C).
  2. Slå på håndleddet bærbar enheten, plassere den rundt subject´s ikke-dominante håndleddet og sett hodetelefonene på hodet av studenten. Passe i slitesterk tett, men komfortabelt rundt håndleddet.
  3. Koble smartphone og tablet til en stabil Internett-tilkobling og kontroller at Bluetooth-tilkoblingen er aktiv.
  4. I smarttelefonen, lansere programmet PhysiologicalSignals.
    1. Vent til programmet vise ordet Weared i grønt.
    2. Velg Endre bruker -alternativet i venstre konfigurasjonsmenyen og gi IDen til emne som vil fullføre testene og klikk Lagre.
  5. En bærbar PC, tilgang til dashbordet og skriv inn test administrator-ID og passord.
    Merk: For privat og sikkerhet bekymringer, tilgang til oversikten er for øyeblikket bare tilgjengelig under forespørsel.
    1. Velg emne ID og emnet stress kategorien.
    2. Sjekk fysiologiske signaler utviklingen og vent til bærbar enheten nå temperaturstabilitet før du starter eksperimentet.
      Merk: Termisk stabilitet er identifisert som et platå i diagrammet.
  6. Starte StressTest i tablett.
    1. Forklare emnet fire laboratorium aktivitetene. Vis noen av skjermbildene og handlinger som skal utføres under hver og en av aktivitetene.
      Merk: Dette er svært viktig, fordi emnet ikke bør føle stresset eller avslappet i henhold til de utførte aktivitetene, og frykt eller bekymring om hva som skal skje.
    2. Fortelle studenten ikke hvile armene på bordet og bruke hånden der bærbar enheten plasseres for å utføre aktiviteter.
    3. Angi den samme bruker-ID som i trinn 2.4.2 og pilen.
  7. Starte aktiviteten video, og gir full kontroll til studenten.
    1. Observere at oppgaven er utført uten problemer.
    2. Når oppgaven er ferdig, sjekke at emnet gir oppfattet stress.
  8. Lanseringen aktiviteten Stroop farge (SCWT) fortløpende for nivå 1, 2 og 3.
    1. For hvert nivå, kan du observere at delaktiviteter utføres uten problemer.
    2. Når hver delaktivitet er ferdig, kan du kontrollere at emnet gir oppfattet stress.
    3. Bare for nivå 3 og bare i tilfelle emnet ikke løser det etter minutter, avslutte oppgaven ved å trykke på pilen øverst på skjermen.
  9. Starte tempo Auditory føljetong tillegg testen (PASAT).
    1. Observere at oppgaven er utført uten problemer.
    2. Dersom motivet ikke løser PASAT testen etter 4 minutter, avslutte oppgaven ved å trykke på pilen øverst på skjermen.
    3. Når oppgaven er ferdig, sjekke at emnet gir oppfattet stress.
  10. Starte hyperventilering testen.
    1. Observere utviklingen av HR bruker dashboard. Hvis fysiologiske signaler ikke endres vesentlig, spør emnet å øke inspirasjon og utløp gradvis.
    2. I tilfelle føler emnet svimmelhet eller ubehagelig stoppe denne oppgaven. I alle fall fullføre oppgaven etter fire minutter.
    3. Når oppgaven er ferdig, sjekke at emnet gir oppfattet stress.

3. klasserommet fase

  1. Slå på håndleddet bærbar enheten og plasser bærbar rundt subject´s ikke-dominante håndleddet. Passe i slitesterk tett, men komfortabelt rundt håndleddet.
  2. Koble til smarttelefon til en stabil Internett-tilkobling og kontroller Bluetooth-tilkoblingen er aktiv.
  3. I smarttelefonen, lansere programmet PhysiologicalSignals.
    1. Vent til programmet vise ordet Weared i grønt.
    2. Velg i konfigurasjonsmenyen Endre bruker -alternativet, gir IDen til emne som vil fullføre testene og klikk Lagre.
  4. En bærbar PC, tilgang til dashbordet og skriv inn test administrator-ID og passord.
    1. Velg emne ID og emnet stress kategorien.
    2. Sjekk utviklingen av fysiologiske signaler.
  5. Ta merknader om noen relevante hendelse inntreffer i klasserommet i forhold til student-lærer interaksjon.
    Merk: Relevant informasjon og grunnleggende hendelsene skal brukes til å merke fysiologiske prøver etterpå. Eksempel hendelser er et spørsmål fra læreren til studenten eller en teoretisk forklaring startes.
  6. På slutten av foredraget, be emnet i spørreskjemaet om graden av stress på bestemte tidspunkt under økten, ifølge en 5-nivå skala.

4. dataanalyse

  1. En bærbar PC, tilgang til dashbordet og skriv inn test administrator-ID og passord.
    1. Velg emne ID og emnet stress kategorien.
    2. Velg dagen i et klasserom eksperiment.
  2. Etiketten prøvene av faget ved å identifisere aktiviteter og oppfattet stressnivå.
    1. Identifisere forelesningssalen aktiviteter og varigheten etter start- og sluttider tidene og deres typer.
    2. For hver aktivitet, kan du velge en oppfattet stressnivå.
  3. For hvert emne og hver økt, dataoverføre filen med merket prøvene.
    Merk: En komma-separert-verdier (CSV)-fil opprettes for hver student, hver rad som er reflektere verdiene av fysiologiske signaler med deres standardavvik, skråningen og diff, aktivitetstype, aktivitetsbaserte stress (dvs., stress forbundet som standard til aktiviteten) og emnet oppfattet stress.
  4. Starte analysepakke data.
    1. Velge en av klassifisererne (f.eksSVM, C4.5, k-NN, tilfeldig skog, Naïve Bayes og null R) og importer CSV-filen for alle studenter for hver økt.
    2. Tog og evaluere klassifiserere ved hjelp av 10 ganger kryss-validering teknikk.
      Merk: Avhengig av analyser, aktivitetstype, aktivitetsbaserte stress eller stress oppfattet, skal velges som avhengige variabelen for analyse.
    3. Til slutt, sjekk resultatene for nøyaktighet og feil.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Protokollen diskutert ble satt i praksis i en datamaskin arkitekturer kurs i det første året av telekommunikasjon Engineering grad på universitetet av Vigo. Dette kurset har mer enn 200 studenter som er organisert i 10 arbeidsgrupper. For å gjennomføre dette eksperimentet, ble studenter fra fire gruppene invitert til å melde i begynnelsen av studieåret. Prosjektet tiltrukket betydelig interesse blant studentene, og rundt 30 studenter frivillig å delta i studien. Fra dem, var 12 studenter tilfeldig valgt for deltakelse.

BARNESENGER håndleddet bærbar enhet er valgt der vår eksperimenter har HR, ST, GSR og akselerometer sensorer. Valg av denne bærbar var basert på ulike sensorer og levering av sanntidsdata fôring. Tekniske forholdene i hvilken sensor data samles også tatt i betraktning. Datafangst utføres på visse frekvenser, vanligvis pålagt av driften av sensorene, men også på grunn av enhetens energisparende egenskapene. Hvis den valgte enheten samplede HR hvert sekund (1 Hz). Akselerasjonsmåleren tilbys 62 Hz, 31 Hz og 8 Hz som samplingsfrekvenser, som 8 Hz ble valgt fordi det gir nok detaljnivå for bevegelse-opptak med rimelig energibehov sammenlignet med andre frekvenser. GSR kan prøves på 0,2 eller 5 Hz. I dette tilfellet valgte vi for å samle GSR data når 5 sekunder. Som for akselerometer gitt denne frekvensen nok nivåer samtidig energibehov til et minimum. Til slutt, ST samples på samme frekvens som HR (dvs., 1 Hz). Data samlet inn av enheten overføres til programmet PhysiologicalSignals i smarttelefonen hvert sekund, inkludert HR og ST prøven, maksimal akselerasjon verdien og den forrige verdien for GSR samlet. For å redusere HR støy, gjelder serveren mottatte data filtere FIR vanligvis brukes i sanntid programmer29 og i filtreringen EKG-signaler30, en 15 utvalg-vinduet.

Informasjon som er samlet under laboratorium og klasserommet økter lagres i den server´s databasen. Denne informasjonen skal lastes ned for å bli behandlet med en data analysepakke. Settet med genererte datafiler inneholder rå signaler data og variabler fra disse signalene. Mer spesifikt, for hver rå fysiologiske signal (HR, ST, GSR og akselerometer), dens standardavvik (st), skråningen (sl) og forskjellen mellom NÅVERDI og ekstreme verdien i siste registreres 30 sekunder.

Laboratoriet fasen av protokollen ble gjennomført i komfortable rom av telematikk Engineering avdeling som har de riktige betingelsene for eksperimentet. Figur 2 viser utviklingen av HR, GSR og ST verdier samlet under én av disse øktene for en faktisk student. Som kan sees i figuren, oppstå betydelige variasjoner i fysiologiske signaler som studenten utfører hver aktivitet (video, STC1, STC2, STC3, PASAT og hyperventilering) tas med i eksperimentet. En relativt høy HR startverdi kan observeres, sannsynligvis på grunn av stress indusert når mot denne oppgaven for første gang mens blir overvåket. Den raske veksten av ST under hyperventilering testen er også bemerkelsesverdig.

Også observert under laboratorieforsøk var bemerkelsesverdig variasjoner i fysiologiske signaler på bestemte eksperimentelle øyeblikk, uansett som disse periodene ikke var alltid oppfattes stressende av målet studenten. Dette er på grunn av at stress er en subjektiv variabel, og deltakende studenter ikke helt enig i en vanlig begrep av stress. I fasen for laboratoriet skal den generere korte perioder med høy belastning. Disse korte perioder med stress ble noen ganger definert som frustrasjon, men ikke som stress, som leder deltakende studenter å reagere forskjellig på hva deres fysiologiske signaler uttrykt. Denne effekten kan visualiseres i grafer i Figur 3. For eksempel i intervallet mellom 12:15 og 12:20 (ferdigstillelse av den siste testen av Stroop farge og ord teste) er sterk GSR variantene et klart symptom på potensielle stress. Disse sterke varianter finnes også mellom 12:25 og slutten av testen (hyperventilering test), men i begge tilfeller kan brukeren hevdet å føle en tilsvarende lav stressnivå.

Situasjonen beskrevet ovenfor understreker den subjektive karakteren av stress evaluering på så kort tid. Som en konsekvens, fra kandidater til avhengig av variabler i datasett (dvs., aktivitetstype, aktivitetsbaserte stress eller emne-oppfattet stress) valgte vi aktivitetsbaserte stress. Denne variabelen angir stressnivå etter vanskelighetsgraden av aktiviteten adressert og ikke på svarene fra studenter om deres oppfattede stressnivå på slutten av hver oppgave. På denne måten videoopplevelse ville være merket som "Slapp av" mens SCWT3 og PASAT ville være merket som "konsentrasjon" og hyperventilering test som "stress". Merk at utvalg fra SCWT1 og SCWT2 ble forkastet i tilfelle fordi en tidligere pilot forskning ble observert at gjennomsnittlig SCWT1 og SCWT2 er aktiviteter som viser en overgang mellom en avslappet følelse (nådd under video visualisering) og stressende en. Disse grunn vi kastet fra våre analyser signalene fra disse 2 aktivitetene, og vi inkludert bare de fra video visualisering, SCWT3, PASAT og hyperventilering. HR, ST og GSR variasjoner blant disse landene (slappe av, konsentrasjon, stress) oppsummeres i Figur 4. Denne illustrasjonen viser fysiologiske signal kvartiler for tre stress nivåer i 12 studenter involvert i forsøket. Generelt, øke HR og GSR signaler gradvis som studenten står overfor oppgaver med økende vanskelighetsgrad. Også, i alle tilfeller av temperaturnivå påvirkes. Men i noen tilfeller det øker for avslappet hendelser og nedgang i stressende situasjoner, mens i andre tilfeller oppstår det bare motsatt avhengig av personen.

For å analysere sammenhengen observert visuelt i varianten av fysiologiske signaler, ble maskinen innlæring teknikker brukt over behandlet CSV-filer. For å unngå første forbigående varianter for hver aktivitet og nivå, betraktes bare de siste 3 minuttene av hver aktivitet for å unngå ikke-representative eksempler. Spesielt flere klassifisering algoritmer, spesielt SVM, C4.5, k-NN, tilfeldig skog, NaiveBayes og null, ble opplært til å gjenkjenne stress-situasjoner fra samlet fysiologiske signaler. Utdannet klassifisererne ble høy nøyaktighet, lav mener absolutt feil priser og høy Cohens Kappa indeks nivå stress detektorer, som det er vist i tabell 1. For alle 12 fag og algoritmer (unntatt null), nøyaktigheten av stress over 90 prosent, mener absolutt feilverdi er nær 0 og Cohen kappa indeks nær 1.

Klasserommet fasen definert i protokollen fant sted under faktiske kursøkter i foredraget rom av i School of telekommunikasjon Engineering. Flere akademiske aktiviteter ble vurdert for denne studien: teoretisk forelesninger; spørsmål vilkårlig læreren til elevene om noen aspekter av kurset; tvil eller spørsmål som stilles til læreren av studenter; kort tester; vanlig eksamener/finalen bestående av samling av problemer løses av studenten i 50-70 minutter.

Visualisering av utviklingen av fysiologiske signaler i dette tilfellet viser at variantene er subtil, dvs forskjellene i signalet verdier aktiviteter er mindre enn i laboratoriet fasen. De mest relevante variantene ble observert i klasserommet økter der et vanlig foredrag oppstår etter en pop-quiz er fullført. I dette tilfellet lide ett eller flere av fysiologiske signaler betydelige forskjeller, som vist i figur 5. Denne illustrasjonen viser signalene fanget for student overfor en kort test (første del av grafene). Under testen ville mest relevante variabelen være HR. Det kan være observert at studenten har en høyere puls i forhold til teoretisk foredrag tid. På samme måte, er hudtemperatur holdt relativt lav i forhold til teoretisk foredrag tid, når reiser rundt 1 ° C.

Analysere dette i en numerisk måte, sammenhengen mellom variasjoner i signaler og aktivitetene ivaretatt av studentene, ble maskinen innlæring teknikker brukt analogt til laboratoriet fase. Resultatene for kombinert pop quiz og foredrag økter viser gjennomsnittlig klassifisering nøyaktighet 97.62% (± 3.82) ved hjelp av C4.5. Merk at for analyse av disse øktene huden temperatur ble forkastet på grunn av mulig skjevheter i det endelige resultatet. I overgangsperioden mellom pop quiz og følgende foredrag studentene forlate klasserommet i ca 20 minutter, med dramatisk påvirker temperaturverdier.

En omfattende formell analyse av innsamlede klasserommet økter er fortsatt pågår. Dette er en kompleks prosess der flere utfordrende situasjoner er adressert. Første, brå kort tid variasjoner i fysiologiske signaler er ofte observert med ingen tilknyttet stress-generering hendelse. I de fleste tilfeller blir disse periodene varer i mindre enn ett minutt uten noe betydelig registrert av forskeren. En annen forekomst er ustabilitet i GSR verdiene når bærbar ikke er godt tilpasset eller brå bevegelser oppstår. Begge situasjoner føre til en svært lav GSR verdier, nær 0 µS. På en lignende måte, selv om mye mindre vanlig, det er feil ST-verdier, nær omgivelsestemperaturen, når bærbar er for stor for håndleddet for brukeren og derfor er løst slitt. For å eliminere analyse feilene avledet fra disse situasjonene, forkastes berørte variabler. Merk at alle signaler overvåkes kan være kandidater å oppdage stress situasjoner og ulike klassifiserere kan trenes med forskjellige kombinasjoner av signaler, men avvikende verdier ville kompromiss klassifisering uansett klassifisereren valgt.

Figure 1
Figur 1 . Verktøy som brukes i den foreslåtte protokollen. Dette tallet representerer alle elementene som er involvert i protokollen og deres samspill. Klikk her for å se en større versjon av dette tallet.

Figure 2
Figur 2 . Understreke variasjon i et laboratorium økten. Denne illustrasjonen viser de forskjellige delene der laboratorium protokollen deles. Hver del viser en klar variasjon i fysiologiske signaler. Klikk her for å se en større versjon av dette tallet.

Figure 3
Figur 3 . Understreke variasjon oppfattet for en student i en økt med laboratoriet. Denne illustrasjonen viser uoverensstemmelsene mellom sterke variasjoner av fysiologiske signaler av en student i et laboratorium økt og deres svar på stress testen. Klikk her for å se en større versjon av dette tallet.

Figure 4
Figur 4 . Fysiologiske signal persentil for 12 studenter deltar i en økt med laboratoriet. Dette tallet representerer en persentil Sammendrag for hvert emne. Sterkt fysiologiske signal variasjoner mellom hver stress situasjon kan visualiseres. Klikk her for å se en større versjon av dette tallet.

Figure 5
Figur 5 . HR, ST og GSR variasjoner i klasserommet aktiviteter. Fysiologiske signaler variasjon i løpet av en kort test (til venstre). Fysiologiske signaler variasjon under et teoretisk foredrag (høyre). Klikk her for å se en større versjon av dette tallet.

SVM C45 KNN RandomForest NaiveBayes Null
StudentID Nøyaktighet Feil Kappa Nøyaktighet Feil Kappa Nøyaktighet Feil Kappa Nøyaktighet Feil Kappa Nøyaktighet Feil Kappa Nøyaktighet Feil 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
Gjennomsnitt 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
Standardavvik 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

Tabell 1 . Nøyaktighet, mener absolutt feil, og Cohen's Kappa indeksverdier innhentet for SVM, C4.5, k-NN, tilfeldig skog, NaiveBayes og null lære klassifiserere med dataene fra den 12 studenter deltar i laboratory eksperimentet.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

BARNESENGER bærbar enheter er blant de mest populære forbrukeren elektronikk produktene tilgjengelig i dag. Disse enhetene brukes vanligvis til å overvåke fysiske aktiviteter, men sine evner og ytelse kan være av stor interesse i andre områder. I dette papiret, er en protokoll for å vurdere bruk av BARNESENGER bærbar enheter for å estimere stress i læringsmiljøer diskutert. Definisjonen av slike en protokoll er spesielt relevant for å analysere ulike løsninger med wearables og maskinen læring algoritmer. Protokollen er ment å brukes i utdannings-innstillinger, der validering av stress oppdagelsen prosedyrer og eventuell innføring kan gi significate fordeler. For eksempel bruk av bærbare enheter kan bidra til å redusere de høye nivåene av stress knyttet til den såkalte utbrenthet syndrom9,10,11, og som en konsekvens av dropout rate på universiteter12 , 13, mens forbedre akademiske prestasjoner.

Et viktig aspekt å vurdere er Bluetooth koblingen mellom slitesterk og smarttelefonen. Denne trådløse tilkoblingen mellom begge enhetene kan bli brutt under testen, så det er nødvendig å betale spesiell oppmerksomhet til det gjennom visualisering av dataene samles inn i dashbordet. Selv om utvinning utføres automatisk etter en kort periode (dvs., et intervall mellom 1 og 10 minutter), kan denne forstyrrelsen føre til tap av prøvene i dette intervallet. For å redusere mengden informasjon går tapt, kan det være praktisk å manuelt tilbakestilt smartphone-enhet. Andre aspekter vurderes er første huden temperatur sensorverdien, fordi det kan påvirke oppnåelse av huden stabilitet, noe som kan forsinkes med opptil 10 minutter.

De viktigste fordelene av protokollen foreslått i denne forskningen er brukbarheten til en stor gruppe av studenter, sin minimal behovet for støtte ved hjelp av automatiserte mobilprogrammer, sin enkelhet i utarbeidelsen av enhetene som er involvert i forsøket og sin lave intrusiveness da klasserommet fasen. Denne protokollen gir en rask og enkel metode i kontrollerte miljøer som klasserom eller universitetslaboratorier. Dessuten er teknologiske ferdigheter av deltakende studenter ikke et problem, som protokollen er basert i grei tekniske begreper forståelig av en gjennomsnittlig universitet student uavhengig av deres fagmiljø. Som nevnt i litteratur31, krever reproduserbarhet i eksperimentell fag en grundig og klar beskrivelse av protokollene brukes og resultatene av disse. Protokollen diskutert i denne artikkelen er designet på en modulær måte etter enkle, enkle trinn, som forenkler gjengivelse av eksperimentene diskutert og deres forlengelsen32. Blant de mest relevante design aspektene tilrettelegge reproduserbarhet, kan vi navnet på kortfattetheten av laboratoriet fase og gjennomføringen automatisert ved hjelp av frittstående mobilprogrammer. I tillegg krever klasserommet fasen ikke samhandling med studentene utover faglig aktiviteter. De fleste studentene påpekt enkelheten i prosessen, og ingen klager ble rapportert i forhold til deres engasjement i forsøkene. For å oppsummere, indikerer samlet bevis så langt at denne protokollen kan brukes på fag med en bredere profil og i feltene annerledes utdanning, for eksempel helsefasiliteter eller arbeidsliv. Dessuten, denne protokollen gir muligheten til å studere flere maskinen læringsløsninger med å teste de beste algoritmene å implementere utløst av eksperimenter og slitesterk enheten valgt. Bruk av programmer å indusere stress og gi et instrumentbord til skjerm og kode eksempler forenkler opplæring av egendefinerte stress modeller i en enkelt laboratorium økt.

Viktigste begrensningene for den foreslåtte løsningen er relatert på fagene variasjon og reproduserbarhet faglige aktiviteter. Gjenskape nøyaktig samme forhold og situasjoner finner sted i foredraget økter er praktisk talt umulig. På den annen side, stress oppleves av hver student er veldig personlig, som i generelt det er forskjellige svar til samme stimuli. I tillegg finnes det maskinvarerelaterte problemer knyttet til bærbar enhetene selv, som forskjellige tilgangsmetoder, ulike sensorer, tilgang til fysiologiske signaler i sanntid, eller batterilevetid. Disse tekniske krav begrense kvalifisert wearables til et begrenset utvalg av enheter. I vårt tilfelle, kvalifiserte enheter Inkluder de kompatibelt med smart Bluetooth evner og smart band med en SDK kompatibel med store SO smartphone-enheter. Antall kompatible enheter forventes å øke langs de neste årene.

Den foreslåtte protokollen er ment å tjene som et instrument for å eventuelt definere rikere student modeller enn de som brukes i lære styringssystemer eller student information system. Den nye informasjonen med slitesterk enheten i henhold til protokollen diskutert kan for eksempel brukes tidlig påvisning av situasjoner som påvirker ytelsen som tretthet eller stress og guide studenter å overvinne disse situasjonene. Et alternativ til denne protokollen kan være basert på bærbare enheter slitt også utenfor klasserommet for å oppdage variasjoner i fysiologiske signaler over en lengre periode. Denne tilnærmingen innebærer flere utfordringer, slik som en stadig skiftende omgivelsestemperatur eller gitt under studien blir tvunget til å alltid være nær deres smartphone å forhindre data forlis. Til slutt kan denne protokollen også brukes til andre kurs og utdanningsnivå, som vil lette erobringen av ytterligere bevis på hvordan stress påvirker akademiske prestasjoner for studenter med ulike ferdigheter eller fagfelt.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne ikke avsløre.

Acknowledgments

Dette arbeidet er støttet av den spanske staten forskning Agency og den europeiske Regional Development Fund (ERDF) under PALLAS (TIN2016-80515-R AEI/EFRD, EU) prosjektet.

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

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. Piwek, L., Ellis, D. A., Andrews, S., Joinson, A. The rise of consumer health wearables:promises and barriers. PLoS Medicine. 13 (2), (2016).
  3. Rudner, J., et al. Interrogation of Patient Smartphone Activity Tracker to Assist Arrhythmia Management. Annals of Emergency Medicine. 68 (3), 292-294 (2016).
  4. Gao, Y., Li, H., Luo, Y. An empirical study of wearable technology acceptance in healthcare. Industrial Management & Data Systems. 115 (9), 1704-1723 (2015).
  5. 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).
  6. Sapargaliyev, D. Wearables in Education: Expectations and Disappointments. , 73-78 (2015).
  7. 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).
  8. 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).
  9. 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).
  10. Maslach, C., Jackson, S. E. The measurement of experienced burnout. Journal of occupational Behavior. 2, 99-113 (1981).
  11. Maslach, C., Jackson, S., Leiter, M. Maslach Burnout Inventory. , Palo Alto. (1986).
  12. 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).
  13. 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).
  14. Healey, J. A. Wearable and automotive systems for affect recognition from physiology. , (2000).
  15. 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).
  16. 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).
  17. de Santos Sierra, A. Design, implementation and evaluation of an unconstrained and contactless biometric system based on hand geometry and stress detection. , (2012).
  18. 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).
  19. 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).
  20. Wallen, M. P., et al. Accuracy of Heart Rate Watches: Implications for Weight Management. PLOS ONE. 11 (5), e0154420 (2016).
  21. Wang, R., et al. Accuracy of Wrist-Worn Heart Rate Monitors. JAMA Cardiology. 2 (1), 104 (2017).
  22. 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).
  23. 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).
  24. Mark, H., Ian, W., Eibe, F. Data Mining: Practical Machine Learning Tools and Techniques. , Morgan Kaufmann Publishers. (2011).
  25. 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).
  26. 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).
  27. 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).
  28. Tombaugh, T. N. A comprehensive review of the Paced Auditory Serial Addition Test (PASAT). Archives of Clinical Neuropsychology. 21 (1), 53-76 (2006).
  29. 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).
  30. 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).
  31. Mesirov, J. P. Computer science. Accessible reproducible research. Science (New York, N.Y.). 327 (5964), 415-416 (2010).
  32. 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).

Tags

Engineering stress problemet 136 håndleddet-wearables kvantifisering flere analytics gjenkjenning maskinlæring e-læring
Evaluering av kommersielle-Off-The-sokkel håndleddet Wearables å anslå belastningen elevene
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

de Arriba Pérez, F.,… More

de Arriba Pérez, F., Santos-Gago, J. M., Caeiro-Rodríguez, M., Fernández Iglesias, M. J. Evaluation of Commercial-Off-The-Shelf Wrist Wearables to Estimate Stress on Students. J. Vis. Exp. (136), e57590, doi:10.3791/57590 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter