Summary
Протокол для оценки решения, основанные на коммерческие off шельф (COTS) запястье носимых для оценки напряжений в студентов предлагается. Протокол осуществляется в два этапа и первоначального лабораторного стресс тест индукции, мониторинга этапе происходящих в классе, в то время как студент выполняет академической деятельности.
Abstract
Носимых устройств коммерческие off шельф (COTS) стали популярными в последние годы для мониторинга спортивных мероприятий, главным образом среди молодых людей. Эти устройства включают датчиков для сбора данных о физиологических сигналов, таких как частота сердечных сокращений, температура кожи или гальванической реакции кожи. Применяя методы аналитики данных эти виды сигналов, это можно получить оценки более высокого уровня аспектов поведения человека. В литературе есть несколько работ, описывающих использование физиологических данных, собранных с использованием клинических устройства для получения информации о сна или стресс. Однако это все еще открытым вопрос, ли данные, собранные с помощью детских наручных носимых достаточно, чтобы характеризовать психологическое состояние учащихся в образовательных учреждениях. Этот документ описывает протокол для оценки стресс оценки данных, полученных с помощью детских наручных носимых. Протокол осуществляется в два этапа. Первый этап состоит из контролируемых лабораторный эксперимент, где используется мобильное приложение побудить различные стресса в студентом посредством расслабляющий видео, Штруп цвет и слово тест, темп слуховой последовательной помимо тест и тест гипервентиляции. На втором этапе осуществляется в классе, где анализируется стресс во время выступления несколько академических мероприятий, а именно посещать теоретические лекции, делать упражнения и других отдельных видов деятельности и принимая коротких тестов и экзаменов. В обоих случаях рассматриваются как количественные данные, полученные из детских наручных предметы одежды, так и качественные данные, собранные с помощью вопросников. Этот протокол включает в себя простой и последовательный метод с приложением индукции стресс и вопросников, требующих ограниченное участие персонала службы поддержки.
Introduction
Носимых технологий широко доступны, и их сред приложений постоянно расширяются. Мы можем найти на рынке много различных устройств, среди которых детских запястье носимых1, таких как смарт-часы и смарт-групп, пользуются популярностью среди спортсменов как личной физической пригодности, мониторинг инструмент2. Применяя методы аналитических данных, данные, полученные с помощью этих устройств могут обрабатываться предоставить такие показатели, как общее физическое состояние, сон фактор качества или восстановления. Продемонстрировали применимость в этой области вызвал интерес в академических кругов о их возможного применения в других областях, особенно в области здравоохранения домена3,4, хотя ограничить строгие требования клинических испытаний их введение. Однако в менее требовательных контекст таких, как образование, мы можем найти в литературе последних расследованиях, связанных с использованием различных типов носимых устройств, оба связанные учебных мероприятий5,6 и оценки Некоторые характеристики студента как сон Шаблоны7, или анализ участия студентов в различных образовательных мероприятий8.
В нашем случае мы сосредоточены на анализе детских наручных носимых устройств как средства для сбора физиологических сигналов, которые в конечном итоге облегчит оценку стресс, который в свою очередь является ключевым аспектом в образовательных контекстах. Стресс имеет соответствующие влияние в развитие академической деятельности и общей студентов производительности. Например уровни стресса непосредственно связаны с наступлением синдрома выгорания студентов9,10,11, и высокие уровни стресса особенно актуальны в курсе, где ставки отсева между 20% и 30%12,13 являются общими. Обнаружение и контроль показателей стресс может значительно улучшить успеваемость.
Использование детских наручных носимых устройств является оправданным, поскольку они имеют датчики, которые предоставляют информацию о физиологических сигналов, которые были широко использованы научным сообществом в стресс оценки и выявления. Некоторые из сигналов, упоминаемые в литературе используется для этой цели включают сердечного ритма (HR)14, сердечного ритма varaibility15, кожи температуры (ST)16, дыхание14и гальванической реакции кожи (GSR)17. Эти сигналы могут быть собраны, детских наручных предметы одежды. Однако они не предлагают же производительность, как клинических устройств. Существуют различия, относящиеся к точности датчиков среди устройств18,19,,2021. Тем не менее предыдущих работ18,19,,2021 показали, что в случае медленного движения, детских наручных носимых датчиков паттернов ошибок, подобных специализированных устройств.
Цель настоящего документа – познакомить протокол для оценки различных решений для оценки напряжений в студентов с использованием детских наручных предметы одежды. Существует множество механизмов, которые могут быть предложены для оценки уровня стресса, связанных с использованием различных запястье носимых устройств и данных аналитики методов и более конкретно алгоритмы машинного обучения. ДЕТСКИХ наручных носимых характеризуются их высокой фрагментации, неоднородность и взаимодействия проблем22. Три компании имеют агрегированных рыночная доля почти 50%23, но многие другие компании приходится гораздо меньше отдельных рынка акций, с агрегированных доля выше 50%. С другой стороны с точки зрения неоднородности, не все предметы одежды имеют те же количество и тип датчиков, акселерометры и h датчики, которые наиболее часто, и ST и GSR только в 5% устройств изучается. Что касается взаимодействия существуют различные подходы операционных систем и данных коллекции, которые не совместимы друг с другом. Что касается машинного обучения методам, которые могут применяться для оценки стресс из данных, собранных с помощью устройства, запястье есть много вариантов доступны24, включая деревья принятия решений, нейронные сети, ближайший сосед подходы, Байеса классификаторы и т. д. таким образом, существует большое разнообразие решений, которые могут быть разработаны для оценки стресс, так что это исключительно важное значение для оценки протокол для облегчения сравнения между различными предварительные варианты в конечном итоге выбрать наиболее подходящей в данном контексте.
Для осуществления протокола несколько инструментов, необходимых (рис . 1). Во-первых детских наручных носимых устройств необходима для получения физиологических данных. Этот переносной прибор должен иметь по крайней мере HR мониторинга возможностей, но дополнительные датчики являются желательными (например, акселерометр, ST, GSR датчики). Во-вторых для сбора данных, захвачен носимых устройств требуется смартфон под управлением PhysiologicalSignal app. В-третьих, планшет работает StressTest app необходима для запуска упражнения стресс индукции (смартфон может быть вместо этого использовать таблетки для этой цели). В-четвертых, некоторые анкеты для сбора качественных данных о восприятии студентов на стресс. В-пятых сервер с веб-службы25 для предварительной обработки и сбора данных и Web панель мониторинга, чтобы показать эволюцию сигналов. И наконец, пакет данных в Google analytics26 для обработки данных, собранных о студентов с использованием методов обучения машины.
Протокол оценки проводится в два этапа. Первая, этапа лабораторных, осуществляется в комфортабельном номере, где различные стресса (т.е., «релакс», «концентрированный стресс» и «стресс») вынуждены целевой субъекта (студент) через несколько общих задач, вызывающие стресс. Вторая часть занимает место в классе, и это включает в себя мониторинг студента во время выполнения нескольких академической деятельности: теоретические объяснения, отдельных мероприятий, короткие тесты, экзамены и т.д. в ходе осуществления Этот протокол, предметом физиологических сигналы записываются с помощью устройства запястье. Наконец эти сигналы обрабатываются машинного обучения алгоритмы для обеспечения оценки на уровень стресса.
Во время этапа лабораторных StressTest app используется чтобы побудить различные стресса. Этот app руководства субъекта для завершения четырех различных задач. Первой задачей является создание основы для анализа напряжений. В этой задаче студент визуализирует 4-минутный расслабляющий видео, в котором отображаются различные выстрелы заката на мосту. Вторая задача является адаптация Штруп цвет и слово тест27 (SCWT). Каждые две секунды, этому вопросу необходимо выбрать цвет, в который окрашены имя цвета (красный, зеленый, оранжевый, синий и фиолетовый). Несколько кнопок, расположенных в нижней части экрана, содержащего первоначальное письмо каждого цвета доступны для субъекта выбрать цвет окрашены в каждый раз. Например кнопка, которая относится к голубой изображает письмо б. В нашем случае этот тест состоит из трех различных уровней сложности. Для первого уровня (SCWT1) цветные «слова цветов» появится в том же порядке, как и кнопки, поэтому цвет и имя соответствует непосредственно. Этот уровень принимается как базовый, она не предполагает каких-либо трудностей и теме нужно только нажать кнопки должным образом, всегда в том же порядке. На втором уровне (SCWT2) цветные «слова цветов» появляются случайно, но переписка между имя и цвет сохраняется. Каждый раз, когда тема не удается звуковой сигнал раздается, и если две ошибки, правильный цвет оценка будет сброшен. Для последних, самых сложных уровня (SCWT3) имени и цвета не совпадают. Таким образом этот уровень предназначен для быть более сложным и напряженным для субъекта. Третья задача состоит в том, темп слуховой последовательной дополнение тест (ПАСАТА)28, который измеряет, как студент опыт тест концентрации. Во время этой задачи последовательность последовательных чисел играет вслух, и студент должен добавить два последних номера и запись результата в предоставленный на экране окно до прослушивания на следующий номер. В этой задаче, если тема делает ошибку, тревожные событие возникает для создания стресса (два числа звука в то же время или длительного периода молчания поддерживается). В этом случае если три ошибки фиксируются, сумма счета будет сброшен. Четвертая задача состоит в том, на активность гипервентиляции навести же изменения в физиологических сигналов, которые бы спровоцировать стрессовой ситуации17. В конце каждой задачи и уровень предмет должен указывать уровень предполагаемой стресса, используя само приложение, согласно шкала Ликерта 5-значение.
Во время этапа классе студенты выполняют их обычной академической деятельности вместе с остальной части их одноклассников. Протокол фокусируется на уровень стресса, которые происходят во время классных мероприятий. В конце лекции студентом указать предполагаемый уровень стресса в ряде мероприятий по шкале 5-значение завершения краткую анкету (приложение 1).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Все методы, описанные ниже, были одобрены регионального правительства в Галисии Комитета по этике исследований Понтеведра-Виго-Оренсе (Регистрационый код 2017/336). Протокол был реализован для студентов первого курса в школе телекоммуникационных технологий - Университет Виго, как в комнате комфортно лаборатории, так и в нескольких лекции и практические занятия курса бакалавра по компьютерных архитектур.
1. подготовить устройства
- Подключите устройство смартфона и планшета к стабильное интернет-соединение.
- Включите Bluetooth коммуникаций в смартфоне.
- В смартфоне Поиск в соответствующие официальные app store запястье носимых приложения. Скачать и установить его.
- В смартфоне Поиск PhysiologicalSignals приложение для захвата физиологических сигналов. Скачать и установить его.
Примечание: В настоящее время, app бета-версии и доступ может быть предоставлен по запросу. - В планшете Поиск StressTest app для использования в исследовательских лабораторных экспериментов. Скачать и установить его.
Примечание: В настоящее время, app бета-версии и доступ может быть предоставлен по запросу. - Включите устройство носимых детских наручных и место носимых.
- В смартфоне откройте официальный детских наручных носимых приложение.
Примечание: Приложение продолжит синхронизировать переносные устройства с помощью смартфона. В некоторых устройствах адрес электронной почты не требуется. - В смартфоне откройте приложение PhysiologicalSignals.
- В случае получения уведомления запроса доступа на датчик, примите его.
- Проверьте устройство. Дождитесь PhysiologicalSignals приложение для отображения слово Weared в зеленый цвет.
Примечание: Это указывают, что носимых устройств был обнаружен, и поэтому включена передача информации от датчиков для смартфона. Если это сообщение появится не повторите шаг 1.6.
2. Лаборатория этап
- Подготовка лабораторных условиях. Выберите удобный и не нарушая номер без отвлекающий шум и с комфортной температуры (между 22 ° C и + 26 ° C).
- Включите устройство носимых запястье, поместите его вокруг запястья недоминирующих subject´s и место наушники на голове студента. Соответствовать носимых плотно, но комфортно вокруг запястья.
- Подключите к стабильное интернет-соединение смартфона и планшета и убедитесь, что соединение Bluetooth является активным.
- В смартфоне запустите приложение PhysiologicalSignals.
- Ждать для app для отображения слово Weared в зеленый цвет.
- Выберите параметр Изменить пользователя в меню слева конфигурации и предоставить идентификатор субъекта, который завершит тесты и нажмите кнопку сохранить.
- В ноутбуке доступ к панели инструментов и введите идентификатор и пароль администратора тест.
Примечание: В настоящее время, для частного и проблемы безопасности, доступ к панели инструментов доступна только по запросу.- Выберите идентификатор субъекта и субъекта стресс вкладка.
- Проверьте эволюции физиологических сигналов и ждать носимых устройств для достижения термостойкостью до начала эксперимента.
Примечание: Термическая стабильность идентифицируется как плато в графе.
- В планшете запустите приложение StressTest.
- Объясните к теме четыре лабораторных задач. Показать некоторые из экранов и действия для выполнения во время каждой из задач.
Примечание: Это очень важно, потому что вопрос должен чувствовать подчеркнул или расслабленным в соответствии с осуществляемой деятельности и не страх или обеспокоенность по поводу того, что должно произойти. - Скажите студент не отдых их руки на стол и использовать руки помещены носимые устройство для выполнения деятельности.
- Введите тот же идентификатор пользователя как шаг 2.4.2 и нажмите кнопку со стрелкой.
- Объясните к теме четыре лабораторных задач. Показать некоторые из экранов и действия для выполнения во время каждой из задач.
- Запустите видео задачи и дают полный контроль студента.
- Обратите внимание, что задача осуществляется без инцидентов.
- Когда задача завершена, проверьте, что предметом обеспечивает воспринимается стресс.
- Запустите задачу Штруп цвета (SCWT) последовательно для уровней 1, 2 и 3.
- Для каждого уровня наблюдать, что подзадачи осуществляется без инцидентов.
- После завершения каждой подзадачи, проверьте, что предметом обеспечивает воспринимается стресс.
- Только для уровня 3 и только в случае, если вопрос не решить после 4 минут, завершите задачу, нажав стрелку, расположенную в верхней части экрана.
- Запустите тест темп слуховой последовательного сложения (ПАСАТА).
- Обратите внимание, что задача осуществляется без инцидентов.
- В случае, если вопрос не решить ПАСАТА тест после 4 минут, завершить задачу, нажав стрелку, расположенную в верхней части экрана.
- Когда задача завершена, проверьте, что предметом обеспечивает воспринимается стресс.
- Запустите тест гипервентиляции.
- Наблюдать эволюцию HR, с помощью панели управления. Если физиологических сигналов существенно не изменяются, попросите предмет постепенно увеличивать вдохновения и истечения срока действия ставок.
- В случае, если предметом чувствует головокружение или неудобно остановить эту задачу. В любом случае завершить задачу после четырех минут.
- Когда задача завершена, проверьте, что предметом обеспечивает воспринимается стресс.
3. в классе фаза
- Включите устройство носимых запястья и место носимых вокруг запястья недоминирующих subject´s. Соответствовать носимых плотно, но комфортно вокруг запястья.
- Подключите смартфон к стабильное интернет-соединение и убедитесь, что Bluetooth-соединение активно.
- В смартфоне запустите приложение PhysiologicalSignals.
- Ждать для app для отображения слово Weared в зеленый цвет.
- В меню настройки выберите параметр Изменить пользователя , обеспечивают идентификатор субъекта, который завершит тесты и нажмите кнопку сохранить.
- В ноутбуке доступ к панели инструментов и введите идентификатор и пароль администратора тест.
- Выберите идентификатор субъекта и субъекта стресс вкладка.
- Проверьте эволюция физиологических сигналов.
- Возьмите аннотации о любых соответствующих событиях, происходящих в классе по отношению к ученик учитель взаимодействия.
Примечание: Соответствующую информацию и основные события будет использоваться для обозначения физиологических образцы впоследствии. Пример события являются вопрос от учителя к ученику, или инициируется теоретическое объяснение. - В конце лекции попросите предмет заполнять вопросник об их уровень стресса в определенное время в ходе сессии, по шкале 5-уровня.
4. анализ данных
- В ноутбуке доступ к панели инструментов и введите идентификатор и пароль администратора тест.
- Выберите идентификатор субъекта и субъекта стресс вкладка.
- Выберите день в классе эксперимент.
- Ярлык образцы субъекта путем определения мероприятий и воспринимается стресса.
- Выявить виды деятельности лекци комнаты и их продолжительность, время начала и окончания и их типы.
- Для каждого вида деятельности выберите уровень предполагаемой стресса.
- Для каждого предмета и каждого сеанса Скачайте файл с тегами образцов.
Примечание: Файл-значения, разделенные запятыми (CSV) создается для каждого студента, каждая строка, отражающие ценности физиологических сигналов с их стандартное отклонение, склон и diff, тип деятельности, на основе деятельности стресса (например, стресс, связанный по умолчанию к деятельности) и предметом воспринимается стресса. - Запустите пакет аналитики данных.
- Выбрать набор классификаторов (например, SVM, C4.5, k-NN, случайные лес, Байеса и нулевой R) и импортируйте CSV-файл для всех студентов для каждой сессии.
- Обучать и оценки классификаторов, с использованием метода десятикратного перекрестной проверки.
Примечание: В зависимости от анализа, вид деятельности, на основе деятельности стресс или стресс воспринимается, должны отбираться как зависимой переменной для анализа. - Наконец проверьте результаты для точности и ошибка.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Протокол обсуждения была введена в практику в компьютерных архитектур курс в первый год степень телекоммуникационных технологий в Университете Виго. Этот курс имеет более чем 200 студентов, обучающихся, которые организуются в рамках 10 рабочих групп. Для проведения этого эксперимента, студенты из четырех групп было предложено поступить в начале учебного года. Проект привлекли значительный интерес среди студентов и около 30 студентов добровольно вызвались принять участие в исследовании. От них 12 студентов были случайным образом выбраны для участия.
ДЕТСКИХ запястье переносные устройства, выбранного для наших экспериментов имеет HR, ST, GSR и акселерометр датчиков. Выбор этого носимых был основан на его различных датчиков и предоставление данных в реальном времени кормления. Технические условия, в которых датчик собираются данные были также приняты во внимание. Сбор данных осуществляется на определенных частотах, как правило введенной операции датчиков, но и из-за характеристик энергосберегающие устройства. В случае выбранного устройства HR был попробовать каждую секунду (1 Гц). Акселерометр предлагаются 62 Гц, 31 и 8 Гц как частоты выборки, из которых 8 Гц был выбран потому что он предлагает достаточно гранулярности для захвата движения с требованиями разумной энергии по сравнению с другими частоты. GSR могут отведать 0,2 или 5 Гц. В этом случае мы решили собрать GSR данных каждые 5 секунд. Что касается акселерометр эта частота представлена достаточно гранулярности при сохранении потребностей в энергии к минимуму. Наконец ST пробы на той же частоте как HR (то есть, 1 Гц). Данные, собранные устройства передается PhysiologicalSignals app в смартфоне каждую секунду, включая образца HR и ST, значение максимального ускорения и Последнее значение для GSR собраны. Чтобы уменьшить шум HR, сервер применяет к полученных данных фильтра FIR обычно используется в приложениях реального времени29 и фильтрации ЭКГ сигналов30, используя окно 15-образец.
Информация, собранная в ходе лабораторных и классе сессий хранится в базе данных server´s. Эта информация должна быть загружена для обработки с помощью пакета данных аналитики. Набор файлов, генерируемых данных содержит необработанные сигналов данных и переменных, производные от этих сигналов. Говоря более конкретно для каждого сырье физиологических сигнал (HR, ST, GSR и акселерометр), его стандартное отклонение (st), склон (sl) и разницу между текущей стоимости и крайние значения в последние 30 секунд записываются.
Лаборатория этап протокола осуществлялась в комфортабельном номере телематики инженерного Департамента, имеющий соответствующие условия для эксперимента. Рисунок 2 изображает Эволюция HR, GSR и ST ценностей, собранные во время одного из этих сессий для фактического студента. Как видно на рисунке, значительные изменения в физиологических сигналов происходят как студент выполняет каждую из задач (видео, STC1, STC2, STC3, Пасат и гипервентиляции) включены в эксперимент. Относительно высокое начальное значение HR могут наблюдаться, наиболее вероятно из-за стресса, индуцированных когда перед этой задачи для в первый раз во время контролируется. Быстрый рост ST во время гипервентиляции испытания также примечательно.
Также наблюдается в ходе лабораторных экспериментов были замечательные изменения в физиологических сигналов на конкретных экспериментальных моменты, неважно, что эти периоды не всегда воспринимались как стрессовые целевой студента. Это связано с тем, что воспринимается стресс является субъективным переменной, и участвующие студенты полностью не согласны в общей концепции стресса. Во время этапа лабораторных он был призван создавать короткие периоды высоких напряжений. Иногда эти короткие периоды стресса были определены как разочарование, но не как стресс, который ведет участвующие студенты по-разному реагировать на какие их физиологических сигналов выразил. Этот эффект может быть визуализированы на графиках в рисунке 3. К примеру в интервале между 12:15 до 12:20 (завершение последнего теста Штруп цвета и слово тест) сильные вариации GSR являются симптомом ясно потенциальных стресса. Эти сильные различия между 12:25 и концом испытание (гипервентиляция) также присутствуют, но в обоих случаях пользователь утверждал, что чувствовать себя подобно низкой стресс уровня.
Обсуждена ситуация выше подчеркивает субъективный характер оценки стресс в такой короткий период времени. Как следствие от кандидатов для зависимых переменных в наборах данных (то есть, тип деятельности, на основе деятельности стресс или предмет воспринимается стресс) мы выбрали деятельности на основе стресс. Эта переменная определяет уровень стресса в зависимости от уровня сложности задачи рассмотрены и не на ответы, представленные студентов об их предполагаемой стресса в конце каждой задачи. Таким образом, смотреть видео будет быть помечены как «расслабиться», в то время как SCWT3 и ПАСАТА будет обозначаться как «концентрации» и гипервентиляции тест как «стресс». Обратите внимание, что образцы из SCWT1 и SCWT2 были отброшены в нашем случае, поскольку в предыдущих экспериментальных исследований было отмечено, что, в среднем, SCWT1 и SCWT2 являются мероприятия, которые показывают переход между расслабленной чувство (достиг во время видео визуализации) и стресс один. По этим причинам мы отказаться от нашего анализа сигналов от этих 2 мероприятия, и мы включили только те видео визуализации, SCWT3, Пасат и гипервентиляции деятельности. HR, ST и GSR вариации между этими государствами (расслабиться, концентрация, стресс) приведены на рисунке 4. Эта фигура изображает квартили физиологических сигналов для трех стресса в 12 студентов, участвующих в эксперименте. В общем HR и GSR сигналы постепенно увеличивать как студент сталкивается с возрастающей сложности задач. Кроме того во всех случаях влияет уровень температуры. Однако в некоторых случаях он увеличивается для расслабленной событий и уменьшается в стрессовых ситуациях, в то время как в других случаях это происходит, только противоположной зависимости человека.
Чтобы проанализировать корреляции, визуально наблюдается в вариации физиологических сигналов, машина обучения методы были применены более обработанные файлы CSV. Чтобы избежать первоначальных переходных вариантов для каждой задачи и уровня, только последние 3 минуты каждого вида деятельности, считаются во избежание-представитель образцы. В частности несколько алгоритмов классификации, особенно SVM, C4.5, k-NN, случайные лес, NaiveBayes и ZeroR, были обучены для выявления ситуаций стресса от собранных физиологических сигналов. Обученных классификаторов стала высокая точность, низкая средняя абсолютная погрешность цены и высокой Коэн Каппа индекс уровня стресса детекторы, как это показано в таблице 1. Для всех 12 субъектов и алгоритмы (за исключением ZeroR), точность обнаружения стресса в более чем 90%, средняя абсолютная ошибка значение около 0 и индекс каппа Коэна близка к 1.
Этапа класс, определенный в протоколе состоялась во время сессий фактический курс в аудиториях, из школы телекоммуникаций Engineering. Для этого исследования были рассмотрены несколько академической деятельности: теоретические лекции; вопросы произвольно учитель студентам о некоторых аспектов курса; сомнения или вопросы к учителю студентов; короткие тесты; регулярное экзамены/финал состоящий из сборник проблем студентом в 50-70 минут.
Визуализация эволюции физиологических сигналов в этом случае показывает, что вариации тонкий, то есть, различия в значения сигнала для различных видов деятельности, меньше, чем на этапе лаборатории. Наиболее релевантные варианты были замечены во время сессий классной комнаты, в которых регулярные лекции происходит после завершения поп викторины. В этом случае один или несколько физиологических сигналов страдают значительные различия, как показано на рисунке 5. Эта фигура изображает сигналы, захватили для студента перед короткий тест (первая часть графов). В ходе испытания наиболее соответствующей переменной будет HR. Можно отметить, что студент имеет высокий сердечного ритма, когда по сравнению с теоретических время. Таким же образом температура кожи остается относительно низкой, по сравнению с теоретических время, когда он поднимает около 1 ° C.
Для анализа это численное образом, корреляция между вариации в сигналы и мероприятия, ориентированные на студентов, машина обучения методы были применены, аналогично к этапу лаборатории. Результаты для комбинированных поп викторины и лекции сессий показывают средний классификации точностью 97,62% (± 3.82) с помощью C4.5. Обратите внимание, что для анализа этих сессий кожи температура была отвергнута из-за возможных погрешностей в конечный результат. В переходный период между поп викторины и следующие лекции студенты отпуск классе приблизительно 20 минут с значительно влияет на значения температуры.
Всесторонний анализ официальных сессий собранных классе все еще продолжается. Это сложный процесс, где рассматриваются несколько сложных ситуаций. Во-первых, резкое короткое время изменения в физиологических сигналов часто наблюдаются не стресс генерации событий. В большинстве случаев, эти периоды длятся менее одной минуты без ничего существенного, записываемого на исследователя. Еще один заболеваемости наблюдается является нестабильность значения GSR когда носки не хорошо отлаженную или если происходят резкие движения. Обе ситуации приведет к очень низкие значения GSR, недалеко от 0 МКС. Аналогичным образом хотя обычно гораздо меньше, есть неверные значения ST, близко к температуре, когда носимых слишком большой для запястье пользователя и поэтому свободно носить. Для устранения ошибки анализа, производные от этих ситуаций, затронутых переменные отклоняются. Обратите внимание, что все сигналы наблюдение могут быть кандидатами для выявления ситуаций, стресс и различные классификаторы могут быть обучены, используя различные комбинации сигналов, но аномальных значений скажется классификации независимо от классификатора выбран.
Рисунок 1 . Инструменты, используемые в предлагаемом протоколе. Эта цифра представляет все элементы, участвующие в протоколе и их взаимодействия. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 2 . Подчеркнуть различия в лабораторной сессии. Эта цифра показывает различных частей, в которых состоит из лаборатории протокол. Каждая часть представляет четкие различия в физиологических сигналов. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 3 . Подчеркнуть вариации воспринимается для студента в лабораторной сессии. Эта цифра показывает расхождения между сильным изменения физиологических сигналов студентом во время сеанса лаборатории и их ответ на стресс тест. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 4 . Физиологических сигналов процентили для 12 студентов, участвующих в лабораторной сессии. Эта цифра представляет резюме процентили для каждого предмета. Сильный сигнал физиологические различия между каждой стрессовой ситуации могут быть визуализированы. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 5 . HR, ST и GSR вариации во время школьных занятий. Сигналы физиологические различия во время короткого теста (слева). Изменения в физиологических сигналов во время теоретических (справа). Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
| SVM | C45 | KNN | RandomForest | NaiveBayes | ZeroR | |||||||||||||
| Идентификатором StudentID | Точность | Ошибка | Каппа | Точность | Ошибка | Каппа | Точность | Ошибка | Каппа | Точность | Ошибка | Каппа | Точность | Ошибка | Каппа | Точность | Ошибка | Каппа |
| 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 |
| Среднее | 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 |
| Стандартное отклонение | 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 |
Таблица 1 . Точность, среднее абсолютная ошибкаи Коэн's Каппа индекс значения получены для SVM, C4.5, k-NN, случайные лес, NaiveBayes и ZeroR машина обучения классификаторов, используя данные из 12 студентов, участвующих в лабораторный эксперимент.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Среди самых популярных бытовой электроники доступных сегодня детских носимых устройств. Эти устройства обычно используются для мониторинга физической деятельности, однако их возможности и производительность может быть большой интерес в других областях. В этом документе обсуждается протокол для оценки использования детских носимых устройств для оценки напряжений в учебной среды. Определение такого протокола является особенно актуальной для того, чтобы проанализировать различные решения с участием носимых и машинного обучения алгоритмов. Протокол предназначен для использования в образовательных учреждениях, где проверка процедур обнаружения стресса и их возможного введения может предоставить преимущества significate. Например, использование носимых устройств может способствовать снижению высокого уровня стресса, связанного с так называемой выгорания синдром9,10,11, и как следствие отсева оценить в университетах12 , 13, при одновременном повышении успеваемости.
Важнейшим аспектом рассмотреть это Bluetooth связь между носимых и смартфон. Эта беспроводная связь между оба устройства может быть нарушена во время испытания, поэтому необходимо уделить особое внимание к нему через визуализацию данных, собираемых в приборной панели. Хотя восстановление выполняется автоматически после короткого периода времени (например, интервал от 1 до 10 минут), этот перерыв может привести к потере образцов в этом интервале. Чтобы уменьшить количество информации, потерял, это может быть удобно вручную сбросить устройства смартфон. Другим аспектом считается является значение датчика температуры первоначальный кожи, как это может повлиять на достижение стабильности кожи, который может быть отложено до 10 минут.
Основные преимущества протокола, предложенные в этом исследовании являются его применимость к большой группе учащихся, его минимальная потребность в поддержке с помощью автоматизированных мобильных приложений, его простота в подготовке устройств, участвующих в эксперименте и его низкой вмешательства при проведении этапа классе. Этот протокол обеспечивает быстрый и простой метод, применимые в контролируемых средах, например в классах или лабораториях университета. Кроме того технологические способности студентов, участвующих являются не является проблемой, как протокол основан в простых технических концепций понятно средний студент независимо от их академических кругов. Как указывается в литературе31, воспроизводимость в экспериментальных наук требует тщательного и четкое описание применяемых протоколов и их результаты. Модульная образом согласно простых, понятных шагов, который облегчает воспроизведение экспериментов, обсудили и их расширение32был разработан протокол, рассматриваемых в настоящем документе. Среди наиболее важных аспектов дизайна содействие воспроизводимости мы можем назвать лаконичность этапа лабораторных и его автоматического осуществления посредством автономные мобильные приложения. Кроме того класс этап не требует какого-либо взаимодействия с учащимися за рамки академической деятельности. Большинство студентов указал простота процесса, и никаких жалоб были сообщены в связи с их участие в экспериментах. Короче говоря, собранные доказательства пока указывает, что этот протокол может применяться к предметам с широкого профиля, а также в областях различных образования, таких, как медицинские учреждения или места работы. Кроме того этот протокол предоставляет возможность изучить несколько решений обучения машина с которой для проверки лучшие алгоритмы для реализации в зависимости от требований экспериментов и на переносные устройства, выбранного. Использование приложений, чтобы вызвать стресс и предоставить панель мониторинга для отображения и тег образцы облегчает обучение стресс пользовательских моделей в сеансе одной лаборатории.
Основные ограничения предлагаемого решения связаны на испытуемых изменчивости и воспроизводимость академической деятельности. Воссоздание условий и ситуаций происходящих в лекции сессий практически невозможно. С другой стороны стресс, испытываемых каждым студентом является очень личным, как в общем там разные ответы на же раздражители. Кроме того есть аппаратные связанные вопросы, связанные с носимых самих устройств, таких как методы доступа, различные датчики, доступ физиологических сигналов в режиме реального времени, или аккумулятора. Эти технические требования ограничить право носимых ограниченного круга устройств. В нашем случае, право устройства включают те совместим с умным возможности Bluetooth и смарт-групп с SDK совместим с основными так смартфон устройств. Ожидается, что число совместимых устройств увеличить вдоль следующих лет.
Предлагаемый протокол призван служить инструментом в конечном итоге определить богаче студенческих моделей, чем те, которые в настоящее время используются в процессе обучения студент информационных систем или систем управления. Например новая информация, захватил с носимых устройств согласно протоколу обсудили может применяться для раннего выявления ситуаций, затрагивающих производительность как стресс или усталость и руководство студентов для преодоления таких ситуаций. Альтернатива к настоящему Протоколу может основываться на носимых устройств также носить вне занятий для того, чтобы обнаружить изменения в физиологических сигналов в течение более длительного периода времени. Этот подход включает в себя несколько задач, таких как постоянно изменяющейся температуре, или предметом исследования, вынуждены всегда быть рядом с их смартфон для предотвращения потери данных. Наконец этот протокол может также применяться для других курсов и уровней образования, которые способствовали бы захват дополнительных доказательств на как стресс влияет на успеваемость студентов с различными навыками или поля исследования.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Авторы не имеют ничего сообщать.
Acknowledgments
Эта работа поддерживается агентством исследований государственного испанского и Европейского регионального развития фонда (ERAF) в рамках проекта PALLAS (TIN2016-80515-R AEI/EFRD, ЕС).
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).
