Waiting
Login processing...

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

Engineering

Evaluación de Wearables comercial fuera de la plataforma-muñeca para estimar la tensión en los estudiantes

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

Se propone un protocolo para evaluar soluciones basadas en accesorios personales de muñeca de fuera plataforma comercial (COTS) para estimar el estrés en los estudiantes. El protocolo se lleva a cabo en dos fases, una prueba de inducción de estrés de laboratorio inicial y una etapa de seguimiento tendrá lugar en el salón de clases mientras el estudiante está realizando actividades académicas.

Abstract

Para dispositivos de (COTS) comercial de la plataforma se han vuelto populares en los últimos años para controlar las actividades deportivas, sobre todo entre los jóvenes. Estos dispositivos incluyen sensores para recolectar datos en señales fisiológicas como pulso, temperatura de la piel o la respuesta galvánica de la piel. Mediante la aplicación de técnicas de análisis de datos para este tipo de señales, es posible obtener estimaciones de alto nivel aspectos del comportamiento humano. En la literatura hay varios trabajos que describen el uso de los datos fisiológicos recogidos utilizando dispositivos clínicos para obtener información sobre patrones de sueño o estrés. Sin embargo, sigue siendo una cuestión abierta si los datos capturados utilizando wearables muñeca de cunas están suficientes para caracterizar el estado psicológico de los alumnos en contextos educativos. Este artículo discute un protocolo para evaluar estrés estimación de los datos obtenidos utilizando wearables muñeca de cunas. El protocolo se lleva a cabo en dos fases. La primera etapa consiste en un experimento de laboratorio controlado, donde se utiliza una aplicación móvil para inducir niveles de estrés diferentes en un estudiante por medio de un vídeo relajante, un Stroop Color y prueba de Word, una prueba auditiva Serial además de ritmo y una prueba de hiperventilación. La segunda fase se lleva a cabo en el aula, donde se analiza el estrés y realizar varias actividades académicas, es decir, asistiendo a clases teóricas, haciendo ejercicios y otras actividades individuales y tomando exámenes y pruebas cortas. En ambos casos, se consideran datos cuantitativos obtenidos de wearables muñeca de cunas y datos cualitativos recogidos mediante cuestionarios. Este protocolo trata de un método simple y consistente con una aplicación de la inducción de estrés y cuestionarios, que requieran una limitada participación de personal de apoyo.

Introduction

Tecnologías vestibles están ampliamente disponibles, y sus entornos de aplicaciones están en continua expansión. Podemos encontrar en el mercado muchos dispositivos diferentes, entre que cunas muñeca wearables1, tales como relojes smart y smart bandas, son populares entre los atletas como un estado físico personal, monitoreo de la herramienta2. Mediante la aplicación de técnicas de análisis de datos, los datos obtenidos mediante estos dispositivos se pueden procesar a indicadores como el estado físico general, factor de calidad o la recuperación del sueño. La aplicabilidad demostrada en esta área levantó interés entre la comunidad académica sobre su posible aplicación a otros campos, especialmente en el dominio de salud3,4, aunque limitan los estrictos requisitos de ensayos clínicos su introducción. Sin embargo, en una menos exigente contexto tales como la educación, podemos encontrar en las investigaciones recientes de la literatura que implican el uso de diferentes tipos de dispositivos portátiles, ambos relacionados a la enseñanza de actividades5,6 y a la valoración de ciertas características del estudiante como de los patrones de sueño7, o el análisis de la participación de los estudiantes en diferentes actividades educativas8.

En nuestro caso, nos centramos en el análisis de dispositivos portátiles de cuna muñeca como medio para recoger las señales fisiológicas que eventualmente facilitaría la estimación de estrés, que a su vez es un aspecto clave en contextos educativos. El estrés tiene una influencia relevante en el desarrollo de actividades académicas y el rendimiento general del alumnado. Por ejemplo, niveles de estrés están directamente relacionados con la aparición del síndrome de burnout en estudiantes9,10,11, y altos niveles de estrés son especialmente relevantes durante el primer año, en tasas de deserción entre el 20% y 30%12,13 son comunes. Detectar y controlar indicadores de estrés podrían mejorar dramáticamente el rendimiento académico.

El uso de dispositivos portátiles de cuna muñeca se justifica porque tienen sensores que proporcionan información sobre las señales fisiológicas que han sido ampliamente utilizadas por la comunidad científica en la detección y evaluación del estrés. Algunas de las señales que se refirieron en la literatura utilizada para este propósito incluyen ritmo cardíaco (hora)14, pulso varaibility15, piel temperatura (ST)16, respiración14y respuesta de piel galvánica (GSR)17. Estas señales pueden recogerse por wearables muñeca de cunas. Sin embargo, no ofrecen el mismo rendimiento como dispositivos clínicos. Hay diferencias relacionadas con la precisión de los sensores entre dispositivos18,19,20,21. Sin embargo, anteriores trabajos18,19,20,21 han mostrado que, en un escenario de movimiento lento, sensores vestibles de cuna muñeca patrones de error similares a dispositivos especializados.

El objetivo de este trabajo es presentar un protocolo para evaluar diferentes soluciones para la estimación de estrés en los estudiantes utilizando wearables muñeca de cunas. Hay muchos arreglos que pueden ser propuestos para estimar los niveles de estrés, que involucra el uso de muñeca diferentes para los dispositivos y datos analytics técnicas y más concretamente algoritmos de aprendizaje de máquina. Wearables muñeca de cunas se caracterizan por su alta fragmentación, heterogeneidad e interoperabilidad problemas22. Tres empresas tienen una cuota de mercado agregada de casi 50%23, pero comparte muchas otra representan empresas mercado individual mucho más pequeño, con una participación agregada por encima del 50%. Por otro lado, en términos de heterogeneidad, wearables no todos tienen el mismo número y tipo de sensores, acelerómetros y sensores de h es el más común, y de ST y s sólo está presente en 5% de los dispositivos estudiados. En cuanto a interoperabilidad, hay diferentes enfoques colección datos y sistemas operativos que no son compatibles entre sí. En cuanto a la máquina de aprendizaje de técnicas que pueden aplicarse para estimar la tensión de los datos recogidos por medio de un dispositivo de muñeca, hay muchas opciones disponibles24, incluyendo los árboles de decisión, redes neuronales, más cercano a planteamientos de vecino, Naïve Bayes clasificadores, etc. en definitiva, hay una gran variedad de soluciones que podrían desarrollarse para la estimación de estrés, por lo que es fundamental para el diseño de un protocolo de evaluación para facilitar la comparación entre diferentes opciones tentativas para finalmente seleccionar el más adecuado en un contexto determinado.

Para la aplicación del Protocolo, varias herramientas son necesarias (figura 1). En primer lugar, es necesario un dispositivo wearable cuna muñeca para traer datos fisiológicos. Este dispositivo usable debe tener por lo menos h monitoreo de capacidades, pero los sensores adicionales es deseable (por ejemplo, los sensores acelerómetro, ST, GSR). En segundo lugar, un smartphone con la app de PhysiologicalSignal es necesaria para recoger los datos capturados por el dispositivo usable. En tercer lugar, un tablet ejecutando la aplicación de estrés es necesario para realizar ejercicios de inducción de estrés (el teléfono inteligente podría ser utilizar la tableta para este propósito). Cuarto, algunos cuestionarios para recoger datos cualitativos sobre la percepción de los estudiantes sobre el estrés. En quinto lugar, un servidor con una red de servicio25 para llevar a cabo la recolección de datos y tratamiento previo y una consola Web para mostrar la evolución de las señales. Y finalmente, un análisis de datos paquete26 para procesar los datos recogidos acerca de estudiantes utilizando técnicas de aprendizaje máquina.

El protocolo de evaluación se organiza en dos fases. La primera de ellas, la fase de laboratorio, se realiza en una cómoda habitación, donde los niveles de estrés diferentes (es decir, "relax", "esfuerzo concentrado" y "estrés") son inducidos a un tema de blanco (estudiante) a través de varias tareas comunes inductores de estrés. La segunda parte lleva a cabo en el aula, y se trata de seguimiento del estudiante durante la realización de varias actividades académicas: explicaciones teóricas, actividades individuales, pruebas cortas, exámenes, etc. durante la ejecución de Este protocolo, el tema de fisiológico señales se capturan por medio de un dispositivo de muñeca. Finalmente, estas señales son procesadas por la máquina de aprender algoritmos para proporcionar estimaciones sobre el nivel de estrés.

Durante la fase de laboratorio, la aplicación de estrés se utiliza para inducir niveles de tensión diferentes. Esta aplicación dirige al tema a la realización de cuatro tareas diferentes. La primera tarea es crear una línea de base para el análisis de estrés. En esta tarea, el estudiante visualiza un video relajante de 4 minutos en los que se muestran diferentes tomas de una puesta de sol en un puente. La segunda tarea es una adaptación de la palabra prueba y Stroop Color27 (SCWT). Cada dos segundos, el sujeto debe elegir el color en que está pintado el nombre de un color (rojo, verde, naranja, azul y violeta). Varios botones en la parte inferior de la pantalla la letra inicial de cada color están disponibles para el tema a elegir el color pintado en cada momento. Por ejemplo, el botón que se refiere al azul representa a la letra B. En nuestro caso, esta prueba se divide en tres niveles diferentes de dificultad. Para el primer nivel (SCWT1), las "palabras de colores" color aparecerá en el mismo orden que los botones, así que el color y el nombre coinciden directamente. Este nivel se toma como línea de base, ya que no implica ninguna dificultad y el sujeto debe sólo los botones correctamente, siempre en el mismo orden. Para el segundo nivel (SCWT2), las "palabras de colores" color aparecen al azar, pero se mantiene la correspondencia entre el nombre y el color. Cada vez que el sujeto no logra un sonido es emitido, y si se hacen dos errores, la puntuación correcta de color se restablecerá. Para el nivel pasado, más difícil (SCWT3), color y nombre no coinciden. De esta manera este nivel pretende ser más complejo y estresante para el sujeto. La tercera tarea consiste en la adición Serial auditiva ritmo test (PASAT)28, que mide cómo el estudiante experimenta una prueba de concentración. Durante esta tarea, una secuencia de números consecutivos se juega en voz alta, y el estudiante hay que añadir los dos últimos números y escribir el resultado en lo dispuesto en la pantalla la caja antes de escuchar el siguiente número. En esta tarea, si el sujeto comete un error, inquietante se produce un evento generar tensión (dos números sonido al mismo tiempo o un largo período de silencio mantenido). En este caso, si tres errores están comprometidos, se restablecerá la cuenta suma. La cuarta tarea consiste en una actividad de hiperventilación para inducir la misma variación en las señales fisiológicas que provocaría una situación de estrés17. Al final de cada tarea y cada nivel, el sujeto tiene que indicar el nivel de estrés percibido, mediante la aplicación en sí, según una escala de Likert de 5 valores.

Durante la fase de aula, los estudiantes realizan sus actividades académicas ordinarias junto con el resto de sus compañeros de clase. El protocolo se centra en los niveles de estrés que se producen durante actividades concretas de aula. Al final de la Conferencia, se completa un cuestionario breve (Anexo 1) por el alumno para indicar el nivel percibido del estrés en las diversas actividades según una escala de valor de 5.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Todos los métodos descritos a continuación han sido aprobados por el gobierno regional de Galicia Comité de ética de la investigación de Pontevedra-Vigo-Ourense (código reg. 2017/336). El protocolo fue implementado para los estudiantes de primer año en la escuela de ingeniería de telecomunicación - Universidad de Vigo, en una sala de laboratorio cómodo y en varias conferencias y sesiones prácticas de un curso de licenciatura en las arquitecturas de computadora.

1. preparar los dispositivos

  1. Conecte el dispositivo smartphone y tablet a una conexión de internet estable.
  2. Activar las comunicaciones Bluetooth en el teléfono inteligente.
  3. En el smartphone, la búsqueda en la tienda oficial de la aplicación correspondiente la aplicación usable de muñeca. Descargar e instalar.
  4. En el smartphone, buscar la aplicación PhysiologicalSignals para capturar señales fisiológicas. Descargar e instalar.
    Nota: Actualmente, la aplicación es una versión beta y puede proporcionarse acceso por solicitud.
  5. En la tabla, buscar la aplicación desea para ser utilizado en los experimentos de laboratorio de investigación. Descargar e instalar.
    Nota: Actualmente, la aplicación es una versión beta y puede proporcionarse acceso por solicitud.
  6. Encienda el dispositivo usable cuna muñeca y coloque el portátil.
  7. En el smartphone, abre la aplicación oficial del vestir muñeca de cunas.
    Nota: La aplicación procederá a sincronizar el dispositivo usable con el smartphone. En algunos dispositivos, se requiere una dirección de correo electrónico.
  8. En el smartphone, abrir la aplicación PhysiologicalSignals.
    1. En caso de ser notificado de la solicitud de acceso de sensor, aceptarlo.
    2. Verifique el dispositivo. Espere a que la aplicación de PhysiologicalSignals Mostrar la palabra Weared en verde.
      Nota: Esto indica que se ha detectado el dispositivo usable y, por tanto, está habilitada la transmisión de información desde los sensores hasta el smartphone. Si este mensaje no aparece, repita paso 1.6.

2. la fase de laboratorio

  1. Preparar el entorno de laboratorio. Elegir una habitación cómoda y no molestar sin distracción del ruido y con una temperatura agradable (entre 22 ° C y 26 ° C).
  2. Encienda el dispositivo usable de la muñeca, coloque alrededor de la muñeca no dominante de asignatura y coloque los auriculares en la cabeza del estudiante. Colocar el portátil bien pero cómodamente alrededor de la muñeca.
  3. Conectar el smartphone y la tableta a una conexión estable a internet y verifique que la conexión Bluetooth está activa.
  4. En el smartphone, inicie la aplicación PhysiologicalSignals.
    1. Espere a que la aplicación Mostrar la palabra Weared en verde.
    2. Seleccione la opción de Cambiar usuario en el menú izquierdo y proporcionar el ID del sujeto que complete las pruebas y haga clic en Guardar.
  5. En un ordenador portátil, acceder a la consola y entrar el ID y la contraseña de administrador de la prueba.
    Nota: Actualmente, para los problemas privados y de seguridad, acceso al tablero sólo está disponible bajo petición.
    1. Seleccione el ID de tema y ficha de estrés del sujeto.
    2. Compruebe la evolución de señales fisiológicas y espere a que el dispositivo usable alcanzar estabilidad térmica antes de iniciar el experimento.
      Nota: La estabilidad térmica se identifica como una meseta en el gráfico.
  6. En la tableta, inicie la aplicación de estrés.
    1. Explicar el tema de las tareas de cuatro laboratorio. Muestran algunas de las pantallas y las acciones a realizar durante cada una de las tareas.
      Nota: Esto es muy importante, porque el sujeto debe sentirse estresado o relajado de acuerdo a las actividades realizadas y no miedo o preocupación por lo que va a pasar.
    2. Dile al estudiante no para descansar los brazos sobre la mesa y usar la mano donde se coloca el dispositivo para realizar las actividades.
    3. Introduzca el mismo ID de usuario como en el paso 2.4.2 y haga clic en la flecha.
  7. Iniciar la tarea video y dar control total al alumno.
    1. Observe que la tarea se lleva a cabo sin incidentes.
    2. Una vez terminada la tarea, compruebe que el sujeto proporciona el estrés percibido.
  8. Iniciar la tarea de colores de Stroop (SCWT) consecutivamente para los niveles 1, 2 y 3.
    1. Para cada nivel, observar que la subtarea se realiza sin incidentes.
    2. Una vez terminada cada subtarea, compruebe que el sujeto proporciona el estrés percibido.
    3. Solo para nivel 3 y sólo en caso de que el tema no soluciona después de 4 minutos, terminar la tarea pulsando la flecha ubicada en la parte superior de la pantalla.
  9. Lanzamiento de la prueba de ritmo auditivo además serie (PASAT).
    1. Observe que la tarea se lleva a cabo sin incidentes.
    2. En caso de que el tema no soluciona la prueba PASAT después de 4 minutos, terminar la tarea pulsando la flecha ubicada en la parte superior de la pantalla.
    3. Una vez terminada la tarea, compruebe que el sujeto proporciona el estrés percibido.
  10. Lanzamiento de la prueba de hiperventilación.
    1. Observar la evolución del HR usando el tablero de instrumentos. Si señales fisiológicas no cambian significativamente, pedir el tema para aumentar gradualmente las tasas de inspiración y expiración.
    2. En caso de que el sujeto se siente mareos o incómodo detener esta tarea. En cualquier caso, completar la tarea después de cuatro minutos.
    3. Una vez terminada la tarea, compruebe que el sujeto proporciona el estrés percibido.

3. la fase de aula

  1. Encienda el dispositivo usable de la muñeca y coloque el portátil alrededor de la muñeca no dominante de asignatura. Colocar el portátil bien pero cómodamente alrededor de la muñeca.
  2. Conectar el smartphone a una conexión estable a internet y verifique la conexión Bluetooth está activa.
  3. En el smartphone, inicie la aplicación PhysiologicalSignals.
    1. Espere a que la aplicación Mostrar la palabra Weared en verde.
    2. Seleccione en el menú configuración la opción de Cambiar usuario , proporcionar la identificación del sujeto que complete las pruebas y haga clic en Guardar.
  4. En un ordenador portátil, acceder a la consola y entrar el ID y la contraseña de administrador de la prueba.
    1. Seleccione el ID de tema y ficha de estrés del sujeto.
    2. Compruebe la evolución de señales fisiológicas.
  5. Tomar anotaciones sobre cualquier evento relevante que ocurre en el aula en relación con la interacción estudiante-profesor.
    Nota: La información relevante y eventos básicos se utilizará para etiquetar las muestras fisiológicas luego. Eventos de ejemplo son una cuestión del profesor al estudiante, o se inicia una explicación teórica.
  6. Al final de la Conferencia, pedir el tema para completar el cuestionario sobre su nivel de estrés en momentos específicos durante la sesión, según una escala de 5 niveles.

4. Análisis de datos

  1. En un ordenador portátil, acceder a la consola y entrar el ID y la contraseña de administrador de la prueba.
    1. Seleccione el ID de tema y ficha de estrés del sujeto.
    2. Seleccione el día de un experimento de clase.
  2. Etiquetar las muestras del sujeto mediante la identificación de actividades y niveles de estrés percibido.
    1. Identificar las actividades de la sala de lectura y su duración según los tiempos de partida y llegados y sus tipos.
    2. Para cada actividad, seleccione un nivel de estrés percibido.
  3. Para cada tema y cada sesión, descargue el archivo con las muestras del etiquetado.
    Nota: Se crea un archivo de coma-valores separados (CSV) para cada estudiante, cada fila que reflejan los valores de las señales fisiológicas con su desviación estándar, pendiente y diff, el tipo de actividad, el actividad de estrés(es decir, el estrés asociado de forma predeterminada para la actividad) y el sujeto percibe estrés.
  4. Lanzar el paquete de análisis de datos.
    1. Seleccione un conjunto de clasificadores (p. ej., SVM, C4.5, k-NN, Random Forest, Naïve Bayes y cero R) e importar el archivo CSV para todos los estudiantes para cada sesión.
    2. Capacitar y evaluar clasificadores utilizando la técnica de validación cruzada de 10 veces.
      Nota: Dependiendo de los análisis, tipo de actividad, estrés actividad o estrés percibido, se seleccionarán como variable dependiente para el análisis.
    3. Finalmente, verifique los resultados para las tasas de precisión y error.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

El protocolo discutido se puso en práctica en un curso de arquitecturas de computadoras en el primer año de la carrera de ingeniería de telecomunicación en la Universidad de Vigo. Este curso tiene más de 200 estudiantes matriculados que están organizados en 10 grupos de trabajo. Para llevar a cabo este experimento, los estudiantes de cuatro de los grupos fueron invitados a inscribirse al inicio del año académico. El proyecto había atraído considerable interés entre los estudiantes, y alrededor de 30 estudiantes se ofrecieron para participar en el estudio. De ellos, 12 estudiantes se seleccionaron al azar para la participación.

CUNA muñeca usable aparato seleccionado para nuestros experimentos tiene sensores de HR, ST, GSR y acelerómetro. La elección de este portátil se basó en su variedad de sensores y el suministro de alimentación de datos en tiempo real. Condiciones técnicas en que sensor se recopilan los datos también fueron tomadas en cuenta. Captura de datos se realiza en ciertas frecuencias, generalmente impuestas por el funcionamiento de los sensores, pero también debido a las características de ahorro de energía del dispositivo. En el caso del dispositivo seleccionado, HR se muestreó cada segundo (1 Hz). El acelerómetro ofrece 62 Hz, 31 Hz y 8 Hz como frecuencias de muestreo, de los cuales 8 Hz fue seleccionado porque ofrece suficiente granularidad para la captura de movimiento con los requisitos de energía razonable en comparación con las otras frecuencias. GSR puede probarse en 0.2 o 5 Hz. En este caso, optamos por recoger datos GSR una vez cada 5 segundos. Como el acelerómetro, esta frecuencia proporciona suficiente granularidad manteniendo requisitos de energía al mínimo. Finalmente, el ST se muestrea en la misma frecuencia como HR (es decir, 1 Hz). Los datos recogidos por el dispositivo se transfieren a la PhysiologicalSignals de la aplicación en el smartphone cada segundo, incluyendo la muestra hora y ST, el valor de aceleración máxima y el último valor de GSR recogido. Para reducir el ruido de HR, el servidor se aplica a los datos recibidos de un filtro FIR comúnmente utilizados en aplicaciones de tiempo real29 y en el filtrado de ECG señales de30, utilizando una ventana de 15 muestras.

Información obtenida en laboratorio y las sesiones de clase se almacena en la base de datos de server´s. Esta información debe descargarse para ser procesados utilizando un paquete de análisis de datos. El conjunto de archivos de datos generado contiene datos y variables derivadas de esas señales las señales crudas. Más específicamente, para cada señal fisiológica crudo (HR, ST, GSR y acelerómetro), su desviación estándar (st), pendiente (sl) y la diferencia entre el valor actual y el valor extremo en los últimos 30 segundos se registran.

La fase de laboratorio del Protocolo se llevó a cabo en una habitación del Departamento Ingeniería Telemática que tiene las condiciones adecuadas para el experimento. Figura 2 muestra la evolución de los valores de HR, GSR y ST recogidos durante una de estas sesiones para un estudiante real. Como puede verse en la figura, se producen variaciones significativas en las señales fisiológicas como el estudiante realiza cada una de las tareas (vídeo, STC1 y STC2, STC3, PASAT, hiperventilación) incluidas en el experimento. Puede observarse un valor relativamente alto de hora inicial, probablemente debido a la tensión inducida frente a esta tarea por primera vez mientras se está supervisando. También destaca el rápido crecimiento del ST durante la prueba de hiperventilación.

También observado durante los experimentos de laboratorio fueron las notables variaciones en las señales fisiológicas en momentos experimentales específicos, no importa que estos periodos no fueron siempre percibidos como estresantes por el estudiante Diana. Esto es debido a que percibe el estrés es una variable subjetiva, y los estudiantes participantes no completamente de acuerdo en un concepto común de estrés. Durante la fase de laboratorio, se pretende generar breves períodos de alto estrés. Estos breves períodos de estrés se definen a veces como frustración, pero no como el estrés, que conduce a los estudiantes participantes para responder diferentemente a lo que sus señales fisiológicas expresadas. Este efecto se puede visualizar en las gráficas en la figura 3. Por ejemplo, en el intervalo entre 12:15 y 12:20 (terminación de la última prueba del Stroop Color y prueba de Word) las fuertes variaciones de la GSR son un claro síntoma de posible estrés. Estas fuertes variaciones también están presentes entre las 12:25 y al final de la prueba de hiperventilación, pero en ambas ocasiones, el usuario afirmaba sentir un nivel igualmente bajo estrés.

La situación mencionadas destaca el carácter subjetivo de la evaluación de estrés en un período tan corto de tiempo. En consecuencia, de los candidatos para las variables dependientes en los conjuntos de datos (es decir, tipo de actividad, actividad de estrés o estrés percibido por el sujeto) optamos por estrés de la actividad. Esta variable define los niveles de estrés según el nivel de dificultad de la tarea dirigida y no en las respuestas proporcionadas por los estudiantes sobre los niveles de estrés percibido al final de cada tarea. Esta manera, viendo video ser etiquetada como "relax" mientras SCWT3 y PASAT etiquetarse como "concentración" y la prueba de hiperventilación como "estrés". Tenga en cuenta que las muestras de SCWT1 y SCWT2 fueron descartadas en nuestro caso porque en una investigación experimental anterior se observó que, en promedio, SCWT1 y SCWT2 son las actividades que muestran una transición entre una sensación relajada (alcanzada durante la visualización de vídeo) y estrés uno. Por estas razón, descartamos de nuestro análisis de las señales de estas 2 actividades, y se incluyeron sólo aquellos de actividades de visualización video, SCWT3, PASAT y la hiperventilación. Las variaciones de HR, ST y GSR entre estos Estados (relajación, concentración, estrés) se resumen en la figura 4. Esta figura muestra los cuartiles de la señal fisiológica de los niveles de tres estrés de los 12 estudiantes involucrados en el experimento. En general, las señales de HR y GSR aumentan en forma gradual como el estudiante enfrenta a tareas de creciente dificultad. También, en todos los casos se afecta el nivel de temperatura. Sin embargo, en algunos casos se aumenta para eventos relajados y disminuye en situaciones de estrés, mientras que en otros casos ocurre justo el opuesto en función de la persona.

Para analizar la correlación observada visualmente en la variación de las señales fisiológicas, se aplicaron técnicas de aprendizaje máquina procesados archivos CSV. Para evitar variaciones transitorias iniciales para cada tarea y cada nivel, se consideran sólo los últimos 3 minutos de cada actividad para evitar que las muestras no representativas. En particular, varios algoritmos de clasificación, particularmente SVM, C4.5, k-NN, Random Forest, NaiveBayes y ZeroR, fueron entrenados para detectar situaciones de la tensión de las señales fisiológicas recogidas. Los clasificadores formados llegó a ser de alta precisión, error absoluto medio bajo tarifas y detectores de nivel de estrés alto de Cohen Kappa índice, como se muestra en la tabla 1. Para todos los 12 temas y algoritmos (excepto ZeroR), la exactitud de detección de estrés en más del 90%, valor del error absoluto medio es cerca de 0 e índice de kappa de Cohen es cerca de 1.

La fase de clase definida en el protocolo tuvo lugar durante las sesiones de curso real en las aulas de la escuela de ingenieros de telecomunicación. Para este estudio se consideraron varias actividades académicas: clases teóricas; Preguntas arbitrariamente por el profesor a los alumnos sobre algún aspecto del curso; dudas o preguntas al profesor por los estudiantes; pruebas cortas; exámenes regulares/finales consisten en colección de problemas a resolver por el alumno en 50-70 minutos.

La visualización de la evolución de señales fisiológicas en este caso muestra que las variaciones son más sutiles, es decir, son más pequeñas que las diferencias en los valores de señal para diferentes actividades durante la fase de laboratorio. Las variaciones más relevantes fueron observadas durante las sesiones de aula en el cual una conferencia regular ocurre después de completa un cuestionario pop. En este caso, una o varias de las señales fisiológicas sufren diferencias significativas, como se ilustra en la figura 5. Esta figura muestra las señales capturadas para un estudiante enfrenta una prueba de corta (primera parte de las gráficas). Durante la prueba, la variable más relevante sería HR. Se puede observar que el estudiante tiene un ritmo más alto comparado con tiempo de conferencia teórica. De la misma manera, la temperatura de la piel se mantiene relativamente baja en comparación con el tiempo de conferencia teórica, cuando plantea alrededor de 1 ° C.

Para analizar esto de una manera numérica, la correlación entre las variaciones en las señales y las actividades dirigidas por los estudiantes, técnicas de aprendizaje máquina se aplican análogamente a la fase de laboratorio. Los resultados para las sesiones de prueba y la Conferencia pop combinados muestran una exactitud de clasificación promedio del 97.62% (± 3.82) uso C4.5. Tenga en cuenta que para el análisis de estas sesiones de temperatura de la piel fue descartado debido a posibles sesgos en el resultado final. Durante el período de transición entre el pop quiz y la siguiente conferencia estudiantes partiendo del aula durante aproximadamente 20 minutos, con dramáticamente afecta a valores de temperatura.

Un exhaustivo análisis formal de las sesiones de aula recogidos todavía está en progreso. Esto es un proceso complejo donde se tratan diversas situaciones desafiantes. Primeras, abruptas variaciones de corto plazo en las señales fisiológicas se observan con frecuencia con no generar estrés asociado al evento. En la mayoría de los casos, estos períodos dura por menos de un minuto sin nada significativo se registran por el investigador. Otra incidencia observada es la inestabilidad de los valores de GSR cuando el portátil no está bien ajustado o si se producen movimientos bruscos. Ambas situaciones resultan en una GSR muy bajo, cerca de 0 μs. De manera similar, aunque mucho menos habituales, hay valores incorrectos de ST, cerca de la temperatura ambiente, cuando el portátil es demasiado grande para la muñeca del usuario y por lo tanto es usado libremente. Para eliminar los errores de análisis derivados de estas situaciones, se descartan las variables afectadas. Tenga en cuenta que todas las señales monitoreadas pueden ser candidatos para detectar situaciones de estrés y diferentes clasificadores pueden ser entrenados mediante diferentes combinaciones de señales, pero valores anómalos podría comprometer la clasificación no importa el clasificador seleccionado.

Figure 1
Figura 1 . Herramientas utilizadas en el protocolo propuesto. Esta cifra representa todos los elementos que intervienen en el protocolo y sus interacciones. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2 . Destacar la variación en una sesión de laboratorio. Esta figura muestra las diferentes partes en que se divide el protocolo de laboratorio. Cada parte presenta una clara variación en las señales fisiológicas. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3 . Destacar la variación percibida para un estudiante en una sesión de laboratorio. Esta figura muestra las discrepancias entre las fuertes variaciones de las señales fisiológicas de un estudiante durante una sesión de laboratorio y su respuesta a la prueba de estrés. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4 . Percentiles de la señal fisiológica de 12 los estudiantes que participan en una sesión de laboratorio. Esta cifra representa un percentil Resumen para cada tema. Las variaciones de la señal fisiológica fuerte entre cada situación de estrés se pueden visualizar. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5 . Variaciones de HR, ST y GSR durante las actividades del aula. Fisiológica indica variación durante una prueba corta (izquierda). Variación de señales fisiológicas durante una conferencia teórica (derecha). Haga clic aquí para ver una versión más grande de esta figura.

SVM C45 KNN RandomForest NaiveBayes ZeroR
StudentID Precisión Error Kappa Precisión Error Kappa Precisión Error Kappa Precisión Error Kappa Precisión Error Kappa Precisión Error 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
Promedio 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
Desviación estándar 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

Tabla 1 . Exactitud, significa error absolutoy Cohen's valores de índice de Kappa obtenidos para SVM, C4.5, k-NN, máquina de bosque aleatorio, NaiveBayes y ZeroR aprender clasificadores utilizando los datos de la 12 los estudiantes que participan en el experimento de laboratorio.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Dispositivos portátiles de cunas están entre los productos de electrónica de consumo más populares disponibles hoy en día. Estos dispositivos se suelen utilizar para controlar las actividades físicas, pero sus capacidades y rendimiento podrían ser de gran interés en otras áreas. En este trabajo se discute un protocolo para evaluar el uso de dispositivos portátiles cunas para calcular la tensión en ambientes de aprendizaje. La definición de dicho protocolo es especialmente relevante para analizar diferentes soluciones wearables y algoritmos de aprendizaje automático. El protocolo está diseñado para ser utilizado en contextos educativos, donde la validación de procedimientos de detección de estrés y su eventual introducción puede proporcionar beneficios de significado. Por ejemplo el uso de dispositivos portátiles puede contribuir a reducir los altos niveles de estrés asociados con el síndrome de burnout llamado9,10,11, y como consecuencia la deserción tasa a universidades12 , 13, al tiempo que mejora el rendimiento académico.

Un aspecto crítico a considerar es el enlace Bluetooth entre el portátil y el smartphone. Esta conexión inalámbrica entre dos dispositivos puede ser rota durante la prueba, por lo que es necesario prestar especial atención a a través de la visualización de los datos recolectados en el tablero de instrumentos. Aunque la recuperación se realiza automáticamente después de un corto período de tiempo (es decir, un intervalo desde 1 hasta 10 minutos), esta interrupción puede causar la pérdida de las muestras en ese intervalo. Para reducir la cantidad de información perdida, puede ser conveniente reiniciar manualmente el dispositivo smartphone. Otro aspecto a considerar es el valor de sensor de temperatura de piel inicial, ya que puede afectar el logro de la estabilidad de la piel, que puede retrasarse a 10 minutos.

Las principales ventajas del protocolo propuesto en esta investigación son su aplicabilidad a un amplio grupo de estudiantes, su mínima necesidad de apoyo utilizando aplicaciones móviles automatizadas, su sencillez en la preparación de los dispositivos involucrados en el experimento y su baja intrusismo y llevar a cabo la fase de aula. Este protocolo proporciona un método rápido y simple aplicable en ambientes controlados, como aulas o laboratorios de la Universidad. Además, habilidades tecnológicas de los estudiantes participantes no son un problema, como el protocolo se basa en conceptos técnicos sencillos entendibles por un estudiante universitario promedio independientemente de su campo académico. Como se indica en la literatura31, reproducibilidad en las ciencias experimentales requiere una descripción completa y clara de los protocolos aplicados y el resultado de la misma. El protocolo que se discuten en este documento ha sido diseñado de forma modular según pasos simples y directas, que facilita la reproducción de los experimentos discutidos y su extensión32. Entre los aspectos más relevantes de diseño facilitar la reproducibilidad, podemos nombrar la concisión de la fase de laboratorio y su aplicación automatizada mediante aplicaciones móviles independientes. Además, la fase de aula no requiere ninguna interacción con los estudiantes más allá de las actividades académicas. Mayoría de los estudiantes señaló la simplicidad del proceso, y no se reportaron ninguna queja en relación con su participación en los experimentos. En definitiva, pruebas recogidas hasta ahora indican que este protocolo puede aplicarse a sujetos con un perfil más amplio y en campos diferentes a la educación, tales como centros de salud o el lugar de trabajo. Además, este protocolo ofrece la posibilidad de estudiar varias soluciones de aprendizaje de máquina con la que probar el mejor de los algoritmos para implementar dependiendo de los requerimientos de los experimentos y en el dispositivo portátil seleccionadas. El uso de aplicaciones para inducir estrés y proporcionar un panel de muestras de exhibición y etiqueta facilita la formación de los modelos de estrés personalizado en una sesión de laboratorio individual.

Las principales limitaciones de la solución propuesta se relacionan con la variabilidad de los sujetos y la reproducibilidad de las actividades académicas. Es prácticamente imposible recrear exactamente las mismas condiciones y situaciones que se desarrollan en las sesiones de la Conferencia. Por otro lado, el estrés experimentado por cada estudiante es muy personal, como en general allí son diferentes respuestas a los estímulos de la misma. Además, hay temas relacionados con el hardware para los dispositivos portátiles, tales como métodos de acceso diferentes, diferentes sensores, acceso a señales fisiológicas en tiempo real o duración de la batería. Estos requisitos técnicos restringen wearables elegibles a una limitada gama de dispositivos. En nuestros caso, los dispositivos incluyen ésos compatible con capacidades Bluetooth smart y smart bandas con un SDK compatible con los principales dispositivos de smartphone SO. El número de dispositivos compatibles se espera que aumente a lo largo de los próximos años.

El protocolo propuesto pretende servir como un instrumento para finalmente definir modelos de estudiante más ricos que los actualmente utilizados en el aprendizaje de sistemas de gestión o sistemas de información de estudiantes. Por ejemplo, la nueva información capturada con el dispositivo usable según el protocolo discutido podría aplicarse a la detección temprana de situaciones que afectan el rendimiento como fatiga o el estrés y a los estudiantes de la guía para superar estas situaciones. Una alternativa en el presente Protocolo puede basarse en dispositivos portátiles usados también fuera del aula con el fin de detectar variaciones en señales fisiológicas durante un largo periodo de tiempo. Este enfoque implica varios desafíos, tales como una temperatura ambiente constantemente cambiante, o el tema bajo estudio están obligados a estar siempre cerca de su teléfono inteligente evitar pérdida de datos. Por último, este protocolo puede también aplicarse a otros cursos y niveles educativos, que faciliten la captura de pruebas adicionales sobre cómo el estrés influye en rendimiento académico para los estudiantes con diferentes habilidades o campos de estudio.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Este trabajo es apoyado por la Agencia de investigación del Estado español y el fondo de Desarrollo Regional europeo (FEDER) dentro del proyecto de PALLAS (TIN2016-80515-R AEI/adopta, UE).

Materials

Name Company Catalog Number Comments
Microsoft Band 2 Microsoft Wearable
Nexus 5 LG/Google Smartphone
PhysiologicalSignals Developed by the paper authors App to collect data from wearables
StressTest Developed by the paper authors App to develop laboraty experiment: Video visualization, Stroop color and word test, paced auditory serial addition test (PASAT) , hyperventilation activity 
Quizs Developed by the paper authors Questionnaires to collect qualitative data on students’ perception on stress
Server Developed by the paper authors Server to store, analyze and display data
Weka application University of Waikato Application to process the data using machine learning techniques

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

Ingeniería número 136 muñeca-wearables cuantificación análisis multimodal estrés aprendizaje de máquina un e-learning
Evaluación de Wearables comercial fuera de la plataforma-muñeca para estimar la tensión en los estudiantes
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