Summary
Ticari-off--raf (COTS) bilek wearables öğrenciler stres tahmin etmek için temel alan çözümler değerlendirmek için bir protokol önerilmiştir. Protokol iki aşama, bir ilk laboratuvar tabanlı stres indüksiyon testi ve öğrenci akademik faaliyetleri gerçekleştirirken sınıfta yer alan bir izleme sahne yapılır.
Abstract
Öncelikle gençler arasında spor aktiviteleri izlemek için son yıllarında giyilebilir ticari-off--raf (COTS) aygıtları popüler hale gelmiştir. Bu cihazlar kalp hızı, cilt sıcaklığı veya galvanik deri tepkisini gibi fizyolojik sinyalleri üzerinde veri toplamak için sensörler bulunmaktadır. Sinyalleri bu tür veri analytics teknikleri uygulayarak, daha üst düzey insan davranışı yönlerini tahminleri elde etmek mümkündür. Literatürde, uyku düzeni veya stres hakkında bilgi edinmek için klinik cihazlar kullanarak toplanan fizyolojik veri kullanımını açıklayan çeşitli eserleri vardır. KARYOLASI bilek wearables kullanarak yakalanan verileri öğrenenler psikolojik eğitim ortamlarında durumda karakterize etmek yeterli olup olmadığını ancak, hala açık bir soru var. Bu kağıt stres tahmini karyolası bilek wearables kullanarak elde edilen verilerden değerlendirmek için bir iletişim kuralı anlatılmaktadır. Protokol iki aşamada yapılır. Bir mobil uygulaması farklı stres düzeyleri bir öğrenci rahatlatıcı bir video, Stroop renk ve Word testi, tempolu işitsel seri ek test ve hiperventilasyon test yoluyla ikna etmek için kullanıldığı bir kontrollü laboratuvar deneyi, ilk aşamada oluşur. İkinci aşama sınıfta stres çeşitli akademik etkinlikler gerçekleştirmek, yani teorik ders katılıyor, çalışmaları ve diğer bireysel faaliyetler yapıyor ve kısa testler ve Sınavlar sırasında nerede analiz yapılır. Her iki durumda da, nicel veri karyolası bilek wearables elde edilen ve anketler aracılığıyla toplanan nitel veri olarak kabul edilir. Bu protokol ile bir stres indüksiyon app basit ve tutarlı bir yöntem içerir ve sınırlı katılımı gerektiren soru formları, personel desteği.
Introduction
Giyilebilir teknolojileri yaygın olarak mevcuttur ve uygulama ortamlarını sürekli genişletiyoruz. Hangi karyolası arasında bilek wearables1, akıllı saatler ve akıllı bantları gibi sporcular arasında popüler olarak bir kişisel fiziksel fitness aracı2izleme birçok farklı aygıt içinde belgili tanımlık çarşı bulabilirsiniz. Analitik teknikler, bu cihazlar kullanarak elde edilen veriler genel fiziksel durumu gibi göstergeler sağlamak için işlenen veri uygulayarak, kalite veya kurtarma faktör uyku. Her ne kadar sıkı gereksinimleri klinik denemelerin sınırla Bu alanda gösterdiği uygulanabilirliği hakkında onların olası uygulama diğer alanlara sağlık etki alanı3,4, özellikle akademik topluluk ilgi kaldırdı onların giriş. Ancak, bir daha az talep içinde bağlam eğitimi gibi farklı giyilebilir cihazların kullanımını içeren edebiyat son araştırmalarda bulabiliriz, her ikisi de faaliyetleri5,6 öğretim ve tahmini ile ilgili öğrenci uyku desen7veya öğrencilerin nişan farklı eğitim faaliyetleri8analizi gibi belirli özellikleri.
Bizim durumumuzda, karyolası bilek takılabilir cihazlar sonunda sırayla eğitim bağlamlarda önemli bir yönüdür stres tahmini kolaylaştırmak fizyolojik sinyal toplamak için araç olarak analiz odaklanın. Stres akademik faaliyetleri ve genel öğrencilere performansını gelişiminde ilgili bir etkisi vardır. Örneğin, stres düzeyleri doğrudan Tükenmişlik sendromu öğrenciler9,10,11başlangıcı için ve ilgili yüksek stres düzeyleri birinci yıl sırasında nerede bırakma arasında % 20 oranları özellikle ilgili ve % 3012,13 yaygındır. Algılama ve stres göstergeleri kontrol akademik performans önemli ölçüde artırabilirsiniz.
Çünkü onlar stres değerlendirme ve algılama bilimsel topluluk tarafından yaygın olarak kullanılmış olan fizyolojik sinyalleri hakkında bilgi vermek sensörler karyolası bilek giyilebilir aygıtlarının kullanımını haklı olduğunu. Bazı sinyaller kalp hızı (HR)14, kalp hızı varaibility15, cilt sıcaklığı (ST)16, solunum14ve galvanik deri tepkisini (GSR)17bu amaç için kullanılan edebiyat dahil etmek denir. Bu sinyaller karyolası bilek wearables tarafından toplanabilir. Ancak, klinik cihazlar aynı performansı sunmuyoruz. Farklılıklar vardır sensörler aygıtlar18,19,20,21arasında doğruluğu ile ilgili. Yine de, önceki işleri18,19,20,21 yavaş hareket senaryoda, karyolası bilek giyilebilir sensörler hata desenleri özel cihazlara benzer sahip göstermiştir.
Bu kağıt amacı stres tahmininde karyolası bilek wearables kullanan öğrenciler için farklı çözümler değerlendirmek için bir protokol tanıtmaktır. Stres düzeyleri, farklı bilek giyilebilir cihazları ve veri analytics teknikleri ve özellikle makine öğrenimi algoritmaları kullanımını içeren tahmin etmek için önerilen birçok düzenleme vardır. KARYOLASI bilek wearables onların yüksek parçalanma, heterojen ve birlikte çalışabilirlik sorunları22ile karakterizedir. Üç şirket neredeyse % 5023bir toplu pazar payı var ama % 50 yukarıda toplanmış pay kadar küçük bireysel Pazar için birçok diğer şirketler rapor paylaşır. Öte yandan, heterojenlik, açısından aynı sayıda ve türde algılayıcılar, ivme ve en yaygın olanıdır s sensörleri ile tüm wearables var ve ST'ın ve GSR'ın sadece % 5'in belgili tanımlık aygıt mevcut varlık okudu. Birlikte çalışabilirlik gelince, birbiriyle uyumlu olmayan farklı işletim sistemleri ve veri koleksiyon yaklaşım vardır. Bileğindeki bir aleti aracılığıyla toplanan verilerden stres tahmin etmek için uygulanan teknikler öğrenme makinesi gelince, karar ağaçları, en yakın komşu yaklaşımlar, sinir ağları da dahil olmak üzere birçok seçenekleri kullanılabilir24, Naïve Bayes vardır sınıflandırıcılar, Özetle, için vb böylece sonunda seçmek için farklı geçici seçenekler arasında karşılaştırma kolaylaştırmak için bir değerlendirme protokolü tasarlamak için enstrümantal stres tahmini için geliştirilen çözümleri çok çeşitli olduğunu belirli bir bağlamda en uygun.
Protokolün uygulanması için gerekli (Şekil 1) çeşitli araçlardır. İlk olarak, bir bebek karyolası bilek giyilebilir cihazı fizyolojik veri getirmek için gereklidir. Taşınabilir aygıttaki en az olması gereken özelliklerini, ancak ek sensörler izleme İK arzu (Örneğin, accelerometer, ST, GSR sensörler). İkinci olarak, PhysiologicalSignal app çalışan bir smartphone taşınabilir aygıt tarafından yakalanan verileri toplamak için gereklidir. Üçüncü olarak, StressTest uygulaması çalıştıran bir tablet stres indüksiyon alıştırmaları çalıştırmak için gerekli (smartphone olabilir onun yerine tablet bu amaç için kullanılan). Dördüncü, stres üzerinde öğrencilerin algı üzerinde nitel veri toplamak için bazı soru formları. Beşinci olarak, bir sunucu ile bir Web hizmeti veri toplama ve ön işleme ve sinyalleri evrimi göstermek için Web kontrol paneli gerçekleştirmek için25 . Ve son olarak, toplanan verileri işlemek için veri analytics paket26 makine öğrenme teknikleri kullanan öğrenciler hakkında.
Değerlendirme Protokolü iki aşamalar halinde düzenlenmiştir. İlki, laboratuvar faz nerede farklı stres düzeyleri (yani, "Sakin ol", "yoğun stres" ve "stres") bir hedef konu (öğrenci) indüklenir rahat bir odada yaygın stres-inducing görevleri gerçekleştirilir. İkinci bölümü sınıfta yer alır ve öğrenci çeşitli akademik faaliyetleri başarı sırasında izleme içerir: teorik açıklamalar, bireysel etkinlikler, kısa testler, sınavlar, vb sırasında uygulanması Bu iletişim kuralı, konu fizyolojik sinyalleri aracılığıyla bileğindeki bir aleti ele geçirdi. Son olarak, bu sinyalleri algoritmaları stres düzeyi tahminleri sağlamak için öğrenme makine tarafından işlenir.
Laboratuvar aşamasında StressTest app farklı stres düzeyleri ikna etmek için kullanılır. Bu app konu dört farklı görevlerin tamamlanması için size yol gösterir. İlk görev gerilme analizi için bir temel oluşturmaktır. Bu görev, öğrenci bir günbatımı bir köprü farklı çekim görüntülendiği bir 4 dakika rahatlatıcı video görüntüler. İkinci görev Stroop renk ve Word Test27 (SCWT) bir uyarlamasıdır. Her iki saniyede bir, konu adı bir renk (kırmızı, yeşil, turuncu, mavi ve mor) boyanmıştır renk seçmeniz gerekir. Her renk ilk harfini içeren ekranın alt kısmında yer alan birçok düğme her zaman boyalı renk seçmek konunun kullanılabilir. Örneğin, mektup b mavi başvurduğu düğmeyi gösteriyor Bizim durumumuzda bu test üç farklı zorluk seviyelerine ayrılmıştır. Renk ve adı doğrudan eşleşecek şekilde (SCWT1) birinci düzey, düğmeler olarak aynı sırada "sözleriyle renkleri" renkli görünür. Bu düzey temel, herhangi bir zorluk anlamına gelmez ve konu sadece sıkıştırma belgili tanımlık düğme düzgün, her zaman yüklendikleri sırayla olarak alınır. İçin belgili tanýmlýk ikinci yüzey (SCWT2), renkli "sözcükleri" renk rastgele görüntülenir, ancak adı ve renk arasındaki ilişkiyi korunur. Her zaman konu başarısız bir bip sesi duyulur ve iki hata yaptıysanız, doğru renk puanı sıfırlar. En son ve en zor seviye için (SCWT3), adını ve rengini aynı değil. Bu şekilde bu düzeyi daha karmaşık ve konu için stresli olması amaçlanmıştır. Üçüncü görev nasıl bir konsantrasyon testi öğrenci deneyimleri ölçen tempolu işitsel seri ek test (PASAT)28, oluşur. Bu görevi sırasında ardışık sayılar dizisi yüksek sesle oynanır ve öğrenci son iki sayı ve sağlanan sonucu ekran kutusunda sonraki dinlemeden önce yazma eklemeniz gerekir. Konu bir hata yaparsa bu görev, stres oluşturmak için rahatsız edici bir olay oluşur (iki aynı anda ses sayı ya da sessizlik içinde uzun süre muhafaza). Bu durumda, üç hataları kaydedilmiş ise, toplam hesabı sıfırlanır. Dördüncü görev üzerinde bir stresli durum17kışkırtmak fizyolojik sinyalleri aynı varyasyon ikna etmek için bir hiperventilasyon faaliyet oluşur. Her görev ve seviye sonunda konu algılanan stres düzeyini belirtmek istimal belgili tanımlık kullanma kendisi, 5-değer Likert ölçeği göre vardır.
Sınıf aşamasında öğrenciler onların sınıf geri kalanı ile birlikte sıradan akademik faaliyetlerini yerine getirir. Protokol sınıf özgü faaliyetleri sırasında ortaya çıkan stres düzeyleri üzerinde duruluyor. Ders sonunda, kısa bir soru formu (ek 1) algılanan çeşitli etkinlikler 5-değer ölçeğine göre stres düzeyini belirtmek için öğrenci tarafından tamamlanır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Tüm yöntemler aşağıda açıklanan Galiçya'nın Komitesi Pontevedra-Vigo-Ourense (trafiğe çıkış kodu 2017/336) araştırma etiği için bölgesel hükümet tarafından onaylanmış olması. Protokol ilk yıl öğrenciler, telekomünikasyon Mühendislik Fakültesi - Vigo Üniversitesi, rahat laboratuvar odasında ve birkaç ders ve alıştırma oturumlarına bir lisans dersin bilgisayar mimarileri için uygulanmıştır.
1. cihazların hazırlama
- Smartphone ve tablet aygıtı istikrarlı bir Internet bağlantısına bağlayın.
- Bluetooth iletişim smartphone içinde açın.
- Smartphone içinde karşılık gelen resmi app store bilek giyilebilir uygulama arama. Download ve install o.
- Belgili tanımlık smartphone fizyolojik sinyal yakalamak PhysiologicalSignals app için arama. Download ve install o.
Not: Şu anda, app bir beta sürüm ve erişim isteği tarafından sağlanabilir. - Tablet, araştırma laboratuvar deneylerinde kullanılacak StressTest app arayın. Download ve install o.
Not: Şu anda, app bir beta sürüm ve erişim isteği tarafından sağlanabilir. - KARYOLASI bilek giyilebilir aygıtı açın ve takılabilir yerleştirin.
- Smartphone içinde resmi karyolası bilek giyilebilir uygulamasını açın.
Not: App giyilebilir aygıtı smartphone ile eşitlemeye devam eder. Bazı aygıtlar'da, bir e-posta adresi gereklidir. - Belgili tanımlık smartphone PhysiologicalSignals app açın.
- Bir sensör erişim isteği üzerine haberdar olmak durumunda, kabul et.
- Aygıtı denetleyin. Word Weared yeşil görüntülemek PhysiologicalSignals app için bekleyin.
Not: Bu giyilebilir aygıtı algılandı ve bu nedenle smartphone için sensörler üzerinden bilgi iletimi etkinleştirilmiş olduğunu gösteriyor. Bu ileti görünmüyorsa 1,6 adımları yineleyin.
2. laboratuvar faz
- Laboratuvar ayarı hazırlayın. Rahat ve rahatsız edici olmayan oda rahatsız edici gürültü olmadan ve rahat bir sıcaklık (22 ° C-26 ° C arasında) seçin.
- Bilek giyilebilir aygıtı açın, subject´s sigara dominant bilek yerleştirin ve kulaklık öğrenci başına yerleştirin. Takılabilir uygun bilek sıkıca ama rahat.
- Smartphone ve tablet bir istikrarlı Internet bağlantısı sağlamak ve Bluetooth bağlantısı etkin olduğundan emin olun.
- Akıllı telefon, PhysiologicalSignals uygulaması başlatmak.
- App word Weared yeşil görüntülemek için bekleyin.
- Kullanıcı Değiştir seçeneği sol yapılandırma menü ve testleri tamamlamak ve Kaydet' i tıklatın konu kimliği sağlar.
- Bir dizüstü bilgisayar, pano erişmek ve test yöneticinin kimliğini ve parolasını girin.
Not: Şu anda, özel ve güvenlik kaygıları için kontrol paneli erişimi yalnızca istek altında kullanılabilir.- Konu kimliği ve konunun stres sekmesini seçin.
- Fizyolojik sinyalleri evrim kontrol ve deney başlamadan önce termal kararlılık ulaşmak giyilebilir aygıt için bekleyin.
Not: Termal kararlılık grafiği'ndeki bir plato olarak tanımlanır.
- Tablet, StressTest uygulamayı başlatmak.
- Konuya dört laboratuvar görevleri açıklar. Bazı ekranlar ve görevlerin her biri sırasında gerçekleştirilecek eylemler göster.
Not: konu vurguladı veya uygun olarak gerçekleştirilen faaliyetleri, rahat hissediyorum ve korku veya gereken neler endişe çok önemli olmasıdır. - Öğrenci etkinlikleri gerçekleştirmek için taşınabilir aygıt yerleştirildiği el kullanılacak ve masanın üzerine kollarını dinlenmeye değil söyle.
- Adım 2.4.2 olduğu gibi aynı kullanıcı kimliği girin ve ok'i tıklatın.
- Konuya dört laboratuvar görevleri açıklar. Bazı ekranlar ve görevlerin her biri sırasında gerçekleştirilecek eylemler göster.
- Video görev başlatmak ve öğrenci için tam denetim verin.
- Görev başarıyla yürütülen gözlemlemek.
- Görev tamamlandı, konu algılanan stres sağlar kontrol edin.
- Stroop renk görev (SCWT) ardışık seviyeleri 1, 2 ve 3 için başlatın.
- Her seviye için alt görevi başarıyla yürütülen gözlemlemek.
- Her görevi sona erdiğinde, konu algılanan stres sağlar kontrol edin.
- -Dibi takdirde konu 4 dakika sonra çözmek değil, yalnızca düzey için 3 ve sadece ekranın üst kısmında bulunan ok tuşuna basarak görevi sonlandırın.
- Tempolu işitsel seri ek test (PASAT) başlatın.
- Görev başarıyla yürütülen gözlemlemek.
- Konu PASAT test 4 dakika sonra çözmek değil diye, ekranın üst kısmında bulunan ok tuşuna basarak Görevi Sonlandır.
- Görev tamamlandı, konu algılanan stres sağlar kontrol edin.
- Hiperventilasyon testi başlatın.
- Pano kullanarak İK evrimi gözlemlemek. Fizyolojik sinyalleri önemli ölçüde değiştirmek değil, yavaş yavaş ilham ve sona erme tarihi kurları artırmak için konu isteyin.
- Konu baş dönmesi veya rahatsız durdurmak bu görevi hissediyor diye. Her durumda, dört dakika sonra görevi tamamlamak.
- Görev tamamlandı, konu algılanan stres sağlar kontrol edin.
3. sınıf faz
- Bilek giyilebilir aygıtı açın ve subject´s sigara dominant bilek etrafında takılabilir yerleştirin. Takılabilir uygun bilek sıkıca ama rahat.
- Belgili tanımlık smartphone bir istikrarlı Internet bağlantısı sağlamak ve Bluetooth bağlantısı etkin olduğunu doğrulayın.
- Akıllı telefon, PhysiologicalSignals uygulaması başlatmak.
- App word Weared yeşil görüntülemek için bekleyin.
- Kullanıcı Değiştir seçeneği yapılandırma menü, sınavları geçmek ve Kaydet' i tıklatın konu kimliği sağlar.
- Bir dizüstü bilgisayar, pano erişmek ve test yöneticinin kimliğini ve parolasını girin.
- Konu kimliği ve konunun stres sekmesini seçin.
- Fizyolojik sinyalleri evrimi kontrol edin.
- Sınıfta öğrenci-öğretmen etkileşimi ile ilgili olarak meydana gelen herhangi bir ilgili olay hakkında ek açıklamalar al.
Not: İlgili bilgi ve temel olayları fizyolojik örnekleri daha sonra etiketlemek için kullanılır. Örnek olaylar öğrenciye öğretmen gelen bir soru, ya da bir teorik açıklama başlatılır. - Ders sonunda, konu hakkında oturumu sırasında belirli zamanlarda stres düzeylerini soru formunu tamamlamak için 5 düzeyinde ölçek göre sor.
4. veri analizi
- Bir dizüstü bilgisayar, pano erişmek ve test yöneticinin kimliğini ve parolasını girin.
- Konu kimliği ve konunun stres sekmesini seçin.
- Sınıf deneme günü seçin.
- Konu örnekleri faaliyetleri ve algılanan stres seviyeleri tespit ederek etiketleyin.
- Ders-Oda faaliyetleri ve onların süre göre başlangıç ve bitiş saatlerini ve türlerini tanımlar.
- Her faaliyet için algılanan stres düzeyini seçin.
- Her konu ve her oturum için download belgili tanımlık eğe tagged örnekleri ile.
Not: Her öğrenci için bir virgül-ayrılmış-değerler (CSV) dosyası oluşturulur ile onların standart sapma, eğim ve fark, aktivite türü, etkinlik tabanlı stres (yani, ilişkili stres fizyolojik sinyal değerlerini yansıtan her satır Varsayılan etkinlik için) ve konu algılanan stres. - Veri analitik paketinin başlatın.
- Bir sınıflandırıcı seçin (Örneğin, SVM, C4.5, k-NN, Random Forest, Naïve Bayes ve sıfır R) ve CSV dosyasının tüm öğrenciler için her oturum için almak.
- Tren ve 10 kat çapraz doğrulama tekniği kullanarak sınıflandırıcı değerlendirmek.
Not: analizleri, aktivite türü, etkinlik tabanlı stres veya algılanan stres bağlı olarak, çözümleme için bağımlı değişken olarak seçili. - Son olarak, doğruluk ve hata oranları için sonuçları denetleyin.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Tartışılan Protokolü Vigo Üniversitesi telekomünikasyon mühendislik derecesi ilk yılında bilgisayar mimarileri eğitimden uygulamaya konulmuştur. 10 çalışma gruplar halinde düzenlenir ve 200'den fazla öğrenci kayıtlı olan bu ders. Bu deney taşımak için dört gruplarından gelen öğrenciler akademik yılın başında kayıt için davet edildi. Proje öğrenciler arasında büyük ilgi çekti ve yaklaşık 30 öğrenci çalışmaya katılmak için gönüllü oldu. Onlardan, 12 öğrenci rastgele katılım için seçilmiştir.
Bizim deneyler için seçili karyolası bilek giyilebilir aygıt HR, ST, GSR ve accelerometer algılayıcıları var. Seçtiğiniz bu takılabilir bir onun çeşitli sensörler ve gerçek zamanlı veri besleme hüküm üzerinde dayanıyordu. Teknik koşullar hangi sensör verileri toplanır da dikkate alınmıştır. Veri yakalama genellikle işlem sensörler, aynı zamanda cihazın enerji tasarrufu özellikleri nedeniyle tarafından dayatılan belirli frekanslarda gerçekleştirilir. Seçili aygıt söz konusu olduğunda, HR her saniye (1 Hz) örneklenmiş. Accelerometer 62 Hz, 31 Hz ve 8 Hz örnekleme frekansları, hareket yakalama ile diğer frekansları karşılaştırıldığında makul enerji gereksinimleri için yeterli taneciklik sağlar, çünkü içinden 8 Hz seçildi olarak teklif etti. GSR 0,2 veya 5 Hz örnek. Bu durumda, bir kez her 5 saniyede GSR veri toplamak için tercih etti. Accelerometer gelince, bu frekans yeterli taneciklik enerji gereksinimleri en az tutarak sağlanan. Son olarak, ST HR (yani, 1 Hz) olarak aynı frekansta örneklenir. Aygıt tarafından toplanan verileri PhysiologicalSignals app smartphone içinde İK ve ST örnek, maksimum hızlanma değeri ve son değeri GSR toplanan dahil olmak üzere her saniye, transfer edilir. İK gürültüyü azaltmak için 15-örnek penceresini kullanarak sunucu köknar filtre yaygın olarak kullanılan gerçek zamanlı uygulamalar29 ve ECG filtreleri bölümünde30, sinyalleri alınan veri için geçerlidir.
Bilgi laboratuvar sırasında toplanan ve sınıf oturumları server´s veritabanında saklanır. Bu bilgiler bir veri analytics paketi kullanılarak işlenmesi için indirilen. Oluşturulan veri dosyaları kümesi ham sinyalleri veri ve bu sinyal--dan türetilmiş değişkenleri içerir. Daha ayrıntılı olarak, her ham fizyolojik sinyal (HR, ST, GSR ve accelerometer), standart sapma (st), yamaç (sl) ve bugünkü değer ve uç değer arasındaki fark son 30 saniye kaydedilir.
Protokol laboratuvar aşaması deney için uygun koşullara sahip telematik mühendislik bölümü rahat bir oda içinde gerçekleştirilmiştir. Şekil 2 HR, GSR ve ST değerleri bir seanslar sırasında toplanan evrimi için gerçek bir öğrenci gösteriyor. Resimde görüldüğü gibi fizyolojik sinyalleri önemli değişimler meydana öğrenci her denemede dahil görev (video, STC1, STC2, STC3, PASAT ve hiperventilasyon) gerçekleştirir. Nispeten yüksek bir başlangıç saat değeri, en büyük olasılıkla bu görevi varlık sınıf başkanı ise ilk kez karşı karşıya indüklenen stres nedeniyle görülebilmektedir. ST hızlı büyüme hiperventilasyon testi sırasında da dikkat çekicidir.
Ayrıca laboratuvar deneyleri sırasında gözlenen bu dönemler her zaman gibi stresli hedef öğrenci tarafından algılanan değil olursa olsun belirli deneysel anlarda fizyolojik sinyalleri dikkate değer farklılığı vardı. Bu gerçeğini algılanan stres öznel bir değişkendir ve katılan öğrenciler tamamen stres ortak bir kavram kabul etmiyorsanız nedeniyle. Laboratuvar aşamasında yüksek stresli kısa dönemler oluşturmak amaçlanmıştır. Bu kısa dönemler stres bazen hayal kırıklığı ama değil stres, katılan öğrencilerin farklı ifade ne fizyolojik sinyal için yanıt için yol olarak tanımlı değil. Bu etkiyi Şekil 3' te grafiklerde görüntülenmeyecektir. Örneğin, 12:15 ve 12:20 (son test Stroop renk ve Word Test tamamlanması) arasındaki aralığı içinde açık bir belirti potansiyel stres güçlü GSR varyasyonları vardır. Bu güçlü varyasyonları da 12:25 ve testin (hiperventilasyon testi) arasında var, ancak her iki olayda, Kullanıcı iddia benzer şekilde düşük stres düzeyi hissediyorum.
Durum gerilmeler stres değerlendirme böyle kısa bir süre içinde öznel karakteri ele alındı. Sonuç olarak, bağımlı değişken veri kümesi (yani, aktivite türü, etkinlik tabanlı stres veya konu algılanan stres) adayları üzerinden biz etkinlik tabanlı stres için seçti. Bu değişkeni ele görev ve değil her görev sonunda onların algılanan stres düzeyleri hakkında öğrenciler tarafından sağlanan yanıtlar zorluk seviyesine göre stres düzeyleri tanımlar. Bu şekilde, video izlerken olarak "SCWT3 ve PASAT"konsantrasyon"ve hiperventilasyon test"stres"olarak etiketli süre sakin ol" etiketlenmesi. SCWT1 ve SCWT2 örnekleri bizim önceki bir pilot araştırma ortalama, SCWT1 ve SCWT2 (video görüntüleme sırasında ulaştı) rahat bir duygu arasında bir geçiş göstermek faaliyetleri olduğunu, gözlenmiştir çünkü büyük ve stresli atılan Not bir tane. Bu nedenle, bu 2 etkinlikler gelen sinyalleri bizim analiz atılan ve biz sadece bu video görüntüleme, SCWT3, PASAT ve hiperventilasyon faaliyetleri dahil. Bu ülkeler arasında İK, ST ve GSR varyasyonları (rahatla, konsantrasyon, stres) Şekil 4' te özetlenmiştir. Bu rakam 12 öğrenci denemeye dahil üç stres düzeyleri için fizyolojik sinyal Dörttebirlikler gösteriyor. Genel olarak, görevler zorluk artan öğrenci yüzleri olarak İK ve GSR sinyalleri yavaş yavaş artırın. Ayrıca, her durumda sıcaklık seviyesi etkilenir. Ancak, bazı durumlarda rahat olaylarını artırır ve sırasında diğer durumlarda sadece ters kişi bağlı oluşur stresli durumlarda azaltır.
Görsel olarak fizyolojik sinyalleri varyasyon gözlenen korelasyon analiz için makine öğrenme teknikleri üzerinde işlenen CSV dosyaları uygulandı. Her görev ve düzeyi ilk geçici varyasyonları önlemek için sadece son 3 dakika her faaliyet temsilcisi olmayan örnekleri önlemek için kabul edilir. Özellikle, çeşitli sınıflandırma algoritmaları, özellikle SVM, C4.5, k-NN, Random Forest, NaiveBayes ve ZeroR, stres durumlarında toplanan fizyolojik sinyalleri tespit etmek için eğitim almış. Tablo 1' de gösterildiği eğitimli sınıflandırıcı yüksek doğruluk, düşük ortalama mutlak hata oranları ve yüksek Cohen Kappa Dizin düzeyi stres dedektörleri, oldu. Tüm 12 konular ve algoritmalar (hariç ZeroR), % 90 üzerinde stres algılama doğruluğunu, ortalama mutlak hata değeri 0 ve Cohen kappa Dizin 1 yakın.
İletişim kuralında tanımlanan sınıf faz, telekomünikasyon Mühendislik Fakültesi konferans odaları gerçek ders oturumları sırasında gerçekleşti. Çeşitli akademik etkinlikler bu çalışma için kabul edildi: teorik dersler; keyfi olarak öğrencilere öğretmen tarafından ders bazı yönü hakkında sorulan sorular; şüphe veya öğretmen öğrenciler tarafından yöneltilen sorular; kısa testleri; düzenli sınav/öğrenci tarafından 50-70 dakika içinde çözülmesi gereken sorunlar topluluğu oluşan Finalleri.
Fizyolojik sinyalleri evrimi görselleştirme bu durumda varyasyonları daha usta, diğer bir deyişle, farklı etkinlikler için sinyal değerleri laboratuvar aşamasında daha küçük farklar gösterir. En alakalı varyasyonları test tamamlandıktan sonra normal ders oluşmasına neden olan sınıf oturumları sırasında tespit edildi. Bu durumda, bir veya birkaç fizyolojik sinyal önemli farklılıklar, Şekil 5' te gösterildiği gibi acı. Bu resimde kısa bir test bakan bir öğrenci için yakalanan sinyaller görülmektedir (grafik ilk bölümü). Test sırasında en uygun değişken İK olurdu. Öğrenci daha yüksek kalp hızı teorik ders vakti karşılaştırıldığında vardır görülebilir. Aynı şekilde, cilt sıcaklığı ne zaman yaklaşık 1 ° C. yükseltir teorik ders vakti karşılaştırıldığında göreceli olarak düşük tutulur
Bu sayısal bir şekilde, sinyalleri değişimler ve öğrenciler tarafından ele faaliyetleri arasındaki ilişkiyi analiz etmek için makine öğrenme teknikleri mahsum laboratuvar aşamaya uygulandı. Ortalama sınıflandırma doğru %97.62 (± 3.82) olarak kombine pop quiz ve ders oturumları için sonuçlarını göster C4.5 kullanarak. Bu oturumlar analizi için sıcaklık cilt unutmayın son sonuç mümkün önyargıları nedeniyle atıldı. İle sınav ve aşağıdaki ders öğrenciler bırak sınıf yaklaşık 20 dakika arasında geçiş döneminde, ölçüde sıcaklık değerleri etkiler.
Toplanan sınıf oturum kapsamlı bir resmi analiz hala devam ediyor. Bu nerede birçok zorlu durum ele alınmaktadır karmaşık bir süreçtir. Fizyolojik sinyal ilk, ani kısa süreli değişimler ile ilişkili hiçbir stres üretebilecek olay sık gözlenir. Çoğu durumda, bu süre son araştırmacı tarafından kaydedilen önemli bir şey olmadan bir dakikadan az. Başka bir insidans gözlenen istikrarsızlık GSR değerleri takılabilir iyi ayarlanmış olduğunda veya ani hareketler meydana gelirse var. Her iki durumda 0 µS yakın çok düşük bir GSR değerleri neden. Benzer bir şekilde, her ne kadar daha az her zamanki gibi yanlış ST değerler vardır, ortam sıcaklığı, yakın zaman takılabilir Kullanıcı bilek için çok büyük ve bu nedenle gevşek yıpranmış. Bu durumlardan türetilmiş çözümleme hataları ortadan kaldırmak için etkilenen değişkenleri atılır. İzlenen tüm sinyaller stres durumlarında algılamak için aday olabilir ve farklı sınıflandırıcı sinyalleri farklı kombinasyonları kullanarak eğitimli, ama anormal değerler sınıflandırma seçili Sınıflandırıcısı olursa olsun taviz verecek.
Resim 1 . Önerilen protokolünde kullanılan araçları. Bu rakam protokol ve onların etkileşimleri dahil tüm öğeleri temsil eder. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Resim 2 . Stres varyasyon bir laboratuvar oturumda. Bu şekil içinde laboratuvar Protokolü ayrılmıştır farklı bölümlerini gösterir. Her bölümü açık bir varyasyon fizyolojik sinyaller de sunar. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 3 . Stres bir öğrenci için bir laboratuvar oturumda algılanan varyasyon. Bu rakam bir öğrenci laboratuvar oturumu sırasında fizyolojik sinyal güçlü varyasyonları ve stres quiz cevapları arasındaki farklılıkları gösterir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 4 . Fizyolojik sinyal testlerinde için 12 bir laboratuvar oturumda katılan öğrenciler. Bu rakam yüzde birlik değer Özet her konu için temsil eder. Her yük durumu arasında güçlü fizyolojik sinyal farklılıklar görüntülenmeyecektir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 5 . Sınıf etkinlikleri sırasında HR, ST ve GSR varyasyonları. Fizyolojik sinyalleri değişim sırasında kısa bir test (solda). Fizyolojik sinyalleri varyasyon bir teorik ders (sağda) sırasında. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
| SVM | C45 | Knn | RandomForest | NaiveBayes | ZeroR | |||||||||||||
| StudentID | Doğruluk | Hata | Kappa | Doğruluk | Hata | Kappa | Doğruluk | Hata | Kappa | Doğruluk | Hata | Kappa | Doğruluk | Hata | Kappa | Doğruluk | Hata | 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 |
| Ortalama | 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 |
| Standart sapma | 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 |
Tablo 1 . Doğruluk, demek mutlak hatave Cohen's Kappa Dizin değerleri için elde edilen SVM, C4.5, k-NN, Random Forest, NaiveBayes ve ZeroR makinesi sınıflandırıcı verilerini kullanarak öğrenme 12 laboratuvar deneyi katılan öğrenciler.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
En popüler tüketici elektronik ürünleri arasında bugün mevcut, karyolası takılabilir cihazlardır. Bu cihazlar genellikle fiziksel aktiviteleri izlemek için kullanılır, ancak kendi yetenekleri ve performans diğer alanlarda büyük ilgi olabilir. Bu yazıda, öğrenme ortamları içinde stres tahmin etmek için karyolası giyilebilir cihazların kullanımı değerlendirmek için bir protokol ele alınmıştır. Böyle bir protokol tanımı farklı çözümler wearables ve öğrenme algoritmaları makine içeren analiz için özellikle uygundur. Protokol eğitim ayarlarında nerede stres algılama yordamlar ve onların nihai giriş doğrulama significate faydaları sağlayabilir kullanılması amaçlanmıştır. Örneğin giyilebilir aygıtlarının kullanımını azaltmak için sözde Tükenmişlik sendromu9,10,11ilişkili stres yüksek düzeyde katkıda bulunabilir ve sonuç olarak dropout oranı üniversiteler12 , Akademik performans geliştirirken 13.
Düşünmeye önemli bir özelliği taşınabilir ve smartphone arasında Bluetooth bağlantısı var. Özel Pano toplanan verileri görselleştirme yoluyla dikkat gereklidir her iki cihaz arasında bu kablosuz bağlantıyı sınama sırasında kesilmiş olabilir. Kurtarma zaman (yani, 1 ile 10 dakika arasında bir zaman aralığı) kısa bir süre sonra otomatik olarak gerçekleştirilir, ancak bu kesinti bu aralıkta örnekleri kaybolmasına neden olabilir. Kayıp bilgi miktarını azaltmak için el ile smartphone aygıtı sıfırlamak uygun olabilir. Başarı için 10 dakika kadar gecikebilir cilt istikrar etkileyebilir gibi dikkate alınması gereken diğer yönü ilk cilt sıcaklık sensörü değeri var.
Onun uygulanabilirliği öğrenciler, otomatik mobil apps kullanarak destek sadeliği hazırlık deneme ve onun düşük katılma cihazların en az onun ihtiyacını büyük bir grup için bu araştırmada önerilen protokol başlıca avantajları şunlardır sınıf faz çıkış taşıma sırasında intrusiveness. Bu iletişim kuralı geçerli derslik veya üniversite laboratuarları gibi kontrollü ortamlarda hızlı ve basit yöntem sağlar. Protokol akademik alanda bağımsız olarak bir ortalama üniversite öğrencisi tarafından basit teknik kavramlar anlaşılabilir dayalı olarak Ayrıca, katılan öğrencilerin teknolojik yeteneklerine bir sorun değildir. Edebiyat31' de belirtildiği gibi tekrarlanabilirlik deneysel bilimlerde uygulanan protokolleri ve bunların sonuçları ayrıntılı ve net bir açıklaması gerekir. Bu yazıda ele Protokolü tartışılan deneyler çoğaltılması ve onların uzantısı32kolaylaştıran bir modüler şekilde basit, kolay adımları göre dizayn edilmiştir. Tekrarlanabilirlik kolaylaştıran en uygun tasarım yönleri arasında tek başına mobil uygulamalar aracılığıyla laboratuvar faz ve otomatik uygulanması özlülük adı verebilirsiniz. Ayrıca, sınıf faz öğrenciler akademik faaliyetleri dışında herhangi bir etkileşim gerektirmez. Öğrencilerin çoğu işlem kolaylığı işaret etti ve hiçbir şikayetleri deneyler onların katılımı ile ilgili olarak rapor edilmiştir. Özetlemek gerekirse, toplanan deliller defa bu protokolü konularda daha geniş kasalı ve eğitim, sağlık tesisleri veya çalışma yer gibi farklı alanlarda uygulanabilir gösterir. Ayrıca, bu iletişim kuralı birkaç makine eğitim çözümleri ile hangi deneyler ve seçili giyilebilir aygıt gereksinimleri bağlı olarak uygulamak için en iyi algoritmaları test etmek için çalışma imkanı sunmaktadır. Uygulamaların stres ikna etmek için ve bir panoya görüntü ve etiket örnekleri sağlamak için kullanımı özel stres modelleri eğitim bir tek Laboratuvar oturumda kolaylaştırır.
Önerilen çözüm ana sınırlamaları konularda değişkenliği ve akademik faaliyetlerin tekrarlanabilirlik ilişkilidir. Tam olarak aynı koşulları ve konferans oturumlarında yer alan durumlar yeniden pratik olarak mümkün değildir. Öte yandan, her öğrenci tarafından deneyimli stres çok kişisel, genel olduğu gibi aynı uyaranlara karşı farklı tepkiler vardır. Buna ek olarak, giyilebilir cihazlara kendilerini, farklı erişim yöntemleri, farklı sensörler, erişim gibi fizyolojik sinyalleri gerçek zamanlı veya pil ömrü ile ilgili donanım ile ilgili sorunlar vardır. Bu teknik gereksinimlere uygun wearables aygıtları sınırlı bir dizi kısıtlayın. Bizim durumda, uygun aygıtlar bu uyumlu Akıllı Bluetooth özellikleriyle ve büyük SO smartphone cihazlar ile uyumlu bir SDK ile akıllı bantlar bulunur. Uyumlu aygıt sayısını önümüzdeki yıl artması beklenmektedir.
Önerilen protokol sonunda şu anda öğrenme yönetimi sistemleri veya öğrenci bilgi sistemleri kullanılan daha zengin öğrenci modelleri tanımlamak için bir araç olarak tasarlanmıştır. Örneğin, yorgunluk ya da stres gibi performansını etkileyen durumlar erken tespiti ve bu durumların üstesinden gelmek için rehber öğrenciler giyilebilir cihazın ele protokolüne göre ile yakaladığı yeni bilgiyi uygulanabilir. Bu iletişim kuralı için bir alternatif de fizyolojik sinyaller daha uzun vadede varyasyon algılamak için sınıf dışında giyilen giyilebilir cihazlarda dayanır. Bu yaklaşım sürekli değişen bir ortam sıcaklığı gibi çeşitli zorluklar içerir veya çalışma olmak altında konu her zaman veri kaybını önlemek için onların smartphone yakın olmak zorunda. Son olarak, bu iletişim kuralı diğer kurslar ve stres farklı becerileri veya çalışma alanlarında öğrenciler için akademik performans nasıl etkilediği üzerinde ek kanıt yakalama kolaylaştırmak Eğitim seviyeleri de uygulanabilir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarlar ifşa gerek yok.
Acknowledgments
Bu eser İspanyolca devlet araştırma ajansı ve Avrupa Bölgesel Kalkınma Fonu (ERDF) PALLAS (TIN2016-80515-R AEI/EFRD, AB) projesi kapsamında tarafından desteklenir.
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).
