Neues System zur Überwachung von Stress im Alltag

Stress ist für viele Leute ganz normal. Neueste Umfragen zeigen, dass etwa 70% der Menschen in den Vereinigten Staaten jeden Monat mit mindestens einem Stresssymptom zu kämpfen haben. Es ist wichtig zu erkennen, dass langanhaltender Stress der Gesundheit schaden kann, was zu Problemen wie einem geschwächten Immunsystem, Herzkrankheiten, Depressionen und sogar Sucht führen kann. Wegen dieser ernsthaften Folgen wird es immer wichtiger, die Stresslevel im Blick zu behalten. Deshalb wird es zur Priorität, zuverlässige Methoden zur Stressmessung bei Menschen zu finden.

#Stressüberwachung durch Körpersignale

Eine Möglichkeit, Stress zu erkennen, sind körperliche Signale. Forscher haben untersucht, wie diese Signale zur Identifikation von Stress genutzt werden können. Ein nützliches Signal ist das sogenannte Photoplethysmogramm (PPG). Dieses Signal zeigt, wie unser Herz und unsere Blutgefässe auf Stress reagieren und lässt sich leicht mit Geräten messen, die wir jeden Tag tragen. Dank des Wachstums tragbarer Technologien, wie Smartwatches, können wir diese Signale jetzt ganz einfach verfolgen.

Neben Körpersignalen kann auch das Verfolgen unserer Umgebung und täglichen Aktivitäten wichtige Hinweise zum Verständnis von Stress geben. Neue Mobile Apps sind in der Lage, kontinuierlich Daten darüber zu sammeln, wo wir sind, was wir tun, das Wetter und andere relevante Details. Frühere Studien haben bereits gezeigt, dass die Kombination dieser kontextuellen Informationen mit den Signaldaten helfen kann, stressige Situationen zu erkennen.

#Herausforderungen bei der Echtzeit-Stressüberwachung

Obwohl die Echtzeitüberwachung von Stress nützlich ist, bringt sie einige Herausforderungen mit sich. Zum Beispiel können die Signale von Smartwatches durch Bewegung beeinflusst werden, was Rauschen in den Daten erzeugt. Um diese Signale für die Stressmessung nutzen zu können, müssen wir dieses Rauschen herausfiltern.

Ausserdem müssen wir, um Stress effektiv zu überwachen, Echtzeitdaten von den Teilnehmern sammeln. Das kann knifflig sein, weil es darauf ankommt, den richtigen Zeitpunkt für die Datensammlung zu wählen. Zum Beispiel wollen wir die Leute nach ihrem Stresslevel fragen, wenn sie nicht mit anderen Aufgaben wie Lernen, Arbeiten oder Schlafen beschäftigt sind. Es ist auch wichtig, Momente zu finden, in denen sie wahrscheinlich gestresst sind. Trotz dieser Schwierigkeiten ist die Schaffung eines zuverlässigen Systems, das sowohl Körper- als auch Kontextdaten erfasst und auch Feedback von den Teilnehmern einholt, eine grosse Herausforderung.

#Unser vorgeschlagenes System zur Stressüberwachung

In dieser Studie stellen wir ein neues System zur Stressüberwachung im Alltag vor, das eine Mischung aus Körpersignalen und kontextuellen Informationen nutzt. Unser Ansatz beinhaltet eine clevere Methode, um die Teilnehmer nach ihrem Stresslevel zu fragen. Dieses System verwendet eine öffentliche Mobile App, um Echtzeit-Kontextdaten zu sammeln.

Um die Herausforderungen bei der Erfassung physischer und kontextueller Daten zu meistern und gleichzeitig Feedback von den Teilnehmern zu bekommen, haben wir ein Dreibettsystem entwickelt. Dieses Setup kann effektiv beide Arten von Informationen über den Tag hinweg erfassen und aufzeichnen.

#Wichtige Beiträge

• Wir haben ein Dreibettsystem entwickelt, um sowohl Körpersignale als auch Kontextuelle Informationen zusammen mit dem Feedback der Teilnehmer zu sammeln und zu überwachen.
• Wir haben eine clevere Methode etabliert, um die Teilnehmer mehrmals täglich nach ihrem Stresslevel zu fragen, die qualitativ hochwertige Antworten garantiert.
• Wir haben untersucht, wie eine Anpassung des Systems an einzelne Teilnehmer die Stressmessung verbessert, indem wir spezifische persönliche Daten während des Trainings verwenden.

#Verwandte Forschung

Viele Studien zur Stressmessung wurden in kontrollierten Umgebungen, wie Laboren, durchgeführt, wo die Teilnehmer bestimmte Aufgaben erledigen, während sie Geräte tragen, die verschiedene Körpersignale sammeln. Obwohl die Ergebnisse im Labor beeindruckend sein können, sind sie nicht direkt auf reale Situationen übertragbar. Daten, die im Alltag gesammelt werden, können von vielen äusseren Faktoren beeinflusst werden, und der Stress, den Menschen in ihrem Alltag empfinden, ist oft anders als der Stress, den sie in einem Labor erleben.

Kürzlich haben einige Forschungen begonnen, Körpersignale von Teilnehmern in natürlicheren Umgebungen zu verwenden. Dies geschieht mit tragbaren Geräten, wie Smartwatches, die kontinuierlich Daten sammeln. Viele dieser Studien versäumen es jedoch, kontextuelle Informationen in ihre Modelle einzubeziehen, was zu weniger zuverlässiger Stressmessung führt. Frühere Forschung hat hervorgehoben, wie wichtig diese kontextuellen Daten sind.

Einige Studien haben versucht, sowohl Körpersignale als auch kontextuelle Informationen in alltäglichen Umgebungen zu nutzen. Oft fragen sie die Teilnehmer jedoch nur einmal täglich nach ihrem Stresslevel, was es schwierig macht, das gesamte Spektrum der Stressreaktionen im Laufe des Tages zu erfassen. Ausserdem fehlt vielen dieser Studien eine effiziente Möglichkeit, nach Stressfeedback zu fragen, was zu verpassten Gelegenheiten zur Datensammlung führt.

#Teilnehmer und Methodik der Studie

Um unser Überwachungssystem zu testen, haben wir eine Gruppe von Studenten rekruitert, die an unserer Studie teilgenommen haben. Die Gruppe bestand aus 11 Studenten im Alter von 18 bis 37 Jahren. Jeder Teilnehmer wurde gebeten, eine Smartwatch zu tragen, die verschiedene Körpersignale misst, und tägliche Aufforderungen auszufüllen, um ihr Stresslevel zu melden.

Vor Beginn der Studie wurden die Teilnehmer über das Projekt informiert und gaben ihr mündliches Einverständnis zur Teilnahme. Sie luden zwei Mobile Apps herunter – eine zum Bereitstellen von Stressupdates und eine andere zum Sammeln von Hintergrunddaten. Über einen Zeitraum von zwei Wochen trugen die Studenten die Smartwatch und erhielten Aufforderungen zur Stressberichterstattung, die durch unser intelligentes System ausgelöst wurden.

#Systemarchitektur

Unser vorgeschlagenes System hat drei Hauptschichten:

#Sensorsicht

Wir haben Samsung Galaxy Gear Sport Smartwatches verwendet, die in der Lage sind, Körpersignale zu messen. Wir haben eine spezielle App für diese Uhren erstellt, um Rohdaten zu sammeln. Wenn sie mit Wi-Fi verbunden sind, werden die Daten in die Cloud gesendet; wenn kein Wi-Fi verfügbar ist, können sie per Bluetooth an ein Smartphone gesendet werden.

#Edge-Schicht

Um kontextuelle Informationen zu sammeln, haben wir das AWARE-Framework verwendet, das Daten zu täglichen Aktivitäten mithilfe von Smartphonesensoren protokolliert. Wenn kein Wi-Fi verfügbar ist, kann die App weiterhin Daten sammeln und in die Cloud zur Speicherung senden. Darüber hinaus erhalten die Teilnehmer über die App Aufforderungen, nach ihrem Stresslevel zu fragen.

#Cloud-Schicht

In der Cloud ist ein intelligentes System eingerichtet, das während des Tages Stressfeedback anfordert. Dieses System arbeitet nach bestimmten Regeln, um sicherzustellen, dass die Aufforderungen zu angemessenen Zeiten und nur dann gesendet werden, wenn die Teilnehmer ihre Uhren tragen.

#Datensammlung und -verarbeitung

Die von den Teilnehmern gesammelten Daten umfassen sowohl Körpersignale als auch kontextuelle Informationen. Nach der Datensammlung werden diese bereinigt und gefiltert, um Rauschen zu entfernen. Merkmale, die mit Stress in Verbindung stehen, wie Herzfrequenz und Atemmuster, werden aus den Körpersignalen extrahiert. Die kontextuellen Informationen werden ebenfalls in brauchbare Merkmale für die Analyse umgewandelt.

Um Genauigkeit zu gewährleisten, verwenden wir fortgeschrittene Methoden, um Lücken in den Daten aufgrund fehlender Werte von Sensoren zu füllen. Ausserdem klassifizieren wir die von den Teilnehmern gemeldeten Stresslevel in zwei Hauptkategorien: „Stress“ und „kein Stress“.

#Maschinelles Lernen und Leistungsbewertung

Um unser Stressmessungsmodell zu erstellen, haben wir verschiedene Techniken des maschinellen Lernens angewendet. Diese Methoden helfen, Daten basierend auf den gesammelten Merkmalen zu klassifizieren. Wir haben die Leistung unseres Modells mithilfe des F1-Scores gemessen, einer gängigen Kennzahl zur Bewertung der Genauigkeit von Klassifikationsmodellen.

In unseren Tests haben wir festgestellt, dass die Hinzufügung kontextueller Informationen die Leistung unseres Modells erheblich verbessert hat, was den F1-Score im Vergleich zur Verwendung von Körpersignalen allein erhöht hat. Die wichtigsten Merkmale zur Vorhersage von Stress waren Wetterbedingungen, Windgeschwindigkeit und der Aufenthaltsort des Trägers.

#Verständnis der Merkmalsauswirkung

Um zu verstehen, wie unser Modell Vorhersagen trifft, haben wir Methoden verwendet, um den Einfluss jedes Merkmals auf das Ergebnis zu erklären. Zum Beispiel haben wir herausgefunden, dass die Zeit, die das Gerät inaktiv ist, einen starken Einfluss auf die Stressvorhersagen hatte. Wetterbedingungen beeinflussten ebenfalls die Stresslevel, wobei bestimmte Bedingungen zu höherem Stress führten.

Wir haben auch festgestellt, dass bestimmte Standorte, wie der Campus, mit höheren Stressleveln verbunden waren. Insgesamt zeigt diese Analyse, dass sowohl Körpersignale als auch kontextuelle Faktoren eine bedeutende Rolle beim Verständnis und der Erkennung von Stress spielen.

#Personalisierung und Systemverbesserungen

Wir haben untersucht, wie die Personalisierung der Modelle für einzelne Teilnehmer die Leistung verbessern kann. Erste Tests zeigten, dass die Anpassung der Modelle basierend auf spezifischen Benutzerdaten zu einer verbesserten Stressmessung führte.

Obwohl die Implementierung unseres Dreibettsystems effektiv war, gibt es Herausforderungen, die angegangen werden müssen. Zum Beispiel kann es manchmal zu fehlenden kontextuellen Daten kommen, weil Sensorprobleme auftreten. Ausserdem könnte unsere Methode zur Anfrage nach Stressfeedback nicht immer die Momente erfassen, in denen die Teilnehmer gestresst sind.

In zukünftigen Arbeiten streben wir an, ein intelligenteres Abfragesystem zu schaffen, das besser erkennen kann, wann Teilnehmer wahrscheinlich gestresst sind und Zeiten vermeidet, in denen sie beschäftigt oder ausruhend sind. Um dies zu erreichen, planen wir, die Verarbeitung von Echtzeitdaten zu verwenden, um Muster in den täglichen Aktivitäten zu erkennen.

#Fazit

Wir haben ein kontextbewusstes System zur Überwachung von Stress im Alltag entwickelt, das Körpersignale und kontextuelle Daten kombiniert. Unser innovativer Ansatz umfasst ein intelligentes Feedbacksystem, um mehrfach täglich Stresslevel von den Teilnehmern zu sammeln. Durch die Integration dieser Funktionen haben wir eine signifikante Leistungsverbesserung bei der Stressmessung erzielt.

Durch diese Arbeit haben wir gezeigt, dass personalisierte Modelle zu besseren Ergebnissen bei der Stressvorhersage führen können. Unsere Ergebnisse heben die Bedeutung sowohl physiologischer als auch kontextueller Informationen zum Verständnis von Stress hervor und ebnen den Weg für verbesserte Überwachungssysteme zur Stressbewältigung im Alltag.