Nuevo sistema para monitorear el estrés en la vida diaria

El estrés es algo común para muchas personas. Encuestas recientes muestran que alrededor del 70% de la gente en Estados Unidos enfrenta al menos un síntoma de estrés cada mes. Es importante darse cuenta de que el estrés prolongado puede afectar la salud, causando problemas como un sistema inmunológico debilitado, enfermedades del corazón, depresión y hasta adicción. Por estas serias consecuencias, estar atento a los niveles de estrés se está volviendo cada vez más importante. Por eso encontrar formas confiables de detectar el estrés en las personas es una prioridad.

#Monitoreando el Estrés a Través de Señales Físicas

Una forma de detectar el estrés es a través de señales físicas de nuestros cuerpos. Los investigadores han estado analizando el uso de estas señales para ayudar a identificar el estrés. Un tipo de señal que ha demostrado ser útil se llama señal de fotopletismografía (PPG). Esta señal proviene de cómo responden nuestro corazón y vasos sanguíneos al estrés, y se puede medir fácilmente con dispositivos que usamos todos los días. Gracias al crecimiento de la tecnología portátil, como los relojes inteligentes, ahora podemos rastrear estas señales sin mucho lío.

Junto con las señales corporales, seguir nuestro entorno y actividades diarias puede proporcionar un contexto importante para entender el estrés. Nuevas aplicaciones móviles pueden recolectar información continuamente sobre dónde estamos, qué estamos haciendo, el clima y otros detalles relevantes. Estudios anteriores ya han mostrado que combinar esta Información contextual con datos de señales puede ayudar a detectar situaciones estresantes.

#Desafíos en el Monitoreo del Estrés En tiempo real

Aunque monitorear el estrés en tiempo real es útil, también tiene varios desafíos. Por ejemplo, cuando usamos relojes inteligentes, las señales que recogen pueden verse afectadas por el movimiento, lo que puede crear ruido en los datos. Para hacer que estas señales sean útiles para la detección del estrés, necesitamos filtrar este ruido.

Además, para monitorear el estrés de manera efectiva, necesitamos recopilar datos de estrés en tiempo real de los participantes. Esto puede ser complicado porque requiere cronometrar la recolección de datos adecuadamente. Por ejemplo, queremos preguntar a la gente sobre sus niveles de estrés cuando no están ocupados con otras tareas como estudiar, trabajar o dormir. También es crucial encontrar momentos en los que es más probable que se sientan estresados. A pesar de estas dificultades, crear un sistema confiable que capture tanto los datos corporales como los contextuales, al mismo tiempo que obtiene retroalimentación de los participantes, es un gran obstáculo.

#Nuestro Sistema Propuesto para Monitorear el Estrés

En este estudio, presentamos un nuevo sistema para monitorear el estrés en la vida diaria a través de una mezcla de señales corporales e información contextual. Nuestro enfoque implica una forma inteligente de preguntar a los participantes sobre sus niveles de estrés. Este sistema utiliza una aplicación móvil pública para recopilar datos contextuales en tiempo real.

Para abordar los desafíos de recolectar datos físicos y contextuales mientras obtenemos retroalimentación de los participantes, creamos un sistema de tres capas. Este esquema puede recolectar y registrar eficientemente ambos tipos de información a lo largo del día.

#Contribuciones Clave

• Diseñamos un sistema de tres capas para recolectar y mantener un registro de señales corporales e información contextual, junto con la retroalimentación de los participantes.
• Establecimos un método inteligente para preguntar a los participantes sobre sus niveles de estrés múltiples veces al día de una manera que asegura respuestas de alta calidad.
• Investigamos cómo personalizar el sistema para participantes individuales mejora la detección de estrés utilizando datos personales específicos durante el entrenamiento.

#Investigación Relacionada

Se han llevado a cabo muchos estudios sobre la detección del estrés en entornos controlados, como laboratorios, donde los participantes realizan tareas específicas mientras usan dispositivos para recopilar diversas señales corporales. Aunque estos resultados de laboratorio pueden ser impresionantes, no son directamente aplicables a situaciones del mundo real. Los datos recolectados en la vida diaria pueden verse afectados por muchos factores externos, y el estrés que la gente siente en su vida cotidiana a menudo es diferente del estrés que experimentan en un laboratorio.

Recientemente, algunas investigaciones han comenzado a usar señales corporales de participantes en entornos más naturales. Esto se hace con dispositivos portátiles, como relojes inteligentes, que recopilan datos de manera continua. Sin embargo, muchos de estos estudios no logran incorporar información contextual en sus modelos, lo que resulta en una detección de estrés menos confiable. Investigaciones anteriores han destacado cuán importante es esta data contextual.

Algunos estudios han considerado el uso de señales corporales e información contextual en situaciones cotidianas. Sin embargo, a menudo solo preguntan a los participantes sobre sus niveles de estrés una vez al día, lo que dificulta capturar todo el rango de respuestas al estrés a lo largo del día. Además, muchos de estos estudios carecen de una manera eficiente de pedir retroalimentación sobre el estrés, lo que lleva a oportunidades perdidas para la recolección de datos.

#Participantes del Estudio y Metodología

Para probar nuestro sistema de monitoreo, reclutamos a un grupo de estudiantes universitarios para participar en nuestro estudio. El grupo consistió en 11 estudiantes de entre 18 y 37 años. A cada participante se le pidió que usara un Reloj inteligente que medía varias señales corporales y completara preguntas diarias para reportar sus niveles de estrés.

Antes de comenzar el estudio, se informó a los participantes sobre el proyecto y dieron su consentimiento verbal para unirse. Descargaron dos aplicaciones móviles: una para proporcionar actualizaciones de estrés y otra para recopilar datos de fondo. Durante dos semanas, los estudiantes usaron el reloj inteligente y recibieron preguntas para reportar su estrés, activadas por nuestro sistema inteligente.

#Arquitectura del Sistema

Nuestro sistema propuesto tiene tres capas principales:

#Capa de Sensores

Usamos relojes inteligentes Samsung Galaxy Gear Sport equipados para medir señales corporales. Creamos una aplicación especial para estos relojes para recolectar datos en bruto. Cuando está conectado a Wi-Fi, los datos se envían a la nube; si no hay Wi-Fi, se pueden enviar por Bluetooth a un teléfono inteligente.

#Capa de Borde

Para recopilar información contextual, utilizamos el marco AWARE, que registra datos sobre actividades diarias usando sensores de smartphones. Si no hay Wi-Fi disponible, la aplicación aún puede recolectar datos y enviarlos a la nube para su almacenamiento. Además, los participantes reciben mensajes a través de la aplicación pidiendo sus niveles de estrés.

#Capa en la Nube

En la nube, se establece un sistema inteligente para solicitar retroalimentación sobre el estrés a lo largo del día. Este sistema opera bajo reglas específicas para asegurar que los mensajes se envíen en momentos apropiados y solo cuando los participantes están usando sus relojes.

#Recolección y Procesamiento de Datos

Los datos recolectados de los participantes incluyen tanto señales corporales como información contextual. Luego de reunir los datos, se someten a limpieza y filtrado para eliminar el ruido. Se extraen características relacionadas con el estrés, como la frecuencia cardíaca y patrones de respiración de las señales corporales. La información contextual también se transforma en características utilizables para el análisis.

Para asegurar la precisión, usamos métodos avanzados para llenar cualquier vacío en los datos debido a valores faltantes de los sensores. También clasificamos los niveles de estrés reportados por los participantes en dos categorías principales: "estrés" y "sin estrés".

#Aprendizaje automático y Evaluación del Rendimiento

Para construir nuestro modelo de detección de estrés, aplicamos diversas técnicas de aprendizaje automático. Estos métodos ayudan a clasificar los datos basándose en las características recolectadas. Medimos el rendimiento de nuestro modelo utilizando la puntuación F1, una métrica común para evaluar la precisión de los modelos de clasificación.

En nuestras pruebas, encontramos que añadir información contextual mejoró significativamente el rendimiento de nuestro modelo, elevando la puntuación F1 en comparación con el uso de señales corporales solas. Las características más importantes para predecir el estrés incluyeron las condiciones meteorológicas, la velocidad del viento y la ubicación del usuario.

#Entendiendo el Impacto de las Características

Para entender cómo nuestro modelo hace predicciones, usamos métodos para explicar la influencia de cada característica en el resultado. Por ejemplo, encontramos que la cantidad de tiempo que el dispositivo está inactivo tuvo un fuerte efecto en las predicciones de estrés. De igual forma, las condiciones climáticas afectaron los niveles de estrés, con ciertas condiciones llevándolos a ser más altos.

También notamos que estar en ubicaciones específicas, como el campus, estaba asociado con mayores niveles de estrés. En general, este análisis muestra que tanto las señales corporales como los factores contextuales juegan un papel significativo en la comprensión y detección del estrés.

#Personalización y Mejoras del Sistema

Exploramos cómo personalizar los modelos para participantes individuales puede mejorar el rendimiento. Las pruebas iniciales mostraron que personalizar modelos basados en datos específicos de usuarios llevó a una mejor detección de estrés.

Aunque la implementación de nuestro sistema de tres capas demostró ser efectiva, hay desafíos que deben abordarse. Por ejemplo, a veces la información contextual puede faltar debido a problemas con los sensores. Además, nuestro método de pedir retroalimentación sobre el estrés puede que no siempre capture momentos en que los participantes están experimentando estrés.

En trabajos futuros, buscamos crear un sistema de consulta más inteligente que pueda identificar mejor cuándo los participantes probablemente estén estresados y evitar momentos en que estén ocupados o descansando. Para lograr esto, planeamos usar procesamiento de datos en tiempo real para ayudar a reconocer patrones en las actividades diarias.

#Conclusión

Desarrollamos un sistema consciente del contexto para monitorear el estrés en la vida diaria, combinando señales corporales y datos contextuales. Nuestro enfoque innovador incluye un sistema de retroalimentación inteligente para recolectar niveles de estrés de los participantes múltiples veces al día. Al integrar estas características, logramos una mejora significativa en el rendimiento de la detección del estrés.

A través de este trabajo, hemos demostrado que los modelos personalizados pueden llevar a mejores resultados en la predicción del estrés. Nuestros hallazgos destacan la importancia de la información fisiológica y contextual en la comprensión del estrés, allanando el camino para sistemas de monitoreo mejorados para la gestión del estrés cotidiano.