使用低成本压力检测心率传感器

文摘

压力的自动检测是环境辅助生活的核心问题的解决方案。提出了两个研究针对压力的概念和结果检测成本低心率传感器,胸带。在设备验证研究(),我们相比心率数据和其他特性的带黄金标准装置测量的传感器的可靠性进行评估。与简单的同步和数据清洗算法,我们可以选择高(> 97%)相关,较低的平均误差(2.2%)相当长度的数据段从胸部数据进行进一步处理。临床研究协议()包括一个放松阶段,后跟一个阶段引发了精神压力,每10分钟。我们开发了一个简单的方法检测的压力只使用三个心率信号的时域特征。方法产生它的准确率为74.6%,敏感性为75.0%,特异性为74.2%,令人印象深刻的性能相比,两种最先进的方法运行在相同的数据。由于该方法只使用时域特性,它可以有效地实现在移动设备上。

1。介绍

压力通常被定义为:一种感觉紧张和压力(1]。有证据表明,压力是与许多疾病,心血管疾病的发展起着至关重要的作用[2)、糖尿病(3),或哮喘4],也大大影响了后来的这些疾病。强调生活方式有关;因此,尤其是移动自动生活方式咨询和分析服务,需要识别压力自动白天,使用生理数据从各种传感器。如果压力可以可靠地自动识别,这可能直接帮助用户管理压力情况下,它也可以用于医学情报应用程序,例如,在精炼对糖尿病患者血糖预测下白天的压力的影响。然而,可用的方法自动压力检测基于低价格,无处不在的传感器,还不成熟。远程控制和自我管理系统(5- - - - - -9扩展视野的传统医疗护理只使用点测量数据,但适当的解释和结果的可靠性取决于测量数据的可靠性和传感器本身。

这个问题相关的两个关键问题如下:(我)低价生理传感器是否足够可靠而“黄金标准”设备在临床实践所接受和使用。(2)传感器和算法可以提供可靠的压力检测的方法,在一个合理的价格和最少的用户交互。本文描述了我们的努力和回答这些问题。本文的其余部分组织如下。部分1概述适用技术和相关研究。节2,我们描述我们的方法一个小规模的设备验证和主要的临床研究中使用的方法,而心率变异性(HRV)特性之间的放松和精神压力。我们这里也存在一个简单的压力检测算法。部分3介绍了测量结果的两项研究中,与后者相比有两个最先进的算法。我们总结本研究的长处和短处,新设计的应力检测算法部分4。

最常用的压力的生理标记如下:(我)皮肤电反应(GSR):使用皮肤电导的变化。在压力,抵抗皮肤滴由于出汗腺体分泌增加(10]。(2)肌电图(EMG):测量电活动的肌肉。压力会导致不同的肌肉的收缩,可以用来识别压力(11,12]。(3)皮肤皮肤温度:温度变化与应力水平(13]。(iv)心脏的电活动:最常用的压力标记参数来源于心电图仪(ECG)心率(HR)和心率变异性(HRV) [14]。压力也可以检测到使用其他不太常见的标志像加速度计15],击键动力学[16),或闪烁17]。也是常见的结合使用几种标记为代价增加系统成本和用户参与。费尔南德斯等人使用GSR和血压(BP)标记(18)确定压力。太阳等人描述精神压力检测使用心电图数据相结合,GSR,加速度计(19]。桑托斯De Sierra等人在20.)使用GSR和人力资源。里加斯等人使用心电图,GSR,开车时呼吸检测压力(21]。Wijsman等人使用心电、呼吸、GSR的斜方肌的肌肉和肌电图精神压力检测(22]。里埃拉等人结合脑电图和肌电图标记(23]。辛格和Queyam GSR、肌电图、呼吸,和人力资源24在驾驶)检测压力。瞳孔直径、心电图和photoplethysmogram被Mokhayeri et al(用作标记25]。Baltaci和Gokcay瞳孔直径在压力和温度特性检测(26),而崔用HRV,呼吸,GSR,肌电图,加速度,和地理位置27]。

最近也开发新的非接触方法测量应力状态。其中有一些是高光谱成像技术(28],人声[29日,30.),瞳孔直径(31日),可见光谱相机(32),或者使用立体声热和可见传感器(33]。

然而,观察几个标记识别压力需要越来越多的输入传感器反过来增加了整体价格和降低适用性。心率米价格范围从70美元到500美元;GSR设备范围从100美元到500美元,而EMG设备价格范围从450美元到1750美元。系统结合多个传感器价格高得多。对这样的系统价格下跌550美元和5700美元之间,已经可以被认为是过度大规模telemedical生活方式咨询申请。因此,在一个环境敬老院(AAL)系统中,输入传感器的数量应该保持最小。在本文的其余部分,我们关注的是最简单、最研究传感器输入,也就是心脏的电活动。

至于HRV传感器的可靠性,仍有令人惊讶的是一些文学评论报道日期验证信息内容的低成本传感器相比,临床接受“黄金标准”设备。有些设备检测有效性是SenseWear HR臂章(34),聪明健康观察》(35),Actiheart (36,37),Equivital LifeMonitor [38),PulseOn [39];还有Bioharness多变量监控装置从西风已经测试效度40,41[]和可靠性41,42]。在所有情况下,一个黄金标准设备与测试设备同时使用作为验证数据的一种方法。然而,上面的验证设备高端设备有一个相当大的价格为远程医疗的渗透存在的障碍。例如,Bioharness设备价格550美元左右,而低成本的心率米的价格从70美元到100美元不等。缺乏低成本设备的可靠性测试是我们的动力设备验证研究。

自动压力检测,几种方法仅使用HRV已经出版。2008年,金等人收集的HRV数据从六十八例43]。HRV数据收集在三个不同的时期。高应力降低HRV特性。最大分类精度达到66.1%。所以HRV的非线性特性等人在2011年用于现实生活中的压力检测(44]。HRV数据收集两次,在大学考试假期之后,42名学生。HRV的大部分功能明显降低压力期间。压力检测与分类精度为90%,使用两个报告庞加莱情节的特性和近似熵。一年后,他们使用相同的数据,设计了一个分类树的自动压力检测基于低频和pNN50 HRV特性灵敏度为83.33% (45]。2013年,Karthikeyan等人创造了压力检测分类器从心电图信号和HRV的特性46]。Vanitha压力和苏雷什用层次分类器分类分为四个级别的分类效率为92% (472014年)。2015年Munla等人使用一个SVM-RBF分类器预测驱动压力的准确性达83% (48]。

2。方法

本研究的主要目标是发展一个可靠的、健壮的、低价格压力检测方法适用于移动健康应用程序。这项研究包括两个不同的阶段。在第一阶段(设备验证研究)我们测试了一个低成本的可靠性telemedical心率传感器对公认的医疗设备。在第二阶段,我们执行和评估的临床研究中,使用验证telemedical传感器。

2.1。设备验证研究

2.1.1。传感器的选择和测量协议

许多低成本的设备,我们选择和分析CardioSport TP3心率传感器装置,一个简单的商业胸带心率数据的来源,因为这是为数不多的设备,可以测量心率和毫秒准确的RR时间间隔数据。因为这个设备没有自己的内存来存储数据,我们使用Nexus 7与Android平板电脑版本10/24/11连接到设备的蓝牙4.0协议和存储测量数据在平板电脑上。参考“黄金标准”设备是席勒mt - 101 / mt - 200霍尔特装置设计为临床使用(见图1)。

五个健康男性志愿者中同时使用了两个设备24小时长时间为了使测量(见图1)。胸带传感器,暂时脱离或错位的传感器在体育活动或睡眠是一种常见的错误根据我们的经验。虽然可以减轻这一问题通过使用磁带对身体修复设备坚决,我们觉得这些不适就不能容忍在一个真实的光芒四射的情况,所以我们没有使用磁带和只用白天12小时的整体信号进行分析。监测期后,我们收集了设备和测量数据存储在一个统一的数据库。

协议是审查和批准的机构伦理审查委员会在2014年1月。志愿者们表达了他们的知情同意参加,表示,他们理解的目标前的研究实验。

测量数据的比较是一个艰巨的任务由于黄金标准的不同设计和telemedical设备。然而,我们想比较信号直接在时域和开发的数据清洗算法去除噪声的部分CardioSport设备测量,不使用黄金标准数据。的胸带不是牢牢地附着在身体,即使很小的运动设备有时会造成信号的损失(尤其是在睡眠中)。因此,我们创建了一个软件模块同步和数据清洗之前进一步分析。数据清理显然旨在消除坏数据(工件)和只保留“好”数据段足够的长度,因为,作为一个经验法则,HRV和庞加莱阴谋计算需要的数据块至少5分钟。尽管数据清洗算法删除大量数据从原始信号,这样一个过程带来了伟大的障碍进行进一步的计算,因为我们仍然有足够的“好”数据白天。

2.1.2。同步过程

因为测量记录的时间戳可以改变由于设备缓冲,我们使用一个简单的程序同步测量的数据CardioSport设备测量的金本位制设备,以促进他们的比较。算法使用滑动窗口,从胸部开始带信号,计算两个信号之间的绝对误差。当滑动,滑动窗口的位置和最小绝对误差被认为是两个信号应该是同步的。这只适用于如果滑动窗口中的数据的相关性和相同数量的黄金标准高于最低的数据由用户设定。如果这些条件得到满足,算法将滑动窗口的数据复制到一个新生成的第三信号代表胸部带信号完全同步的黄金标准信号。如果条件不满足,第三个信号是充满了0。最后,该算法提取的所有高度相关部分第三信号跳过零值。同时,合并一个文件的所有部分生成的一般分析。算法使用以下5个主要参数,与他们的价值观决定经验在括号中:(我)窗口大小:从信号数据复制到滑动窗口(默认值:200)。(2)窗口移一步:数量的样品我们将滑动窗口在每个迭代中(默认值:50)。(3)绝对错误窗口:多少数据将被用来计算最小绝对误差(默认值:200)。(iv)最大误差距离:数量的样品,我们将绝对误差窗口为了找到最小绝对误差(默认值:1000)。(v)最低的相关性:最低相关,表示为一个百分比,所需的两个信号考虑数据的胸部带信号准确(默认值:97%)。

2.1.3。统计分析和数据处理

我们执行时间和频域分析,计算两者的相关性和平均绝对百分误差测量。我们也比较散点图的斜率图的两个测量。

HRV的时间和频域分析在Kubios HRV分析软件,而其他的分析在Microsoft Excel。

我们开发了一个简单的数据清洗算法在真正的telemedical场景中,用于自动找到好的部分的信号,即使没有黄金标准数据。这意味着寻找差距和异常值和跳过它们。首先,我们比较每个数据项的时间戳的时间戳。如果时间戳之间的差异大于3秒,我们这些数据标记为一个缺口。三秒用于间隙检测因为胸带缓冲系统,可以忍受短设备的分遣队的身体。如果使用超过3秒,一些数据可能缺失可能导致进一步的数据分析错误。在第二步中我们识别异常值的信号。重要的是要强调,我们不以任何方式修改数据,这可能会导致错误的结果在随后的分析。相反,异常值差距一样对待。发现的异常值观察20连续样本的平均值(10前和10以下的)。 If this mean value differs from the value of the current sample by more than 300, we consider it invalid and mark as gap/error in the signal. Finally, we extract the good segments from the signal with a length of more than 5 minutes.

2.2。临床研究

2.2.1。测量协议

46个健康的志愿者,主要是大学和高中学生(27岁男性和19位女性;平均年龄24.6岁),参加了实验。实验分为两个部分的持续时间10分钟,整个过程持续了20分钟。在第一部分中,参与者被要求在直立坐姿尽量放松,而听放松的音乐。实验的第二部分是一个精神任务设计作为一个来源的精神压力。我们使用Stroop颜色测试智能手机游戏(49),通常应用于诱发精神压力在类似的研究。在这个游戏中,用户必须连接颜色标签的速度不断增加。自控制呼吸和姿势已报告影响HRV特性之前,我们要求参与者不控制自己的呼吸,仍然坐在相同的位置在整个实验。这也是必要的防止胸带的超然。RR间隔记录使用CardioSport TP3心率发射机。参与者被问及她/他的主观压力相对规模的三倍,也就是说,在实验之前,放松部分后,在游戏的部分。答案连同她/他的年龄和性别都记录在一个简单的调查问卷(见附录一个- - - - - -B)。这些问题的原因是,尽管预期,游戏可能比音乐更放松对有些人来说,且仅当我们成功地提高了压力在第二部分与第一部分相比,我们能指望算法或方法来检测压力。录音后,设备被卸载的参与者。

协议是审查和批准的机构伦理审查委员会在2014年1月。志愿者们表达了他们的知情同意参加,表示,他们理解的目标前的研究实验。

实验结束后所有数据存储在一个统一的数据库,和描述的数据清洗算法部分2.1运行10分钟的每个记录的部分。那些记录中不含“干净”的参与者至少5分钟的片段被排除在进一步分析两个部分。同样,我们排除了那些虽然有我们的努力引起应力的实验报道由于游戏没有压力的增加。

2.2.2。统计分析

我们使用了Kubios软件包获得HRV特性和后来我们分析和比较数据使用MedCalc软件和Microsoft Excel。Wilcoxon成对样品测试是作为一种工具用于确定两个部分之间的显著变化的实验测量值和HRV的特性值< 0.05被认为是重要的。相关性,百分比差异,平均百分比差异,最低百分比差异也对所有观察到的HRV特性计算。

2.2.3。压力检测算法

我们开发了一个简单的算法来检测压力,只使用时域HRV的特性。不包括频域特性的原因是,他们需要更多的计算能力比时域特性计算,论证,我们应该考虑在一个解决方案为移动设备设计的。我们使用的组合意味着人力资源,pNN50和RMSSD特性识别压力。一个滑动窗口在人力资源信号分成四个相等的部分。我们测试了不同长度的滑动窗口和窗口的最短的宽度,取得了良好的结果是560 RR间隔20 RR间隔每一步的转变。我们使用蛮力技术找到每个HRV特性的最佳阈值。因此,压力是算法,如果检测到的平均心率在第四部分第一部分相比增加5%以上,和RMSSD和pNN50值减少9%以上在第四部分与第三部分。在这里我们必须强调这个算法并不会检测到其他国家。所以为了计算的准确性、特异性和敏感性,其他国家被认为是如果没有检测到压力。主题的状态后压力也不认可。 Therefore, instead of detecting the subject’s physiological state of stress, the purpose of our algorithm is to detect those stressful events which have negative impact on the subject’s current state but which may or may not lead the subject into a stressful state. A series of stressful events instead of a single major event can also gradually put the subject into a stressful condition. In a binary classification model this could lead to the false conclusion that only the last event was the one which caused stress, while all the previous events are not taken into consideration and remain hidden.

我们注意到,尽管确实HRV特性可能是由于其他因素如抑郁和情绪,我们假设这些因素不改变在实验。相比之下,该方法使用一个定义良好的改变HRV的特性来检测(诱导)的开始紧张的状态;因此我们希望没有假阳性压力检测等因素造成的。

图2显示了一个简易流程图的压力检测算法实现了上述过程。

为了测试该算法的力量,我们比较其性能两个先进的算法相同的作者,所以et al。31日,32),在相同的数据集。

2.2.4。线性HRV算法性能比较

中描述的算法(45]使用pNN50特性的时域和频域的低频特性来创建一个简单的分类树。检测到压力如果低频< 899.58和pNN50 > 0.9873或低频和pNN50 < 0.9873 > 277.28。检测到宁静的状态如果低频> 899.59或者低频和pNN50 < 0.9783 > 277.28。

提取低频和pNN50特性,我们使用相同的软件作为该算法的作者Kubios。我们的实验包括两个10分钟长时间我们提取两个5分钟长的片段从放松部分和两个5分钟段游戏部分。如果压力中检测出任何其中之一,我们标记整个10分钟的部分压力。如果被发现为其他两个部分,然后整个10分钟是标记为休息。

2.2.5。非线性HRV算法性能比较

压力检测方法基于非线性分析(44我们使用)是下一个算法。该算法使用三个非线性特点:庞加莱图SD1,庞加莱图SD2,近似熵(En)。根据方法,压力是发现 重建算法我们使用Microsoft Visual c#根据公式计算近似熵所描述的作者。一个滑动窗口是用来扫描整个放松部分以及游戏部分。如果压力被发现在任何步骤中,我们明显整个压力和10分钟的时间,同样的,如果发现其他所有步骤的整个部分,我们标记部分是休息。

为了比较三种方法的性能,我们计算的准确性,特异性和灵敏度。为此,我们注册一个真正积极的结果,如果方法标志着游戏部分压力,一个真正的阴性结果如果放松音乐部分标记为休息,如果放松音乐部分假阳性结果标记为压力,和一个假阴性的结果,如果博弈是标记为休息。

3所示。结果

3.1。设备验证研究:比较的黄金标准

运行同步过程后,我们得到了段高度相关的数据。图1显示信号段的长度是如何分布。我们可以看到,大多数是3-18分钟长的片段。最长的部分与金本位高度相关的数据是110分钟。默认参数设置最小化的数量过于短(< 5分钟)段。最坏的部分(图3)短于一分钟,且只有一个坏的部分是60分钟。

同步过程导致高(> 97%)相关的同步数据段各种持续时间。表1显示信号的持续时间。问题# 1最低可用的时间只有2小时6分钟。如此低的时间最可能的原因是胸毛,减少了电极与皮肤接触。由于这个原因,这个问题被排除在计算平均的结果。

表2显示了席勒和时域结果CardioSport设备在使用我们的算法的同步信号。时域分析显示相当接近的值意味着RR值和标准差。公式用于计算标准差的RR区间如下: 席勒和CardioSport设备平均意味着RR值850.80和870.69,分别。席勒的平均性病RR设备是108.42和110.93 CardioSport设备。

给出了频域分析表3。相比,绝对的权力是非常低的频率(甚低频:0 - 0.04赫兹),低频(低频:0.04 - -0.5赫兹)和高频(HF: 0.15 - -0.4赫兹)和低频和高频(LF / HF)。结果显示席勒和CardioSport设备值之间无显著差异。

平均平均绝对百分误差(日军)两个信号之间的2.32%的平均相关性高的99.67%。

3.2。设备验证研究:数据清洗方法

我们描述的数据清洗算法部分2在数据记录的胸带。由此产生的信号的持续时间如表所示4。类似于同步过程中,我们得到了一个很短的时间对一个主题,我们将这个问题排除在进一步分析。重要的是要注意,由于噪音席勒设备上记录,我们不得不把嘈杂的部分从“黄金标准”的信号。因此,即使信号记录连续12小时,总体持续时间要少得多。计算表明,在最糟糕的情况下,只有45%的信号可以用于分析使用数据清理方法。然而,在最好的情况下,这个数字达到95%。这就引出一个结论,结果相当依赖。

表5显示了数据分析的结果在时域后去除坏的部分与数据清洗算法。我们可以看到,席勒的意思是RR间隔和CardioSport设备是851.14和871.23,标准差是104.61和106.35,分别。一般来说,CardioSport设备略大的值,但他们非常接近。

最小、最大和平均百分比误差对整个信号计算使用5分钟长滑动窗口一分钟(表转变的一步6)。只有一个主题有一个非常高的最大误差值的33.86%。通过外观检查,我们认为错误比例高的原因实际上是存在工件的“黄金标准”席勒设备测量。尽管如此,平均误差值在很低的2.20%的水平。

图4表明之间的典型关系CardioSport和席勒测量使用散点图# 5。所有的斜率值接近1。最低的斜率值是0.9757,最高价值是1.0184。平均平均绝对百分误差(日军)两个信号之间的2.62%的平均相关性高的98.76%。

3.3。临床研究

五个受试者被排除在进一步分析,因为他们报道的减少(而非预期的增加)而玩游戏Stroop的压力水平。作为解释,一些参与者报告说,玩这个游戏比放松更快乐的音乐。他人报道,这场比赛让他们的头脑集中和放松的音乐让他们回到他们的问题和义务。一些报道有关实验本身的焦虑在玩消失了。删除这些记录后,我们运行的数据清洗算法确定10嘈杂的记录,可能由于太多的运动。这些也被排除在外,因此活动数据集降至31名受试者的记录(20男性和11个女性;平均年龄= 24.7年)。

表7显示值Wilcoxon成对样品测试,放松和压力的部分,有关HRV特性()。

我们发现下面的时域特性的统计上的显著差异:RR (),意味着人力资源(),pNN50 (),NN50 (),RMSSD (),HRV三角指数()。在频域,两个特点显示出统计上的显著差异:高频(ms²),和低频(女士²),。甚低频(%)功能也接近但不明显不同()。在非线性分析中,SD1特性显示出统计上的显著差异()。的平均百分比差异和最低百分比差异如表所示8。

表9显示了重要的特性之间的相关性在松弛实验的一部分。我们可以看到非常高的正相关(高于0.9)之间的以下特点:NN50 RMSSD和(0.94818),pNN50 RMSSD和(0.935664),和pNN50 NN50 (0.98966)。庞加莱情节SD1特性和高频(一)特性高度相关。发现只有一个非常高的负相关特征之间平均RR和平均人力资源(−0.99452)。

图5显示,作为一个例子,一个观察特性的值(平均人力资源)弛豫时间和游戏期间,分别。

3.4。临床研究:压力检测性能相比其他方法

的准确性、敏感性和特异性的值正确检测应力如表所示10对于我们的算法,所以提出的线性算法等,和提出的非线性算法相同的作者。

4所示。讨论

压力是一个非常复杂的话题和测量压力并不是一件容易的事。有许多标记,可以使用,许多算法,可以应用,许多形式的压力可以观察到。心率变异性,简单无创,近来成为最受欢迎的方法来检测压力。不过,这不是一项容易的任务,因为HRV不是一个单一的价值;相反,它包括许多功能,可以观察到在时间域和频率域或使用非线性分析。一般文献报道,精神压力下,平均RR, pNN50, STD RR,和RMSSD功能降低,意味着人力资源和低频特性显著增加。然而,相同的特性的显著差异,有时甚至是相反的结果(例如,低频特性)也报道。这种不一致在文学的一个可能的原因可能是事实,压力不是唯一的条件是影响HRV的变化。体育活动、身体的姿势、呼吸、年龄、性别、疾病对HRV都有很大的影响。在本文中,我们分析了各种HRV特性为了找到那些变化显著的精神压力下,提出了一个简单的压力检测算法。

在设备验证的研究中,我们测试了一个低成本的心率计的可靠性。的CardioSport TP3心率计装置与一个专业同时使用心电图记录仪(霍尔特)设备。使用标准差,我们比较结果相关性和散点图图回归线的斜率常用在文献[36,40,50]。然而,在我们分析的结果之前,我们使用一个简单的数据清洗算法消除噪声部分不使用任何数据修正。数据清洗过程降低了信号的总体时间但它增加其质量。数据清理后,所有的结果CardioSport设备非常接近席勒设备平均98.73%的相关性。数据清理算法的缺点是,它将删除部分信号即使轻微的超然。希望在可穿戴传感器,新形式的心率监视器像戒指或手镯更有力的身体将附件。

在下一步中,我们演示了如何一个简单的心理压力会影响HRV显著特性。我们的研究结果并不完全不同于之前的研究,显示HRV确实可以作为一种精神压力的指标。我们发现,精神压力的影响下,意味着人力资源增加,同时意味着RR, pNN50 RMSSD和HRV三角指数下降。与文献的结果相反,我们并没有发现在STD RR特性(统计上的显著差异)。这可以解释为我们分析了仅10分钟在每个实验的一部分,而性病RR特性描述的长期变化。我们研究的一个限制是,我们只分析了精神压力的影响。身体或情绪压力可能会影响观察特性在一个完全不同的方式。

对于一些学科,实验未能引起精神紧张的课程实验设置的缺点;然而,这将是很难设计一个方法,在所有情况下都是成功的。Stroop测试被选中,因为它很容易实现,是公认的文学等目的。因为它增加了游戏的速度比例与用户的结果,它应该增加压力不管受试者的认知水平。我们相信,其他因素,如玩电脑游戏主题的经验和动机,更难以控制。

作为本研究的结论,我们创建了一个强大的压力检测算法。与其他压力检测算法使用几个压力标记(51,52),我们只用HRV特性与相对较高的压力检测但压力识别比率。我们能够得到一个准确率为74.60%,稍低于85%的报告的算法(53];然而,后者使用完整的心电图(ECG)测量相比,仅使用RR间隔在我们的案例中。

如果我们比较算法与其他算法只使用人力资源压力检测与HRV参数,我们可以说我们达到更高的识别比算法(43比[]和糟糕的结果48]或[45),约15%相比,更糟糕的是(44,47),但我们只有时域特性用于压力识别相反的频域特性或使用非线性分析计算贵多了。

自特定算法的性能取决于多个参数等类型的压力源,对象,方法,等等,我们将我们的算法的性能与两个先进的算法。虽然我们的算法显示声明准确性较低,其性能的比较在相同的数据集显示更好的结果比算法,使用非线性HRV特性(44),略比算法更好的性能,使用线性HRV [45压力检测)特性。我们认为的糟糕表现两种测试方法可以一定程度上是由于这样的事实,我们的压力源,Stroop游戏,不是大学的考试压力用于所以算法的发展或驾驶48]。这样的结果表明,相同的算法可以给非常不同的结果在不同的数据集意味着比较严格的精度值指标不好,如果不是在相同的数据集上进行比较。

该算法的一个弱点是,它只检测到事件引发压力为特定主题。它不能分类主题的当前状态。然而,这不是我们的意图算法从一开始,我们建议使用我们的算法的组合与典型的分类算法实现更大的洞察力压力事件和主题的当前状态。

我们算法的强度是一个事件或一系列的压力事件可以发现之前进入紧张状态定义的分类算法。用户可以根据声音、振动、或其他类型的警报当压力事件发生,导致更大的对日常压力。同时,该算法非常简单,容易实现在移动环境中由于所有HRV只选择从时域特性。

5。结论

从这个研究我们可以得出结论,即使是一个简单的低成本的心率监测器设备可以检测特性变化显著的影响下精神压力。使用这些结果,我们创建了一个简单的压力检测算法集成在拉维尼娅生活方式咨询移动应用程序(54]在现实生活中的压力情况下进一步测试和细化。如果压力检测证明是可靠的大样本,它将用于糖尿病患者的血糖预测模型开发。

附录

答:临床研究的指令

实验:测量心率参数生理效应在各种各样的问题

说明参与者。在这个实验中,我们将测量的生理参数的各种各样的问题。首先,我们将测量参数在听放松的音乐,然后我们将测量相同的参数在使用手机玩简单的基于安卓系统的游戏。您需要填调查问卷中的数据三次:在实验开始之前,放松音乐停止后,最后的实验。如果你感到任何不适在这个实验中,你可以在任何时候停止:

个人资料名称或代码:-年龄:-性别:M / F

怎么玩。在这个游戏中屏幕分为四个部分。在每个部分用不同的颜色显示。单词颜色名称喜欢红色,蓝色,紫色,黑色,绿色,…。你需要触摸这个词是彩色的颜色词。例如,如果红色字的颜色是用黑色的,然后跳过它,但如果这个词红颜色是红色,那么你需要按这个词。如果你犯了错,游戏结束。你需要得到尽可能高的分数。对于每一个选择,你只有有限的时间。如果时间用完,游戏结束了。 You can play as many games as you can during 10 minutes:

例子

红色字是彩色红这是正确的选择。词的绿色和黑色这是彩色的不正确的选择。单词蓝色与橙色这是彩色的不正确的选择。词黑色与蓝色这是彩色的不正确的选择。

实验数据和问卷调查

实验数据日期:-协议给人以实验的论文描述。让他/她阅读完整的描述(包括“如何玩”一节)。问他们是否理解这个实验。告诉那个人,在这个实验中,他们将听录音一个放松的歌,然后他们会玩简单的游戏。向人展示如何玩游戏不久,如果必要的。向人解释,在整个实验期间他/她需要穿胸带心率收集数据。让人把胸带。确保隐私的人戴上胸带。时间(hh: mm): -建立蓝牙胸带和Android设备之间的联系。当发生这种情况写下来。时间(hh: mm): -询问对方目前认为压力从1到10,1是没有压力和10最大应力水平和感知到的压力写下来时间(hh: mm): -感知到的压力:-告诉那个人一边听音乐放松放松。开始玩放松音乐和写具体的开始时间(当你点击播放按钮)时间(hh: mm): -当音乐停止时,事件的时间写下来。问的人认为压力听完这首歌从1到10,1是没有压力和最大应力水平。感知到的压力写下来时间(hh: mm): -感知到的压力:-问人基于安卓系统的游戏在接下来的10分钟。写的开始时间和倒数计时器设置为至少10分钟。时间(hh: mm): -最后10分钟,告诉人停止演奏,写下。问人感知到的压力水平后玩游戏从1到10,1是没有压力和最大应力水平。感知到的压力写下来时间(hh: mm): -感知到的压力:-

缩写

AAL:	环境辅助生活
英国石油公司:	血压
心电图:	心电图仪
肌电图:	肌动电流图
第三期:	皮肤电反应
心力衰竭:	高频率
人力资源:	心率
HRV:	心率变异性
如果:	低频率的
日军:	平均平均绝对百分比
NN50:	双连续的数量beat-to-beat或NN间隔相差超过50 ms
pNN50:	NN50除以总数的比例得到
RMSSD:	平均值的平方根的广场连续相邻的间隔之间的区别
RR(间隔):	R波R波间隔
甚低频:	非常低的频率。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

引用

1. a . Mitra“糖尿病和压力:复习一下,”民族医学,卷2,不。2、131 - 135年,2008页。视图:谷歌学术搜索
2. 斯特普托和m . Kivimaki“压力与心血管疾病:一个更新当前的知识,”公共卫生的年度审查,34卷,不。1,第354 - 337页,2013。视图:出版商的网站|谷歌学术搜索
3. a . m . Heraclides t . Chandola d·r·威特和e . j .布鲁纳“工作压力、肥胖和2型糖尿病的风险:性别双向效应在白厅二世的研究中,“肥胖,20卷,不。2、428 - 433年,2012页。视图:出版商的网站|谷歌学术搜索
4. Y.-M。哦,金y s, s . h . Yoo s . k . Kim和d s . Kim”压力和哮喘症状之间的关系:一项以人群为基础的研究,“Respirology,9卷,不。3、363 - 368年,2004页。视图:出版商的网站|谷歌学术搜索
5. s . Patel h .公园,p . Bonato l . Chan和m·罗杰斯“回顾可穿戴传感器和系统与应用程序在康复,”神经工程学和康复杂志》上,9卷,不。1,第二十一条,2012。视图:出版商的网站|谷歌学术搜索
6. A . Pantelopoulos和n g·布尔巴基”,调查可穿戴传感器系统健康监测和预后,”IEEE系统,人与控制论C部分:应用程序和评论,40卷,不。1、1 - 12,2010页。视图:出版商的网站|谷歌学术搜索
7. A . Pantelopoulos n .布尔巴基,“可穿戴式生物传感器系统健康监测调查,”《IEEE 30年国际会议在医学和生物工程协会(磨床' 08)加拿大温哥华,页4887 - 4890,2008年8月。视图:谷歌学术搜索
8. 美国Ortmann、p . Langendorfer和c . s .蓝”Telemedical援助ambulant中风患者的康复,”脑损伤会议文摘0650卷。26日,没有。4 - 5,644 - 645年,2012页。视图:谷歌学术搜索
9. 苏x, y, h . Liu p .江和d,“基于智能手机的远程移动健康监测系统和浏览器/服务器结构,”医疗保健工程》第六卷,没有。4、717 - 738年,2015页。视图:出版商的网站|谷歌学术搜索
10. y Shi, n . Ruiz r . Taib e . Choi和f·陈,“皮肤电反应(GSR)作为一个认知负荷指数,”程序扩展抽象的人为因素在计算系统(CHI EA ' 07)2007年美国,加州圣何塞。视图:谷歌学术搜索
11. Lundberg, r . Kadefors b梅林et al .,“心理生理压力和斜方肌的肌电活动,“国际行为医学杂志》上,1卷,不。4、354 - 370年,1994页。视图:出版商的网站|谷歌学术搜索
12. j . Wijsman b . Grundlehner j·潘德,h . Hermens“斜方肌肌电图作为精神压力的预测,”第一无线健康研讨会论文集(WH”10)ACM,页155 - 163年,2010年10月。视图:出版商的网站|谷歌学术搜索
13. t . Yamakoshi k . Yamakoshi s .田中et al .,“可行性研究从差皮肤温度测量司机的压力检测,”《IEEE 30年国际会议在医学和生物工程协会(磨床' 08)加拿大温哥华,页1076 - 1079,2008年8月。视图:谷歌学术搜索
14. j . Taelman s Vandeput a Spaepen, s . v . Huffel”精神压力对心率和心率变异性,”程序4日欧洲会议的国际医学和生物工程联合会(IFMBE ' 09),第1369 - 1366页,2009年。视图:谷歌学术搜索
15. e . Ceja诉他,o . Mayora“自动压力检测工作环境从智能手机的加速度计数据:第一步,“IEEE生物医学和卫生信息学杂志》上,2015年。视图:出版商的网站|谷歌学术搜索
16. s . d . w . Gunawardhane p·m·d·席尔瓦·d·s . b . Kulathunga和s·m·k·d·Arunatileka“非侵入性人类压力检测使用击键动力学和模式变化,”学报》国际会议信息通信技术的进步对新兴地区(ICT的13),页240 - 247,科伦坡,斯里兰卡,2013年12月。视图:出版商的网站|谷歌学术搜索
17. a . Marcos-Ramiro d . Pizarro-Perez m . Marron-Romera, d . Gatica-Perez“自动眨眼检测对压力的发现,”学报》第16届国际会议在多通道交互(ICMI 14),页307 - 310,伊斯坦布尔,土耳其,2014年11月。视图:出版商的网站|谷歌学术搜索
18. 答:费尔南德斯,r . Helawar r . Lokesh t·塔里和a . v . Shahapurkar”决心使用血压和皮肤电反应的压力,”程序的通信和网络技术国际会议(ICCNT 14)Sivakasi,页165 - 168年,印度,2014年12月。视图:出版商的网站|谷歌学术搜索
19. 这。太阳,c .郭H.-T。程,s . Buthpitiya·柯林斯和m .偶联“Activity-aware精神压力检测使用生理传感器,”移动计算、应用程序和服务,m . g .杨,Eds。卷,76课堂讲稿的计算机科学研究所、社会信息和通信工程施普林格,页211 - 230年,纽约,纽约,美国,2012年。视图:出版商的网站|谷歌学术搜索
20. A . De桑托斯塞拉c·s·阿维拉,j . Guerra卡萨诺瓦和g . b .值得“stress-detection系统基于生理信号和模糊逻辑,“IEEE工业电子产品,卷。58岁的没有。10日,4857 - 4865年,2011页。视图:出版商的网站|谷歌学术搜索
21. g .里加斯y Goletsis, d . i Fotiadis“实时检测司机的压力事件,”IEEE智能交通系统,13卷,不。1,第234 - 221页,2012。视图:出版商的网站|谷歌学术搜索
22. j . Wijsman b . Grundlehner h . Hermens h . Liu和j·潘德,“对精神压力检测使用可穿戴式生理传感器,”学报的年度国际会议IEEE在医学和生物学社会工程美国,波士顿,质量,August-September 2011。视图:谷歌学术搜索
23. 里埃拉,a . Soria-Frisch a Albajes-Eizagirre et al .,“Electro-physiological压力检测数据融合,“研究卫生技术和信息卷,181年,第232 - 228页,2012年。视图:谷歌学术搜索
24. m·辛格和A . b . Queyam”压力检测的新方法使用生理测量汽车司机,”国际电子工程杂志》上,5卷,不。2,13-20,2013页。视图:谷歌学术搜索
25. f . Mokhayeri M.-R。Akbarzadeh-T, s . Toosizadeh“精神压力检测基于软计算技术,利用生理信号”生物医学工程18伊朗研讨会论文集(ICBME 11),页232 - 237,德黑兰,伊朗,2011年12月。视图:出版商的网站|谷歌学术搜索
26. 美国Baltaci和d . Gokcay瞳孔放大的作用和面部温度特征应力检测,”22日信号处理和通信应用研讨会论文集(SIU 14)特拉布宗,页1259 - 1262年,土耳其,2014年4月。视图:出版商的网站|谷歌学术搜索
27. j .崔方法可穿戴传感器和精神压力检测与数据处理方法[博士学位。论文)2011年,德州农工大学http://hdl.handle.net/1969.1/etd tamu - 2011 - 12 - 10674。
28. 陈t, p .袁m·理查森g . Liu, z,“使用高光谱成像技术检测心理压力,“IEEE情感计算,5卷,不。4、391 - 405年,2014页。视图:出版商的网站|谷歌学术搜索
29. d·h·Lu Frauendorfer, m·拉比et al .,“StressSense:检测压力无约束声学环境中使用智能手机,”学报》第14届国际会议上无处不在的计算(主要的12)ACM,页351 - 360年,2012年9月匹兹堡,宾夕法尼亚州,美国。视图:出版商的网站|谷歌学术搜索
30. a . k . Mishra和o . s . Vaidya”属性检测资源分配的压力检测从演讲中,“国际期刊的电子、电气和计算机系统,3卷,不。4、61 - 66年,2014页。视图:谷歌学术搜索
31. p . Ren, a . Barreto j .黄y高,f·r·奥尔特加和m . Adjouadi“离线和在线压力检测通过瞳孔直径的处理信号,”《生物医学工程,42卷,不。1,第176 - 162页,2014。视图:出版商的网站|谷歌学术搜索
32. b·考尔s .摩西、m . Luthra和v . n . Ikonomidou”远程压力检测使用可见光谱相机,”独立分量分析、压缩采样、大数据分析(LDA),神经网络,生物系统,纳米工程十三世卷,9496学报学报,2015年5月。视图:出版商的网站|谷歌学术搜索
33. m·n·哈吉穆罕默德m .鹿岛k .佐藤和m .渡边,“精神压力识别从立体热基于非侵入性和非接触式测量,可见传感器,”国际期刊的情感工程,14卷,不。1,上行线,2015页。视图:出版商的网站|谷歌学术搜索
34. m·b·克劳利验证Sensewear Hr臂章的测量心率和能量消耗宾夕法尼亚州立大学,2003。
35. c·m·李和m . Gorelick”有效性smarthealth观察测量心率的休息和锻炼,”体育和运动科学的测量,15卷,不。1、年龄在18岁至25岁之间,2011页。视图:出版商的网站|谷歌学术搜索
36. j . Kristiansen m . Korshøj j . h . Skotte et al .,“比较两个系统的长期监测心率变异性独立生存的情况初步研究,“生物医学工程在线第二十七条,卷。10日,2011年。视图:出版商的网站|谷歌学术搜索
37. 布拉吉,n .布拉吉p·w·弗兰克斯Ekelund,韦勒姆和n . j .,“信度和效度的心率和运动传感器actiheart,”欧洲临床营养学杂志》上卷,59号4、561 - 570年,2005页。视图:出版商的网站|谷歌学术搜索
38. 朱s h . y . Liu, f, g . h . Wang和p . z,“多参数生理测量记录的有效性和可靠性equivital lifemonitor各种强度的活动中,“职业和环境卫生》杂志上,10卷,不。2、78 - 85年,2013页。视图:出版商的网站|谷歌学术搜索
39. j . Parak a . Tarniceriu p . Renevey m . Bertschi r . Delgado-Gonzalo i Korhonen,“评价PulseOn beat-to-beat检测精度的可穿戴光学心率监测器,”学报》第37届国际会议的IEEE在医学和生物工程协会(EMBC 15)8102年,页8099 -米兰,意大利,2015年8月。视图:出版商的网站|谷歌学术搜索
40. j·a·约翰斯通·a·福特·g·休斯,t·沃森Bioharness和a·t·加勒特。™多变量监测设备。第一部分:有效性”,体育科学和医学杂志》上,11卷,不。3、400 - 408年,2012页。视图:谷歌学术搜索
41. j·a·约翰斯通·a·福特·g·休斯,t·沃森,a·c·s·米切尔,和a·t·加勒特”领域为基础的可靠性和有效性bioharness多变量监控装置,”体育科学和医学杂志》上,11卷,不。4、643 - 652年,2012页。视图:谷歌学术搜索
42. j·a·约翰斯通·a·福特·g·休斯,t·沃森Bioharness和a·t·加勒特。™多变量监控装置:部分。二:可靠性、”体育科学和医学杂志》上,11卷,不。3、409 - 417年,2012页。视图:谷歌学术搜索
43. d . Kim y Seo, j .赵和学术界。秋,”检测的更高的自我报告的压力得分在白天使用心率变异性的模式,”《IEEE 30年国际会议在医学和生物工程协会(磨床' 08)2008年8月,页682 - 685。视图:谷歌学术搜索
44. p .所以m . Bracale和l . Pecchia非线性心率变异性特征为现实生活中的压力检测。案例学习:学生在压力下由于大学考试”,生物医学工程在线,10卷,不。1,第96条,2011。视图:出版商的网站|谷歌学术搜索
45. p .所以c . Formisano美国Bracale, l . Pecchia“分类树使用线性心率变异性分析现实生活中的压力检测。案例学习:学生在压力下由于大学考试”《IFMBE世界医学物理与生物医学工程大会,第480 - 477页,北京,中国,2012年5月。视图:出版商的网站|谷歌学术搜索
46. p . Karthikeyan m . Murugappan, s . Yaacob”分析,特鲁colorword基于人类压力检测使用心电图和心率变异性信号,”阿拉伯科学与工程》杂志上,39卷,不。3、1835 - 1847年,2014页。视图:出版商的网站|谷歌学术搜索
47. l . Vanitha和g·r·苏雷什”层次支持向量机检测在人类使用心率变异性,精神压力”第二届国际会议设备、电路和系统(ICDCS 14),页1 - 5,Combiatore,印度,2014年3月。视图:出版商的网站|谷歌学术搜索
48. n . Munla m·哈利勒a萨因,a . Mourad“司机压力检测使用HRV分析,”美国先进的生物医学工程国际会议(ICABME 15),页61 - 64,贝鲁特,黎巴嫩,2015年9月。视图:出版商的网站|谷歌学术搜索
49. 颜色特鲁游戏,2016年2月,https://play.google.com/store/apps/details?id=com.citroon.colortest。
50. a . a . Flatt和m . r .能源管理公司“ithletetm智能手机应用程序的有效性决定ultra-short-term心率变异性,”人类动力学杂志,39卷,不。1,第92 - 85页,2013。视图:出版商的网站|谷歌学术搜索
51. j·a·希利和r·w·皮卡德”使用生理传感器检测压力在实际驾驶任务,”IEEE智能交通系统》第六卷,没有。2、156 - 166年,2005页。视图:出版商的网站|谷歌学术搜索
52. a . De桑托斯塞拉c·s·阿维拉g . b .值得和j . Casanova Guerra”压力检测生理模板,通过压力”诉讼第三世界大会对自然和生物启发计算(NaBIC 11)萨拉曼卡,页131 - 136年,西班牙,2011年10月。视图:出版商的网站|谷歌学术搜索
53. 倾听你的心:压力预测消费者使用心率传感器,2016年2月,http://cs229.stanford.edu/proj2013/LiuUlrich-ListenToYourHeart-StressPredictionUsingConsumerHeartRateSensors.pdf。
54. Lavinia-lifestyle镜应用程序,http://lavinia.hu/introduction-and-publications/。

版权

版权©2016马里奥·萨莱等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。