[論文レビュー] Evaluating Mental Stress Among College Students Using Heart Rate and Hand Acceleration Data Collected from Wearable Sensors

Moein Razavi, Anthony D. McDonald+2 more|arXiv (Cornell University)|Sep 20, 2023

Emotion and Mood Recognition被引用数 5

ひとこと要約

本研究では、スマートウォッチを用いて40日間にわたり収集したウェアラブルセンサーのデータ（心拍数と手の加速度）を用いて、大学生の精神的ストレスを評価した。XGBoostを用いたモデルは、84.5％の正解率とAUC 0.64を達成し、心拍数と手の加速度の標準偏差および最小心拍数が予測に最も寄与する特徴量として浮き彫りになった。

ABSTRACT

Stress is various mental health disorders including depression and anxiety among college students. Early stress diagnosis and intervention may lower the risk of developing mental illnesses. We examined a machine learning-based method for identification of stress using data collected in a naturalistic study utilizing self-reported stress as ground truth as well as physiological data such as heart rate and hand acceleration. The study involved 54 college students from a large campus who used wearable wrist-worn sensors and a mobile health (mHealth) application continuously for 40 days. The app gathered physiological data including heart rate and hand acceleration at one hertz frequency. The application also enabled users to self-report stress by tapping on the watch face, resulting in a time-stamped record of the self-reported stress. We created, evaluated, and analyzed machine learning algorithms for identifying stress episodes among college students using heart rate and accelerometer data. The XGBoost method was the most reliable model with an AUC of 0.64 and an accuracy of 84.5%. The standard deviation of hand acceleration, standard deviation of heart rate, and the minimum heart rate were the most important features for stress detection. This evidence may support the efficacy of identifying patterns in physiological reaction to stress using smartwatch sensors and may inform the design of future tools for real-time detection of stress.

研究の動機と目的

• ウェアラブルデバイスからの生理的信号を用いた機械学習的手法を考案し、大学生の精神的ストレスを同定すること。
• 自然状況下で心拍数と手の加速度データがストレス発現を特定する有効性を評価すること。
• 実世界の自己報告データを用いて、ストレス検出に最も予測的である生理的特徴量を同定すること。
• 消費者向けウェアラブルセンサーを活用した、リアルタイムかつスケーラブルなメンタルヘルスモニタリングツールの開発を支援すること。

提案手法

• 40日間にわたり、1 Hzの周波数で手首に装着したウェアラブルセンサーを用いて、心拍数と手の加速度の連続的生理的データを収集した。
• 学生がスマートウォッチの画面をタップすることでストレスを自己報告できるモバイルヘルス（mHealth）アプリを統合し、時刻がタイムスタンプされたストレスイベントを生成した。
• スライディングウインドウを用いて、平均値、標準偏差、最小値、最大値などの統計的特徴量を抽出するためのセンサーデータの前処理を実施した。
• 抽出された特徴量を用いて、XGBoost、ランダムフォレスト、ロジスティック回帰などの複数の機械学習モデルを訓練および評価した。
• モデルの訓練および検証のため、時刻が一致する自己報告ストレスを真のラベル（ground truth）として用いた。
• 特徴量の重要度分析を実施し、ストレスの指標として最も影響力のある生理的指標を同定した。

実験結果

リサーチクエスチョン

• RQ1 ウェアラブルセンサーからの心拍数と手の加速度データは、実世界の状況下で大学生の精神的ストレス発現を信頼性高く検出できるか？
• RQ2 心拍数や行動信号を含むウェアラブルデバイスからの生理的・行動的信号を用いた場合、どの機械学習モデルがストレス同定において最も優れた性能を示すか？
• RQ3 標準偏差や最小心拍数などの生理的特徴量（例：心拍数の標準偏差、手の加速度の標準偏差）の中で、自己報告ストレスを最も効果的に予測できるものは何か？
• RQ4 自然状況下の縦断的研究において、モデルの性能は個々の参加者や時間経過に応じてどのように変化するか？

主な発見

• XGBoostモデルが最高の性能を示し、受検者反応特性曲線下の面積（AUC）は0.64、正解率は84.5％を達成した。
• ストレス検出において最も重要な特徴量は手の加速度の標準偏差であり、次いで心拍数の標準偏差と最小心拍数が続いた。
• 本研究は、実世界の縦断的研究環境下で、54名の多様な大学生のコhortにおいて一貫した性能を示した。
• 自己報告ストレスイベントは生理的データと正確に時刻が一致し、信頼性の高いモデル訓練および評価を可能にした。
• 結果から、消費者向けのウェアラブルセンサーが精神的ストレスに関連する有意義な生理的パターンを捉えることが示唆された。
• 本研究は、低コストで非侵襲的なウェアラブルセンサーのデータを活用した、学術的集団におけるスケーラブルかつリアルタイムのメンタルストレスモニタリングの実証的根拠を提供した。