[論文レビュー] Real-Time Stress Monitoring, Detection, and Management in College Students: A Wearable Technology and Machine-Learning Approach

Alan Ta, Nilsu Salgin+6 more|ArXiv.org|May 21, 2025

Emotion and Mood Recognition被引用数 3

ひとこと要約

12週間のランダム化試験（n=117）を通じ、リアルタイムのストレス検知と自己管理を可能にするウェアラブルと機械学習を活用したmHealth介入（mHELP）を評価。

ABSTRACT

College students are increasingly affected by stress, anxiety, and depression, yet face barriers to traditional mental health care. This study evaluated the efficacy of a mobile health (mHealth) intervention, Mental Health Evaluation and Lookout Program (mHELP), which integrates a smartwatch sensor and machine learning (ML) algorithms for real-time stress detection and self-management. In a 12-week randomized controlled trial (n = 117), participants were assigned to a treatment group using mHELP's full suite of interventions or a control group using the app solely for real-time stress logging and weekly psychological assessments. The primary outcome, "Moments of Stress" (MS), was assessed via physiological and self-reported indicators and analyzed using Generalized Linear Mixed Models (GLMM) approaches. Similarly, secondary outcomes of psychological assessments, including the Generalized Anxiety Disorder-7 (GAD-7) for anxiety, the Patient Health Questionnaire (PHQ-8) for depression, and the Perceived Stress Scale (PSS), were also analyzed via GLMM. The finding of the objective measure, MS, indicates a substantial decrease in MS among the treatment group compared to the control group, while no notable between-group differences were observed in subjective scores of anxiety (GAD-7), depression (PHQ-8), or stress (PSS). However, the treatment group exhibited a clinically meaningful decline in GAD-7 and PSS scores. These findings underscore the potential of wearable-enabled mHealth tools to reduce acute stress in college populations and highlight the need for extended interventions and tailored features to address chronic symptoms like depression.

研究の動機と目的

• ウェアラブル対応のmHealth介入が大学生のリアルタイムストレスを検知できるかを調査する。
• ログのみの対照と比較して、MS（Moments of Stress）を減少させる際のmHELPの有効性を評価する。
• 確立された尺度を用いて二次的心理アウトカム（不安、うつ、不安感）を評価する。
• リアルタイム監視が自己申告の精神健康の改善につながるかを検証する。

提案手法

• 117名を対象とした12週間のランダム化対照試験。
• 参加者は治療群（mHELP全機能）または対照群（リアルタイム記録と週次評価）に割り付けられた。
• ストレスを検知するためのウェアラブルスマートウォッチセンサーを使用。MLアルゴリズムがリアルタイムストレス検知を実行。
• 主効果および二次アウトカムを分析するためにGeneralized Linear Mixed Models（GLMM）を使用。
• 第一アウトカム：生理指標と自己申告指標から導出されるMS（Moments of Stress）。
• 二次アウトカム：GAD-7（不安）、PHQ-8（うつ）、PSS（認知されたストレス）。

実験結果

リサーチクエスチョン

• RQ1 完全なmHELP介入はログのみの対照と比較してリアルタイムでのMSを減らすか。
• RQ2 mHELPは不安（GAD-7）、うつ（PHQ-8）、認知されたストレス（PSS）にどのような影響を与えるか。
• RQ3 ウェアラブル対応のmHealthツールは大学生のストレス自己管理を効果的に支援できるか。
• RQ4 12週間を通じてグループ間で急性と慢性の精神健康症状に差があるか。

主な発見

• 治療群は対照と比較してMSの大幅な低下を示した。
• GAD-7、PHQ-8、PSSスコアには有意な群間差は見られなかった。
• 治療群はGAD-7とPSSのスコアが臨床的に意味のある低下を示した。
• ウェアラブル対応のmHealthツールが大学生の急性ストレスを減少させる可能性を示唆。
• 慢性症状（うつなど）には長期的な介入と特定の機能の適合が必要である可能性を示唆。