[논문 리뷰] Evaluating Mental Stress Among College Students Using Heart Rate and Hand Acceleration Data Collected from Wearable Sensors

Moein Razavi, Anthony D. McDonald외 2명|arXiv (Cornell University)|2023. 09. 20.

Emotion and Mood Recognition인용 수 5

한 줄 요약

이 연구는 스마트워치를 통해 40일간 수집한 웨어러블 센서 데이터—특히 심박수와 손 가속도—를 사용하여 대학생의 정서적 스트레스를 평가한다. XGBoost를 사용한 모델은 정확도 84.5%와 AUC 0.64를 기록했으며, 심박수와 손 가속도의 표준편차 및 최소 심박수 값이 가장 예측력 있는 특징으로 나타났다.

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.

연구 동기 및 목표

• 웨어러블 기기에서 수집한 생리적 신호를 활용해 대학생의 정서적 스트레스를 탐지하기 위한 기계학습 기반 접근법을 개발하는 것.
• 실생활 환경에서 심박수와 손 가속도 데이터의 효과성을 평가하여 스트레스 발현을 식별하는 것.
• 실제 환경에서의 자가 보고 데이터를 기반으로 스트레스 탐지에 가장 예측력 있는 생리적 특징을 규명하는 것.
• 소비자 수준의 웨어러블 센서를 활용해 실시간으로 확장 가능한 정신건강 모니터링 도구 개발을 지원하는 것.

제안 방법

• 1Hz 속도로 손목에 착용한 웨어러블 센서를 통해 40일간 연속적인 생리적 데이터(심박수와 손 가속도)를 수집한다.
• 스마트워치 화면을 터치함으로써 학생들이 자가 보고 방식으로 스트레스를 기록할 수 있는 모바일 헬스(mHealth) 애플리케이션을 통합하여 시간이 기록된 스트레스 이벤트를 생성한다.
• 슬라이딩 윈도우 기반으로 평균, 표준편차, 최소값, 최대값 등의 통계적 특징을 추출하기 위해 센서 데이터를 전처리한다.
• 추출된 특징을 기반으로 XGBoost, 랜덤 포레스트, 로지스틱 회귀 등 다양한 기계학습 모델을 훈련 및 평가한다.
• 모델 훈련 및 검증을 위해 시간에 맞춰 정렬된 자가 보고 스트레스 데이터를 참조 기준으로 사용한다.
• 특징 중요도 분석을 수행하여 스트레스의 주요 생리적 지표를 규명한다.

실험 결과

연구 질문

• RQ1 웨어러블 센서에서 수집한 심박수와 손 가속도 데이터는 실생활 환경에서 대학생의 정서적 스트레스 발현을 신뢰성 있게 탐지할 수 있는가?
• RQ2 웨어러블 기기에서 수집한 생리적 및 행동 신호를 기반으로 스트레스를 식별하는 데 가장 우수한 성능을 보이는 기계학습 모델은 무엇인가?
• RQ3 표준편차, 최소 심박수 등 생리적 특징 중 자가 보고 스트레스에 가장 예측력 있는 것은 무엇인가?
• RQ4 자연적 환경에서의 종단적 연구에서 모델의 성능은 개인 간 및 시간에 따라 어떻게 변하는가?

주요 결과

• XGBoost 모델이 가장 높은 성능을 보이며 AUC 0.64와 정확도 84.5%를 기록했다.
• 손 가속도의 표준편차가 스트레스 탐지에 가장 중요한 특징이었으며, 이어 심박수의 표준편차와 최소 심박수가 뒤이었다.
• 실생활 종단적 연구 환경에서 54명의 다양한 대학생 코hort에서 일관된 성능을 보였다.
• 자가 보고 스트레스 이벤트가 생리적 데이터와 성공적으로 시간에 맞춰 정렬되어 신뢰할 수 있는 모델 훈련 및 평가가 가능했다.
• 결과적으로 소비자 수준의 웨어러블 센서가 정신적 스트레스와 관련된 의미 있는 생리적 패턴을 캡처할 수 있음을 시사한다.
• 이 연구는 저비용이며 침습적이지 않은 웨어러블 데이터를 활용해 학술 인구 집단에서 실시간으로 확장 가능한 정서적 스트레스 모니터링을 구현할 수 있음을 실증적 근거로 제시한다.