DOI: https://doi.org/10.1038/s41597-025-04845-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40155406
تاريخ النشر: 2025-03-28
المؤلف: Andrea Hongn وآخرون
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تقدم هذه البحث مجموعة بيانات جديدة تتكون من إشارات فسيولوجية تم جمعها بشكل غير تدخلي خلال تحفيز الإجهاد الحاد المنظم وجلسات تمارين مختلفة. باستخدام جهاز Empatica E4 القابل للارتداء، تلتقط مجموعة البيانات النشاط الكهربائي للجلد، ودرجة حرارة الجلد، وقياسات التسارع ثلاثية المحاور، ونبض حجم الدم، والتي يمكن من خلالها اشتقاق معدل ضربات القلب وتنوع معدل ضربات القلب. تم تنفيذ بروتوكول محدد لتحفيز الإجهاد يتضمن مهام رياضية وعاطفية، بينما تم تطوير روتين دراجة ثابتة للتمييز بين التمارين الهوائية واللاهوائية. تشمل مجموعة البيانات تسجيلات من 36 مشاركًا صحيًا خلال تحفيز الإجهاد، و30 خلال التمارين الهوائية، و31 خلال التمارين اللاهوائية.
للتحقق من صحة مجموعة البيانات، تم استخدام عدة خوارزميات تعلم آلي، حيث حقق XGBoost دقة ملحوظة: 93% لتصنيف الإجهاد مقابل الراحة، و91% للتمييز بين التمارين الهوائية واللاهوائية، و84% لمهمة تصنيف بأربعة تسميات تشمل الإجهاد، الراحة، التمارين الهوائية، والتمارين اللاهوائية. هذه المجموعة من البيانات متاحة للجمهور، مما يساهم في تقدم البحث في سياق النشاط البدني ومراقبة الإجهاد، وهو أمر ذو صلة خاصة لتحسين أداء أنظمة البنكرياس الاصطناعي في إدارة مرض السكري من النوع 1.
الطرق
توضح قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات المجمعة من عينة سكانية. شملت المنهجيات المحددة تجارب محكومة، واستطلاعات، أو دراسات رصدية، اعتمادًا على أهداف البحث.
شمل جمع البيانات أدوات موحدة لضمان الموثوقية والصلاحية، مع طرق أخذ عينات مناسبة لتعزيز القابلية للتعميم. تم إجراء التحليل باستخدام أدوات برمجية تسهل الحسابات الإحصائية المعقدة، مثل تحليل الانحدار أو ANOVA، لتحديد العلاقات أو الفروق المهمة بين المتغيرات. يبرز القسم صرامة الطرق لدعم مصداقية النتائج المقدمة في الدراسة.
المناقشة
في هذا البحث، قام المؤلفون بإجراء بحث شامل عن مجموعات البيانات المتاحة للجمهور المتعلقة بالبيانات القابلة للارتداء حول الإجهاد الحاد والنشاط البدني المنظم ولكنهم لم يجدوا أيًا منها تلبي احتياجاتهم البحثية المحددة. وبالتالي، جمعوا مجموعة بيانات خاصة بهم، والتي ستصبح متاحة للجمهور. تشمل مجموعة البيانات إشارات فسيولوجية من 36 شابًا صحيًا تم جمعها خلال جلسات منظمة من الإجهاد الحاد والتمارين، بالإضافة إلى مستويات الإجهاد المبلغ عنها ذاتيًا. هذه المجموعة من البيانات فريدة من نوعها حيث تدمج تقييم الإجهاد مع النشاط البدني المنظم، مما يمكّن من تحليل أكثر دقة للاستجابات الفسيولوجية للإجهاد والتمارين، وهو أمر ذو صلة خاصة بتطبيقات مثل التحكم في نسبة السكر في الدم لدى مرضى السكري من النوع 1.
شمل جمع البيانات مجموعتين من المشاركين، باستخدام سوار Empatica E4 لالتقاط إشارات فسيولوجية متنوعة، بما في ذلك معدل ضربات القلب، والنشاط الكهربائي للجلد، وبيانات الحركة. تم تصميم بروتوكول تحفيز الإجهاد لاستنباط استجابات إجهاد قابلة للقياس من خلال مهام مثل اختبار التحدي العقلي في تريير، بينما كانت جلسات التمارين منظمة للتمييز بين الأنشطة الهوائية واللاهوائية. كما نفذ المؤلفون طرق معالجة بيانات صارمة واستخراج ميزات لتحضير البيانات لتصنيف تعلم الآلة، مما يظهر إمكانات مجموعة البيانات في التمييز بين حالات فسيولوجية مختلفة. تؤكد النتائج على أهمية هذه المجموعة من البيانات في تقدم البحث حول التفاعل بين الإجهاد والنشاط البدني، مما يوفر موردًا قيمًا للدراسات المستقبلية.
DOI: https://doi.org/10.1038/s41597-025-04845-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40155406
Publication Date: 2025-03-28
Author(s): Andrea Hongn et al.
Primary Topic: Emotion and Mood Recognition
Overview
This research presents a novel dataset comprising physiological signals collected non-invasively during structured acute stress induction and various exercise sessions. Utilizing the Empatica E4 wearable device, the dataset captures electrodermal activity, skin temperature, three-axis accelerometry, and blood volume pulse, from which heart rate and heart rate variability can be derived. A specific stress induction protocol was implemented involving mathematical and emotional tasks, while a stationary bike routine was developed to differentiate between aerobic and anaerobic exercises. The dataset includes recordings from 36 healthy participants during stress induction, 30 during aerobic exercise, and 31 during anaerobic exercise.
To validate the dataset, several machine learning algorithms were employed, with XGBoost achieving notable accuracies: 93% for classifying stress versus rest, 91% for distinguishing between aerobic and anaerobic exercise, and 84% for a four-label classification task encompassing stress, rest, aerobic, and anaerobic activities. This dataset is publicly available, contributing to the advancement of research in the context of physical activity and stress monitoring, which is particularly relevant for improving the performance of artificial pancreas systems in managing Type 1 diabetes mellitus.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from a sample population. Specific methodologies included controlled experiments, surveys, or observational studies, depending on the research objectives.
Data collection involved standardized instruments to ensure reliability and validity, with appropriate sampling methods to enhance generalizability. The analysis was conducted using software tools that facilitated complex statistical computations, such as regression analysis or ANOVA, to determine significant relationships or differences among variables. The section emphasizes the rigor of the methods to support the credibility of the findings presented in the study.
Discussion
In this research, the authors conducted a comprehensive search for publicly available datasets related to wearable data on acute stress and structured physical activity but found none that met their specific research needs. Consequently, they collected their own dataset, which will be made publicly available. The dataset includes physiological signals from 36 healthy young adults collected during structured sessions of induced acute stress and exercise, along with self-reported stress levels. This dataset is unique as it integrates stress assessment with structured physical activity, enabling a more nuanced analysis of the physiological responses to stress and exercise, which is particularly relevant for applications such as glycemic control in Type 1 Diabetes Mellitus (T1DM) patients.
The data collection involved two groups of participants, utilizing the Empatica E4 wristband to capture various physiological signals, including heart rate, electrodermal activity, and motion data. The stress induction protocol was designed to elicit measurable stress responses through tasks such as the Trier Mental Challenge Test, while exercise sessions were structured to differentiate between aerobic and anaerobic activities. The authors also implemented rigorous data preprocessing and feature extraction methods to prepare the data for machine learning classification, demonstrating the dataset’s potential for distinguishing between different physiological states. The findings underscore the importance of this dataset in advancing research on the interplay between stress and physical activity, providing a valuable resource for future studies.