DOI: https://doi.org/10.1038/s41598-025-06918-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40595085
تاريخ النشر: 2025-07-01
المؤلف: Shruti Gedam وآخرون
الموضوع الرئيسي: كوفيد-19 والصحة النفسية
نظرة عامة
تقدم الدراسة إطار عمل جديد لاكتشاف الضغط النفسي لدى الطلاب الهنود من خلال دمج الإشارات الفسيولوجية القابلة للارتداء مع خوارزميات التعلم الآلي (ML) المختلفة، وتحديداً تقنيات التجميع والتعزيز. يظهر النموذج أداءً عاليًا، وأتمتة، وتقليل التعقيد الحسابي، مستفيدًا من مجموعة بيانات تضم 200 مشارك تعرضوا لأربعة عوامل ضغط متميزة. تشير النتائج الرئيسية إلى أن خوارزميات الغابة العشوائية (RF) وXGBoost حققت دقة بلغت 96.03% و96.17%، على التوالي، مما يجعلها الأكثر فعالية بين تسع خوارزميات ML تم اختبارها. من الجدير بالذكر أن الدراسة تحدد ميزات مهمة لاكتشاف الضغط، مثل SDNN لـ ECG، والمتوسط لـ GSR، والتباين لـ ST.
أسفرت التحقق من صحة النموذج ضد مجموعات البيانات المرجعية (SWELL-KW وWESAD) عن دقتين بلغت 92.38% و94.21%، على التوالي، مما يؤكد قدرة النموذج على التكيف والتعميم. حقق اختبار تجريبي في الوقت الحقيقي مع 10 مشاركين دقة توقع بلغت 97.5% مع زمن استجابة منخفض (~1.2 ثانية)، مما يبرز التطبيق العملي للنموذج في السيناريوهات الواقعية. لا يقدم الإطار المقترح طريقة موضوعية لاكتشاف الضغط النفسي فحسب، بل يحمل أيضًا وعدًا بتسهيل التدخل المبكر وتحسين نتائج الصحة النفسية. ستستكشف الأعمال المستقبلية دمج تقنيات التعلم العميق لتعزيز كفاءة النظام.
الطرق
تحدد هذه القسم البروتوكولات التجريبية وطرق التحقق من الصحة المستخدمة في دراسة تبحث في الضغط النفسي من خلال المراقبة الفسيولوجية باستخدام جهاز إنترنت الأشياء (IoT) المجهز بأجهزة استشعار ECG وGSR وST. يتيح الجهاز تتبع استجابات فسيولوجية مرتبطة بالضغط في الوقت الحقيقي. لضمان موثوقية الجهاز، تمت مقارنة قياساته لإشارات ECG وGSR مع مجموعات البيانات المرجعية، وتحديداً SWELL-KW وWESAD. تظهر نتائج التحقق، الملخصة في الجدول 1، توافقًا قويًا بين قراءات الجهاز وتلك القادمة من أجهزة استشعار تجارية، مما يؤكد فعاليتها في جمع البيانات الفسيولوجية. من الجدير بالذكر أن قراءات جهاز استشعار ST (المتوسط ± SD: 34.1 ± 0.3 °C) كانت ضمن النطاق الطبيعي من 33-37 °C، وكانت التباينات لقراءات ECG IBI (< 5%)، وقراءات GSR (< 3%)، وقراءات ST (< 2%) ضئيلة، مما يدعم موثوقية الجهاز بشكل أكبر. شملت المنهجية تحفيز عوامل الضغط في عينة من 200 مشارك (128 ذكور و72 إناث) لاستنباط استجابات الضغط، مع توضيح التفاصيل الإجرائية في الشكل 3. تضمن هذا النهج الشامل أن البيانات التي تم جمعها قوية وذات صلة لتحليل المتغيرات الفسيولوجية للضغط النفسي.
النتائج
في هذه الدراسة، تم تطوير آلة جديدة مزودة بأجهزة استشعار تخطيط القلب الكهربائي (ECG) واستجابة الجلد الجلفانية (GSR) ودرجة حرارة الجلد (ST) بهدف تصنيف الضغط النفسي تحت ظروف الضغط وعدم الضغط. تم استخدام البيانات المجمعة من هذه الأجهزة لتدريب وتقييم تسع خوارزميات تعلم آلي (ML) متميزة تهدف إلى تصنيف مستويات الضغط النفسي بشكل فعال.
تشير النتائج إلى أن دمج البيانات الفسيولوجية من عدة أجهزة استشعار يعزز دقة تصنيف الضغط النفسي. تم تقييم أداء كل خوارزمية ML، مما يبرز إمكانيات هذه التقنيات في تطبيقات مراقبة وإدارة الضغط في الوقت الحقيقي. قد يوفر التحليل الإضافي للنتائج رؤى حول أكثر الخوارزميات فعالية لهذه المهمة التصنيفية، مما يساهم في تقدم أدوات تقييم الصحة النفسية.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدم والتحديات في مجال اكتشاف الضغط النفسي باستخدام أجهزة الاستشعار القابلة للارتداء وتقنيات التعلم الآلي (ML). تستعرض مجموعة من الدراسات التي استخدمت إشارات فسيولوجية مثل ECG وGSR ودرجة حرارة الجلد (ST) لتصنيف مستويات الضغط، مشيرة إلى أنه على الرغم من أن العديد من الدراسات حققت دقة واعدة تتراوح بين 75.9% إلى 99.4%، إلا أنها غالبًا ما تعاني من قيود مثل أحجام العينات الصغيرة ونطاق ضيق من عوامل الضغط. على سبيل المثال، حققت إحدى الدراسات دقة بلغت 94.33% باستخدام جهاز استشعار نبض تجاري وSVM لتصنيف مستويات الضغط بناءً على إشارات PPG، بينما جمعت دراسة أخرى بين أجهزة استشعار فسيولوجية واجتماعية، محققة دقة بلغت 87%. تؤكد المراجعة على الحاجة إلى مجموعات بيانات أكبر وأكثر تنوعًا لتعزيز قوة وعمومية نماذج اكتشاف الضغط.
تسلط الفجوة البحثية المحددة في هذا القسم الضوء على ضرورة إجراء دراسات تستخدم مجموعات أكبر من المشاركين ونطاق أوسع من السيناريوهات المحفزة للضغط لتحسين أداء النموذج. تهدف الدراسة الحالية إلى معالجة هذه الفجوات من خلال استخدام مجموعة بيانات تضم 200 مشارك ودمج إشارات فسيولوجية متعددة لتوفير فهم أكثر شمولاً لاستجابات الضغط. بالإضافة إلى ذلك، تقترح الدراسة نظامًا منخفض التكلفة وعمليًا للتطبيقات الواقعية، مما يتناقض مع الأبحاث السابقة التي غالبًا ما اعتمدت على أجهزة قابلة للارتداء باهظة الثمن. بشكل عام، تشير النتائج إلى أنه على الرغم من التقدم الكبير الذي تم إحرازه في اكتشاف الضغط باستخدام التكنولوجيا القابلة للارتداء، إلا أن المزيد من البحث ضروري لتحسين آليات الاكتشاف وزيادة قابليتها للتطبيق في بيئات متنوعة.
القيود
تقدم الدراسة إطار عمل جديد لاكتشاف الضغط النفسي باستخدام أجهزة استشعار قابلة للارتداء متعددة الأنماط وتقنيات التعلم الآلي؛ ومع ذلك، يجب الاعتراف بعدة قيود. على الرغم من أن مجموعة البيانات تتكون من 200 مشارك، وهو عدد أكبر من العديد من الدراسات السابقة، إلا أن توسيع هذه المجموعة يعد أمرًا حيويًا لتعزيز عمومية النموذج. قد لا تشمل عوامل الضغط المستخدمة الطيف الكامل لظروف الضغط في العالم الحقيقي، مما قد يحد من صلة النتائج. بالإضافة إلى ذلك، لا يزال أداء النموذج في السيناريوهات الزمنية الحقيقية غير مختبر، حيث يمكن أن تؤثر الضوضاء البيئية والآثار الناتجة عن الحركة على قراءات المستشعر.
يجب أن تركز الأبحاث المستقبلية على جمع مجموعات بيانات أكبر وأكثر تنوعًا لتحسين القوة والعمومية. يمكن أن يؤدي دمج إشارات فسيولوجية إضافية، مثل EEG والتنفس ومستويات الأكسجين في الدم، إلى تعزيز دقة وموثوقية اكتشاف الضغط. الدراسات الطولية ضرورية لتقييم أداء النموذج على مدى فترات طويلة وظروف متغيرة، مما يضمن قابليته للتكيف في التطبيقات الواقعية. علاوة على ذلك، سيكون من الضروري تطوير نماذج تفسيرية متقدمة، مثل LIME أو SHAP، لتوضيح قرارات النموذج للمستخدمين غير الفنيين، بما في ذلك المتخصصين في الرعاية الصحية. أخيرًا، يعد تحسين النموذج لبيئات ذات طاقة منخفضة وموارد محدودة أمرًا أساسيًا لتطبيقه بسلاسة في الأجهزة القابلة للارتداء.
DOI: https://doi.org/10.1038/s41598-025-06918-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40595085
Publication Date: 2025-07-01
Author(s): Shruti Gedam et al.
Primary Topic: COVID-19 and Mental Health
Overview
The study presents a novel framework for detecting mental stress in Indian students by integrating wearable physiological signals with various machine learning (ML) algorithms, specifically bagging and boosting techniques. The model demonstrates high performance, automation, and reduced computational complexity, utilizing a dataset of 200 participants exposed to four distinct stressors. Key findings indicate that the Random Forest (RF) and XGBoost algorithms achieved accuracies of 96.03% and 96.17%, respectively, making them the most effective among nine ML algorithms tested. Notably, the study identifies significant features for stress detection, such as SDNN for ECG, mean for GSR, and variance for ST.
Validation against benchmark datasets (SWELL-KW and WESAD) yielded accuracies of 92.38% and 94.21%, respectively, confirming the model’s adaptability and generalizability. A real-time pilot test with 10 participants achieved a prediction accuracy of 97.5% with low latency (~1.2 seconds), underscoring the model’s practical applicability in real-world scenarios. The proposed framework not only offers an objective method for mental stress detection but also holds promise for facilitating early intervention and improving mental health outcomes. Future work will explore the incorporation of deep learning techniques to enhance system efficiency.
Methods
The section outlines the experimental protocols and validation methodologies employed in a study investigating mental stress through physiological monitoring using an Internet of Things (IoT) device equipped with ECG, GSR, and ST sensors. The device enables real-time tracking of stress-related physiological responses. To ensure the reliability of the device, its measurements for ECG and GSR signals were compared against benchmark datasets, specifically SWELL-KW and WESAD. The validation results, summarized in Table 1, demonstrate strong alignment between the device’s readings and those from commercial-grade sensors, confirming its efficacy in physiological data collection. Notably, the ST sensor readings (mean ± SD: 34.1 ± 0.3 °C) fell within the normative range of 33-37 °C, and the variances for ECG IBI readings (< 5%), GSR readings (< 3%), and ST readings (< 2%) were minimal, further supporting the device's reliability. The methodology involved inducing stressors in a sample of 200 participants (128 males and 72 females) to elicit stress responses, with the procedural details illustrated in Fig. 3. This comprehensive approach ensures that the data collected is robust and relevant for analyzing the physiological correlates of mental stress.
Results
In this study, a novel machine equipped with electrocardiogram (ECG), galvanic skin response (GSR), and skin temperature (ST) sensors was developed for the purpose of classifying mental stress under both stress and no-stress conditions. The data collected from these sensors were utilized to train and evaluate nine distinct machine learning (ML) algorithms aimed at effectively classifying mental stress levels.
The findings indicate that the integration of physiological data from multiple sensors enhances the accuracy of mental stress classification. The performance of each ML algorithm was assessed, highlighting the potential of these technologies in real-time stress monitoring and management applications. Further analysis of the results may provide insights into the most effective algorithms for this classification task, contributing to advancements in mental health assessment tools.
Discussion
The discussion section of the paper highlights the advancements and challenges in the field of mental stress detection using wearable sensors and machine learning (ML) techniques. It reviews various studies that have employed physiological signals such as ECG, GSR, and skin temperature (ST) to classify stress levels, noting that while many studies have achieved promising accuracies—ranging from 75.9% to 99.4%—they often suffer from limitations such as small sample sizes and a narrow range of stressors. For instance, one study achieved 94.33% accuracy using a commercial pulse sensor and SVM for classifying stress levels based on PPG signals, while another combined physiological and sociometric sensors, achieving 87% accuracy. The review emphasizes the need for larger and more diverse datasets to enhance the robustness and generalizability of stress detection models.
The research gap identified in this section underscores the necessity for studies that utilize larger participant pools and a broader array of stress-inducing scenarios to improve model performance. The current study aims to address these gaps by employing a dataset of 200 participants and integrating multiple physiological signals to provide a more comprehensive understanding of stress responses. Additionally, the study proposes a low-cost, practical system for real-world applications, which contrasts with previous research that often relied on expensive wearable devices. Overall, the findings suggest that while significant progress has been made in stress detection using wearable technology, further research is essential to refine detection mechanisms and enhance their applicability in diverse settings.
Limitations
The study presents a novel framework for mental stress detection utilizing multimodal wearable sensors and machine learning techniques; however, several limitations must be acknowledged. Although the dataset comprises 200 participants, which is larger than many previous studies, expanding this dataset is crucial for enhancing the model’s generalizability. The stressors employed may not encompass the full spectrum of real-world stress conditions, potentially limiting the relevance of the findings. Additionally, the model’s performance in real-time scenarios remains untested, as environmental noise and artifacts from movement could affect sensor readings.
Future research should focus on collecting larger and more diverse datasets to improve robustness and generalizability. Incorporating additional physiological signals, such as EEG, respiration, and blood oxygen levels, could enhance the accuracy and reliability of stress detection. Longitudinal studies are necessary to evaluate the model’s performance over extended periods and varying conditions, ensuring its adaptability in real-world applications. Furthermore, developing advanced interpretability models, such as LIME or SHAP, would clarify the model’s decisions for non-technical users, including healthcare professionals. Lastly, optimizing the model for low-power and resource-constrained environments is essential for seamless application in wearable devices.