A stressz modern életünk mindennapi részét képezi, ezért is fontos, hogy figyelembe vegyük, hogyan lehet ránk hatással, például egy tréning szituációban. Ebben a blogposztban a stressz és annak felismerésének mélységeibe ássuk bele magunkat, azzal a céllal, hogy a jövőben elkészülő VR tréningjeinkbe mint inputot és befolyásoló tényezőt beépíthessük.

Általánosságban a stresszről

Amikor meghalljuk a “stressz” szót, nem igazán gondolunk bele abba, hogy ennek mekkora mélysége van, pedig a mindennapi életünk része. Biztosak vagyunk benne, hogy a legtöbb ember életében gyakran hangzott már el az a mondat hogy “Jaj, megint stresszes napom volt.”, na de honnan ered ez a szó?

A stressz szó a latin „strictus” szóból származik, ami szoros igénybevételt jelent. Angolban a “stress” szintén feszültséget és igénybevételt jelent. Fogalmát először Selye János írta le 1960-ban, miszerint:

Vagyis mondhatjuk, hogy ez a test természetes válasza, reakciója a környezeti stresszhatásokra.

A stresszhez szorosan kapcsolódik a “fight or flight”, vagyis “üss vagy fuss” reakció, amely a valós vagy valósnak vélt fenyegetés, vagy akár egy vizsgadrukk hatására lép életbe. Ennek hatására beindul a túlélési mechanizmus, amely a szívverés felgyorsulását eredményezi, következésképpen emelkedik a pulzus, a vérnyomás, vagy akár az is lehet, hogy megfeszülnek az izmok. Ezekre a későbbiekben hozunk majd példát.

A legtöbb ember, amikor meghallja a stressz szót, azt gondolja, hogy ez mindig egy negatív dolog, holott pozitívan is hathat az életünkre. Pozitív stressz során a szervezet szintén kihívásokkal szembesül, komfortzónából kimozdulást és feszültséget eredményez, azonban ezt a kihívást képes kezelni, és a stresszhatás arra ösztönzi a személyt, hogy teljesítsen (ezáltal válik pozitívvá).

Stresszdetektálása és mérése

A stressz detektálása nem egyszerű dolog, ugyanis nem lehet csak egy értékből és egy threshold alapján meghatározni, hogy az adott illető az adott pillanatban stresszes volt-e. Mára már sok tanulmány olvasható, amelyekben különböző szenzorok segítségével próbálják detektálni és mérni a stresszt. A leggyakoribb értékek és módszerek amelyeket ez esetben néznek/alkalmaznak az EEG (elektroenkefalográfia), az ECG (EKG), az EMG (elektromiográfia), a GSR és a HRV, bőrhőmérséklet. Az adatokat különböző szenzorokkal és eszközökkel gyűjtik, majd dolgozzák fel. Mi az alábbiak közül a HRV alapján kezdtük el detektálni és mérni a stresszt, vagyis a HRV analízist választottuk.

A HRV (Heart Rate Variability), más néven szívfrekvencia-változékonyság az egymást követő szívverések közötti időintervallumokban (IBI, InterBeat Intervall) megjelenő eltéréseket mutatja, és ezáltal útmutatóként használható a stressz méréséhez és detektálásához.

A már említett “üss vagy fuss” reakció esetében a szív gyorsabban kezd verni és az ütemek közötti idő lerövidül, ami eredményeképp csökken a HRV, ezáltal következtethetünk stresszre. A HRV értékek lehetnek idő- és frekvenciatartományúak egyaránt. Ezek az értékek különböző időtartamban mérhetők és eszerint lehet őket osztályozni is: ultra-rövidtávú (< 5 perc), rövidtávú (~/>5 perc) és hosszútávú (>= 24 óra) mérésekre. Egyes HRV értékek érvényességéhez szükséges a mérés időtartamát egy minimumban meghatározni, így érdemes minimum 30 másodperces vizsgálatokat végezni. Célunk alapvetően az volt, hogy valós időben tudjuk detektálni és mérni a stresszt, ami az ultrarövid távú mérés igényeinek felel meg.

Sok tanulmányban lehet olvasni, hogy a stresszdetektálást különböző viselhető szenzorok segítségével próbálták véghezvinni. Ilyen szenzorok például a Polar H10 pulzusmérő mellkaspánt, az okosórák (Garmin, Apple), az okosgyűrűk (Oura Ring) vagy éppen karkötők is (Empatica E4).

Mi a stresszdetektáláshoz a Polar H10 pulzusmérő melllkaspántot választottuk, ugyanis ez nagyon jó ár-érték arányban van, és képes a számunkra szükséges adatokat szolgáltatni.

forrás: polar.com

Adatok feldolgozása

A legtöbb tanulmányban a különböző szenzorokból kinyert adatok feldolgozásra kerültek, és a már feldolgozott adatokat machine learning (gépi tanulás) vagy deep learning (mélytanulás) segítségével elemezték, hogy mintázatokat azonosítsanak. A gépi tanulás és a mélytanulás jó választás, ugyanis technológiájukból adódóan lehetővé teszik az adatok pontosabb és gyorsabb feldolgozását, illetve a minták megtanulása után képesek egy adott eredményt a megtanultak alapján osztályozni, címkézni.

Az interneten sok adatkészletet (dataset) találhatunk, amelyek ingyenesen elérhetők és hasznosíthatók ilyen modellek feltanításához. Ilyen adatkészletek például a SWELL,WESAD és a MIT-BIH is, amelyek sok, és egy modell feltanításához elegendő adatot tartalmaznak, azonban túl komplexek. Ezért mi a saját dataset létrehozása melett döntöttünk, és egy saját modellt kezdtünk el feltanítani vele, hogy valós időben képes legyen kiértékelni az adatokat.

Alkalmazott ML

A kiválasztott tanulmányban sok gépi tanulási és mélytanulási modellel kísérleteztek, így esett a választásunk a TPOT-ra. A TPOT Scikit-Learn gépi tanulási könyvtárra épül és genetikus programozási algoritmusokat alkalmaz, hogy automatikusan felfedezze és optimalizálja a legjobban teljesítő modell pipeline-okat egy adott adatkészlethez. Ez azt jelenti, hogy a TPOTautomatikusan kiválasztja és kombinálja a különböző előfeldolgozási lépéseket, modelleket és hiperparamétereket, hogy a lehető legjobb teljesítményt érje el.

A TPOTvégeredménye egy optimalizált gépi tanulási pipeline, amely tartalmazza az összes szükséges lépést az adatok előfeldolgozásától kezdve a modell kiválasztásán át a hiperparaméterek finomhangolásáig. Ez a pipeline automatikusan generálódik és célja, hogy a lehető legjobb teljesítményt nyújtsa az adott adathalmazon. A kiválasztott pipeline-t Python kódként ki lehet exportálni (ez egy teljesen működőképes modellt ad), majd ezt a kódot a későbbiekben be lehet tölteni és predikciók készítésére használni.

Bináris és többszintú stresszérzékelés

A stresszmérés területén gyakran alkalmazzuk a bináris stresszérzékelést. A legtöbb online elérhető tanulmányban a fő fókusz a stresszes állapot megállapításán van, azonban fontos tudni, hogy a bináris mellett létezik többszintű stresszérzékelés is, ami különösen érdekes és összetett. Többszintű stresszérzékelésről akkor beszélünk, amikor a stressz detektálása mellett képesek vagyunk a stressznek a mértékét is meghatározni; ez lehet akár közepes vagy magas. Többszintű stresszérzékelés esetében nem elegendő csupán a kiugró értékek alapján felcímkézni az adatokat. Az alany bevallása alapján, valamint az értékek összevetésével történik a stressz szintjének pontos meghatározása. Az értékeket alaposan elemezve és összehasonlítva különíthetjük el a közepes és magas stressz szinteket, ezáltal biztosíthatjuk, hogy a stresszérzékelés megbízható legyen, figyelembe véve az egyéni különbségeket és a kontextuális tényezőket is.

A stressz mértékének meghatározása

A stressz detektálása és mértékének meghatározása a HR, RMSSD, AVNN, SDNN, PNN50, VLF, LF, HF, TP és LF/HF arány értékeinek kiszámításával történt. A legtöbb érték kiszámításához számos Python csomag elérhető az interneten, mint például a hrv-analysis, hrv és pyhrv csomagok. Ezekben a csomagokban található függvények fő paraméterei az RR-intervallum értékei. Az RR-intervallumaz egymást követő szívverések között eltelt időt jelenti. Összességében ez egy idősor, ami a HRV analízis alapja, ez az érték a pulzussal (HR) együtt érkezik, esetünkben a Polar H10 mellkaspánt szenzorából.

Ezek a paraméterek szabályozzák a gépi tanulási algoritmus viselkedését, és jelentősen befolyásolhatják a modell teljesítményét. (https://hu.eitca.org/artificial-intelligence/eitc-ai-gcml-google-cloud-machine-learning/introduction/what-is-machine-learning/what-are-hyperparameters/)

A szenzor Bluetooth kapcsolat segítségével kommunikál, amelynek kiépítése szintén egy csomag segítségével történt (Bleak). Ezek az értékek már eleve normalizálva érkeznek, ami megkönnyíti az adatok feldolgozását.

Mik is azok az értékek, amelyek alapján dolgoztunk?

• A HR (HeartRate) a pulzus. A pulzus nem csak fizikai tevékenységek hatására növekszik, hanem stresszes szituációkban is emelkedik.
• A következő értékünk az RMSSD (Root Mean Square of Successive Differences), ami a szívfrekvencia-változékonyságnak az értéke; ez az érték stressz hatására csökkeni kezd.
• Az AVNN (Average of Normal-to-Normal intervals) az NN (Normal-to-Normal intervals) intervallumok átlaga, az NN intervallumok pedig a két egymást követő normál szívütés között eltelt idő (ez másodpercben mérve). Az alacsonyabb AVNN értékek magasabb pulzuszámra, és esetleg nagyobb stresszre utalhatnak.
• Az SDNN (Standard Deviation of NN intervals), ami a az NN intervallumok szórása. Mind a szimpatikus, mind a paraszimpatikus aktivitás kapcsolódik ehhez az értékhez, és stressz hatására szintúgy csökkenő tendenciát mutat.
• A pNN50 egy százalékos érték, amely az 50 ms-nál nagyobb NN intervallumok arányát mutatja az összes NN intervallumhoz képest. Ez az érték azt jelzi, hogy a paraszimpatikus idegrendszer mennyire aktív a szimpatikus idegrendszerhez viszonyítva. Minél magasabb a pNN50 értéke, annál nyugodtabb a szervezet. Alacsony értékek esetén pedig fáradtságot vagy túlzott stresszt jelez.
• A VLF (Very Low Frequency) a nagyon alacsony frekvenciájú hullámok erejét mutatja. Az értéke azt reprezentálja, hogy hogyan hatnak a szívre a hormonok és a reflexek. Ha túl magas, az azt jelenti, hogy a szervezet kimerült vagy beteg, és az autonóm idegrendszer nem birkózik meg jól a stresszel.
• Az LF (Low Frequency) értéke a szimpatikus idegrendszer által keltett alacsony frekvenciájú hullámok erejét reprezentálja.
• A HF (High Frequency) értéke a paraszimpatikus idegrendszer által keltett magas frekvenciájú hullámok erejét reprezentálja. Minél magasabb ez az érték, annál nyugodtabb a szervezet. Ebből lehet következtetni az alany edzettségi állapotára is egyaránt, ugyanis egészséges és aktív sportolóknál a nyugalmi állapotban ez az érték magas. Stresszdetektálás és mérés alatt viszont ennek az értéknek a csökkenését figyeltük.
• A TP (Total Power) tükrözi a HF, az LF és a VLF hullámok teljes teljesítményét. Ez megmutatja, mekkora ereje van a szervezetnek és mennyire jól alkalmazkodik a stresszhez. Ez az érték csökken, ha az alany túl stresszes vagy beteg.
• Az LF/HF aránya megmutatja hogy a paraszimpatikus vagy szimpatikus idegrendszer dolgozik intenzívebben. A 2 feletti érték azt jelenti, hogy a szervezet rendszerei túlságosan mobilizáltak, az 1-nél kisebb érték pedig azt jelenti, hogy ellazult, az 1 és 2 közötti érték pedig azt jelenti, hogy rendszerei kiegyensúlyozottak. Ennek az értékét mérések során legtöbbször nem lehetett a szokásos 1-2 intervallum közé beilleszteni, egyes alanyoknál ez az érték jelentősen magasabb volt (akár 16). Ennek okát több dolog is megmagyarázhatja, ugyanis az érték azt mutatja, hogy a szimpatikus idegrendszer aktivitása magas, ami lehet a stressztől (ez lehet kóros) vagy idegességtől, továbbá ezt az értéket befolyásolja az alany egészségügyi állapota (például a szív- és érrendszeri problémák) is.

A mérések alatt elsősorban a mérvadó érték a pulzusszám volt. Az alany esetében a stresszes szakaszok alatt hirtelen ugrott meg a nyugalmi ülő- és nyugalmi álló értékhez képest. Ezt rendre követte a HF értéke, az LF/HF arányának értéke, az RMSSD, az SDNN és a pNN50 értéke. Stressz esetében megfigyelhető volt, hogy a HF és az LF/HF arányának értéke nőtt, míg az RMSSD, az SDNN és a pNN50 értékek csökkentek.

A szimpatikus idegrendszer elsősorban a stresszhelyzetben kialakuló stresszválaszért felel, vészhelyzetben az egész rendszer egységes egészként aktiválódik (http://www.exastudio.hu/szimpatikus-es-paraszimpatikus-idegrendszer.html). A paraszimpatikus idegrendszer a szervezet életének mindennapos fenntartását szolgálja. Fontos szerepe van az emésztés és a kiválasztás szabályozásában.

Stressztesztelés élesben VR-ral

Az adatgyűjtés során az értékek mellett sok más dologra is figyelni kell. A mért értékeket sok dolog befolyásolhatja, például, hogy az illető végzett-e a mérés előtt nehéz fizikai munkát, vagy fogyasztott-e koffeint, ami növelheti a pulzusszámot (emellett más értékeket is befolyásolhat), így a mért adatok falsak lehetnek. A stressz többféle módon is előidézhető kontrollált körülmények között, ebből mi két különböző módszert alkalmaztunk a mérésére. Az első esetben a stresszt az váltotta ki, hogy egy feladatot időre kellett teljesíteni, míg a második esetben a tériszony volt a stressz kiváltó tényezője. Stresszes állapot kiváltásához a leghatékonyabb eszköz a VR szemüveg volt.

Az utóbbi években a virtuális valóság (VR) technológia jelentős fejlődésen ment keresztül, és egyre szélesebb körben terjedt el. Ez a technológiai fejlődés továbbá lehetővé tette azt is, hogy a stressz mérésének hatékony eszközévé váljon; de hogyan kapcsolódik össze a stressz mérés és a VR?

Úgy, hogy a teljes mérés alatt az alanyok a Meta Quest 3 segítségével élhették át a stressz méréséhez használt applikációk nyújtotta élményt. A Meta Horizon Store-ban számos ingyenes és fizetős alkalmazás található, amelyek tovább fokozhatják az élmény valósághűségét, ezáltal pontosabb adatokat szolgáltatva. A workflow megtervezése egy kiválasztott tanulmány alapján történt, igyekeztük úgy felépíteni, hogy a lehető legnagyobb stresszt váltsuk ki az alanyokból a VR szemüveg felhasználása segítségével. A nehézséget az okozta, hogy olyan feladatokat kellett keresni, amelyek a legtöbb emberből kiválthatják a stresszt. Ez nem egyszerű feladat, mivel minden ember különböző; ami a legtöbb embernél stresszes állapotot vált ki, az egyeseknél nem feltétlenül éri el ezt a hatást. Volt olyan résztvevő, aki korábban még soha nem próbálta ki a VR szemüveget, így számára az élmény sokkal intenzívebb volt (ez a mért adatokon is megmutatkozott).

A mérés minden esetben egy relaxációs feladattal kezdődött és zárult, hogy a stresszes értékek minél inkább láthatóvá váljanak. A tériszony alapú stressz esetében ahhoz, hogy még élethűbb legyen, összeállítottuk a saját pályánkat a kiválasztott VR applikációhoz igazítva. Ennek a sikere sokkal nagyobb lett, mint azt eredetileg reméltük. Egyes mérések esetében a kiváltott reakció sokkal nagyobb volt, ami az alany tenyerének izzadásában, a lábak és kezek remegésében és az izmok megfeszülésében mutatkozott meg a legjobban.

A stresszdetektálás idejét összességében az adatok gyűjtése és a kiválasztott modell feltanítása határozta meg, ugyanis egyik sem triviális elsőre. Rengeteg tanulmányt és publikációt kellett elolvasnunk ahhoz, hogy az adatgyűjtéshez hozzákezdhessünk. A workflow és az adatgyűjtés a folyamat során sokszor és sokat változott, mire megtaláltuk azt az állapotot, amit megfelelőnek találtunk.

A stressz detektálásnak véleményünk szerint van jövője, és a későbbiekben eléggé elterjedt és fejlett lesz különböző területeken. Oktatásban nagy szerepe lehet egy-egy vizsga során, például ha a diák túlzottan stresszel, akkor megfelelő ellenválasszal csökkenteni lehet a stressz mértékét. Továbbiakban nagy szerepe lehet még az egészségügyben is, a stressz okozta vagy a stresszel kapcsolatos állapotok korai diagnosztizálásában és kezelésében egyaránt.

Maga a stressz mérés az XR2Learn projekt keretén belül készült.

Források:

• https://www.eletmodorvosikozpont.hu/eletmod-orvoslas/stresszkezeles
• https://www.gortvacoaching.hu/l/stressz/
• https://www.abcterapia.hu/blog/itemlist/tag/%C3%BCss%20vagy%20fuss
• https://egeszsegvonal.gov.hu/s-sz/1038-stresszreakcio.html
• https://support.polar.com/e_manuals/Team_Pro/Polar_Team_Pro_user_manual_Magyar/Content/RR-interval.htm
• https://www.futas.net/kerekparos/edzes/teljesitmenydiagnosztika.php
• https://hrvlab.wustl.edu/research/methods/time-domain-heart-rate-variability/
• https://www.webmd.com/balance/stress-management/news/20240104/heart-rate-variability-anti-stress-weapon
• https://learn.microsoft.com/hu-hu/azure/machine-learning/concept-automated-ml?view=azureml-api-2
• TPOT for Automated Machine Learning in Python - MachineLearningMastery.com
• RR interval kép: https://www.mdpi.com/1424-8220/23/7/3700

A cikket írta: T. Cintia