SmartCoping: Ein System zur mobilen Erkennung und Prävention von Stress

Transkript

1 SmartCoping: Ein System zur mobilen Erkennung und Prävention von Stress Ulrich Reimer Edith Maier Fachhochschule St. Gallen SmartCoping MKWI Ulrich Reimer 1 Projektpartner von SmartCoping Fachhochschule St. Gallen Zürcher Hochschule für Angewandte Wissenschaften Forel Klinik myvitali ai-one Gefördert durch die KTI SmartCoping MKWI Ulrich Reimer 2 1

2 Gliederung 1. Motivation und Ausgangslage 2. Mobile Stresswarnung mit Vitalparametern 3. Hinzunahme von Kontextdaten 4. Biofeedback 5. Zusammenfassung und Ausblick SmartCoping MKWI Ulrich Reimer 3 Stress ist ein gesellschaftliches Problem Grosse Verbreitung von chronischem Stress Folgekrankheiten wie Burn-out, Depression, Suchtkrankheiten hohe Gesundheitskosten hohe volkswirtschaftliche Kosten (Absenzen, etc.) Unterstützung bei Vermeidung und Reduktion von Stress Patienten-Selbstmanagement Stressgefährdete benötigen Unterstützung SmartCoping MKWI Ulrich Reimer 4 2

3 Projektziele von SmartCoping Entwicklung einer Smartphone-App: a) Warnung bei steigendem Stress b) Analyse, in welchen Situationen besonders häufig Stress c) Stressreduktion durch Biofeedback d) Validierung der Wirksamkeit durch Feldtest mit einer Klinik SmartCoping MKWI Ulrich Reimer 5 Gliederung 1. Motivation und Ausgangslage 2. Mobile Stresswarnung mit Vitalparametern 3. Hinzunahme von Kontextdaten 4. Biofeedback 5. Zusammenfassung und Ausblick SmartCoping MKWI Ulrich Reimer 6 3

4 Physiologische Stressindikatoren Erhöhter Cortisol-Spiegel Verringerte Herzratenvariabilität Erhöhte Herzrate Erhöhte Hautleitfähigkeit SmartCoping MKWI Ulrich Reimer 7 Physiologische Stressindikatoren Erhöhter Cortisol-Spiegel Verringerte Herzratenvariabilität Erhöhte Herzrate Erhöhte Hautleitfähigkeit SmartCoping MKWI Ulrich Reimer 8 4

5 HRV: Herzratenvariabilität Herzratenvariabilität (HRV) ist die Variation des Zeitintervalls zwischen zwei Herzschlägen. Die HRV wird beeinflusst durch das Zusammenspiel zwischen sympathetischem und parasympathischem Nervensystem. Bei Stress sinkt die HRV! SmartCoping MKWI Ulrich Reimer 9 Messung der HRV Sensor am Körper Übertragung des Herzschlags an das Smartphone in 4-Minuten-Intervallen Variabilität der Herzrate bestimmen 4 min 4 min 4 min... SmartCoping MKWI Ulrich Reimer

6 Berechnungsmaße für HRV SDNN: Standardabweichung von RR-Intervallen RMSSD: Root Mean Square Differenz aufeineinderfolgender RR-Intervalle PNN50: Prozentueller Anteil an Paaren aufeinanderfolgender RR-Intervalle mit mehr als 50 ms Differenz LF and HF: Hoch- und Niederfrequenzanteile in der Spektralanalyse LF/HF: Balance zwischen sympathischem und parasympathischem Nervensystem SmartCoping MKWI Ulrich Reimer 11 Problem: Es gibt keinen generellen HRV-Schwellwert Die HRV ist zwischen Menschen sehr unterschiedlich. Es lässt sich kein allgemein gültiger HRV-Grenzwert für Stress festlegen! Lösungsansatz: Die App adaptiert sich an den individuellen Benutzer SmartCoping geht weit über bestehende Ansätze hinaus SmartCoping MKWI Ulrich Reimer

7 Anwendungsszenario: nur Vitalparameter HRV Herzrate Stress- Warnung SmartCoping MKWI Ulrich Reimer 13 Anpassung an den Benutzer: Lernphase HRV Herzrate Erkennungsmuster Benutzer-Feedback zu Stress-Level SmartCoping MKWI Ulrich Reimer

8 Anwendungsszenario: individualisierte Stresswarnung HRV Herzrate Stress- Warnung Erkennungsmuster SmartCoping MKWI Ulrich Reimer 15 Benutzer-Feedback SmartCoping MKWI Ulrich Reimer

9 Lernen eines Klassifikators für Stresslevel: Zeitfenster 3 min 3 min 3 min 3 min 3 min 3 min... Benutzer Feedback... Zeitfenster SmartCoping MKWI Ulrich Reimer 17 Lernen eines Klassifikators für Stresslevel: Input Klassifikationsattribut: Stresslevel = «high», «medium», «low» Eingabeattribute bzgl. HRV: Niedrigster HRV-Wert im Zeitfenster Differenz zum bislang höchsten HRV-Wert überhaupt Differenz zwischen höchstem und niedrigsten HRV-Wert im Zeitfenster Eingabeattribute bzgl. Herzrate: Höchste Herzrate im Zeitfenster Differenz zum bislang niedrigsten Wert überhaupt Differenz zwischen höchster und niedrigster Herzrate im Zeitfenster SmartCoping MKWI Ulrich Reimer

10 Lernen von Stresserkennungsmustern: Erste Ergebnisse Decision Tree Algorithmen (See5, YaDT) 100 Eingabetupel 2/3 als Trainingsdaten, 1/3 als Testdaten Klassifikationsfehler < 10% SmartCoping MKWI Ulrich Reimer 19 Beispiel eines gelernten Entscheidungsbaums (YaDT) y V1 <= y n V3 <= 38.7 Low n y V10 <= n Medium y V3 <= 23.3 n Medium Low V1<= 88.5 y V1 <= 78.4 n Low y High n Medium SmartCoping MKWI Ulrich Reimer

11 Fehlerrate aufgeschlüsselt nach Klassen Low Medium High klassifiziert tatsächlich 22 1 Low 1 5 Medium 1 High SmartCoping MKWI Ulrich Reimer 21 Lernen von Stresserkennungsmustern: weitere Schritte Veränderung des Fehlers bei mehr Eingabetupeln Wie ist der Fehler bei Daten anderer Testpersonen Veränderung des Ergebnisses abhängig von Eingabeattributen Andere Lernalgorithmen verwenden SmartCoping MKWI Ulrich Reimer

12 Problem: Gute Eingabedaten für schnelles Lernen Ziel: Benutzer-Feedback möglichst in «interessanten» Situationen Lösungsansatz: Prinzip von Active Learning Feedback-Aufforderungen bei starken Veränderungen, Extremwerten, etc. SmartCoping MKWI Ulrich Reimer 23 Gliederung 1. Motivation und Ausgangslage 2. Mobile Stresswarnung mit Vitalparametern 3. Hinzunahme von Kontextdaten 4. Biofeedback 5. Zusammenfassung und Ausblick SmartCoping MKWI Ulrich Reimer

13 Hinzunahme von Kontextdaten Probleme: Bei «positivem» Stress keine Stresswarnung generieren. Artefakte vor allem bei Bewegung Lösungsansatz: Kontextdaten hinzunehmen Dadurch zusätzlich möglich: Genauere Stresserkennungsmuster als nur mit Vitaldaten Analyse, in welchen Situationen besonders häufig hoher Stress SmartCoping MKWI Ulrich Reimer 25 Anwendungsszenario mit Kontextdaten HRV Herzrate Körperliche Aktivität Tageszeit Standort Standortwechsel Stress- Warnung SmartCoping MKWI Ulrich Reimer

14 Lernphase mit Kontextdaten HRV Herzrate Körperliche Aktivität Tageszeit Standort Standortwechsel Benutzer-Feedback zu Stress-Level SmartCoping MKWI Ulrich Reimer 27 Individualisierte Stresswarnung mit Kontextdaten HRV Herzrate Körperliche Aktivität Tageszeit Standort Standortwechsel Erkennungsmuster Stress- Warnung Erkennungsmuster SmartCoping MKWI Ulrich Reimer

15 Analyse der Historie Verlauf des Stress-Levels (Tag, Woche, Monat, Jahr) Analyse: In welchen Situationen war Stress besonders häufig? SmartCoping MKWI Ulrich Reimer 29 Gliederung 1. Motivation und Ausgangslage 2. Mobile Stresswarnung mit Vitalparametern 3. Hinzunahme von Kontextdaten 4. Biofeedback 5. Zusammenfassung und Ausblick SmartCoping MKWI Ulrich Reimer

16 Stressabbau mit Biofeedback Positive Beeinflussbarkeit der HRV mittels Biofeedback ist durch Studien belegt. SmartCoping MKWI Ulrich Reimer 31 Gliederung 1. Motivation und Ausgangslage 2. Mobile Stresswarnung mit Vitalparametern 3. Hinzunahme von Kontextdaten 4. Biofeedback 5. Zusammenfassung und Ausblick SmartCoping MKWI Ulrich Reimer

17 Zusammenfassung Innovation in folgenden Aspekten: Benutzeradaption: Lernen von individuellen Stress-Erkennungsmustern Interpretation von Vitalparametern im Kontext Medizinisch-therapeutische Wirksamkeit: Medizinische Feldstudie mit der Forel-Klinik SmartCoping MKWI Ulrich Reimer 33 Ausblick Zu lösende Herausforderungen: Artefakte: Kompensation durch: - Kontextdaten - bessere (nicht zu teure) Sensoren Active Learning: Steuerung der Feedbackaufforderungen Lernen von zuverlässigen Stresserkennungsmustern: Finden des geeigneten Lernansatzes (Algorithmen, Input) SmartCoping MKWI Ulrich Reimer