Development and validation of a wearable device for multi-parametric stress level estimation

In recent years, the stress is increasingly experienced by many people and the response to its stimuli has become more often maladaptive. Perceived stress is not only time-limited, i.e. acute, but it is lasting over time becoming chronic. The latter can lead to serious consequences on both physical and mental well-being. Despite the serious implications stress is having on people, there are still no effective methods to measure stress in daily-life scenarios as this is very subject-dependent. This study aims to develop and validate a multi-parametric method for stress monitoring during daily-life activities. To collect data, a medical certified wearable device is used. This device is able to synchronously acquire several physiological signals such as a 12-lead ECG and a 3-channel respiratory signal. A prototypal thimble has been developed and integrated in the acquisition system to detect the Galvanic Skin Response (GSR), the main stress-related biosignal. The more adequate GSR electrodes for wearable applications have been experimentally selected. 30 healthy volunteers were recruited (15 women and 15 men) and a dedicated acquisition protocol has been designed, consisting of rest and stress phases, characterized by cognitive tasks for acute stress stimulation. At the end of each protocol phase, the subjects were asked to evaluate their stress level with a 1-6 scale. Physiological response to stress has been evaluated extracting stress-related features from each biosignal. After running a statistical analysis, a Support Vector Machine (SVM) classification model has been implemented bringing together all features that are more likely able to discriminate between rest and stress phases. Absolute and differential classification models have been implemented, to respectively analyze both the stress levels and its variations. Results show that with the 2-class absolute model, it was possible to identify Stress and No stress with an accuracy of 90% and three levels of stress, i.e. No stress, Moderate stress and High stress, through a GSR/HRV 3-class absolute model with an accuracy of 73%. Furthermore, using differential values, it was possible to create a GSR/HRV 3-class differential model able to classify the variations of stress in 3 classes, as Baseline, Stress and Recovery with an accuracy of 80%. Finally, the models were tested with a real use case scenario acquisition.

Negli ultimi anni lo stress è sempre più percepito da molte persone e la risposta ai suoi stimoli sta diventando più spesso disadattiva. Lo stress percepito infatti non è solo limitato nel tempo, cioè acuto, ma si protrae nel tempo diventando cronico. Quest'ultimo porta a gravi conseguenze a livello fisico e mentale. Nonostante le gravi implicazioni che lo stress sta avendo sulle persone, non esistono ancora metodi efficaci per misurare lo stress negli scenari quotidiani perché è molto soggettivo. Questo studio ha lo scopo di sviluppare e validare un metodo multi-parametrico per monitorare lo stress durante le attività di vita quotidiana. Per raccogliere i dati viene utilizzato un dispositivo medico indossabile certificato. Quest’ultimo acquisisce in modo sincrono diversi segnali fisiologici come l’ECG a 12 derivazioni e il segnale respiro a 3 canali. Un prototipo di ditale è stato sviluppato e integrato nel sistema di acquisizione per rilevare la Galvanic Skin Response (GSR), il principale segnale biologico correlato allo stress. Gli elettrodi GSR più adeguati ad essere indossati sono stati selezionati sperimentalmente. Sono stati reclutati 30 volontari sani (15 donne e 15 uomini) ed è stato ideato un protocollo di acquisizione, costituito da fasi di riposo e stress, caratterizzate da task cognitive per stimolare lo stress acuto. Al termine di ogni fase del protocollo, ai soggetti è stato chiesto di valutare il loro livello di stress con una scala 1-6. La risposta fisiologica allo stress è stata valutata estraendo dei parametri legati allo stress da ciascun segnale biologico. Dopo aver eseguito un’analisi statistica, è stato implementato un modello di classificazione Support Vector Machine (SVM) che include i parametri risultati migliori nel discriminare fasi di riposo da fasi di stress. Sono stati implementati modelli di classificazione assoluta e differenziale, per analizzare rispettivamente sia i livelli di stress che le sue variazioni. I risultati mostrano che con un 2-class absolute model è stato possibile identificare Stress e No stress con un’accuratezza del 90% e tre livelli di stress, come No stress, Moderate stress e High stress, tramite GSR/HRV 3-class absolute model con un’accuratezza del 73%. Utilizzando valori differenziali è stato possibile creare un GSR/HRV 3-class differential model capace di classificare la variazione di stress in 3 classi, come Baseline, Stress e Recovery, con un’accuratezza dell’80%. Infine, i modelli sono stati testati con un’acquisizione fatta durante uno scenario di vita quotidiana.