A testi-lelki feszültség, amelyet szaknyelven stressznek neveznek, egy olyan állapot, melyben másképpen működik a szervezet. Jó lenne megszabadulni tőle, amihez viszont először észre kell venni. De hogyan mérhető a stressz? A Pannon Egyetem Műszaki Informatikai Karán működő Egészségügyi Informatikai Kutató-Fejlesztő Központban olyan módszert dolgoztunk ki, amely igen egyszerű és olcsó mérőeszköz használatával, megbízható módon jelzi a stressz kialakulását, így kevésbé bonyolult és költséges alternatívát kínál a jövőbeli életmód-támogató megoldásokhoz. A módszert önkéntesekkel, több kísérletben is kipróbáltuk…
A testi-lelki feszültség, amelyet szaknyelven stressznek neveznek, egy olyan állapot, melyben másképpen működik a szervezet. Stressz nélkül nem lehet élni, de különféle kísérletekkel kimutatták, hogy a túl hosszú ideig tartó stressz nagyon káros következményekkel járhat, sok komoly betegség kockázatát a többszörösére is növelheti.
Háromféle stresszről szoktak beszélni, a mentális vagy kognitív, a szociális, és az érzelmi stresszről. A kognitív stressz a nagy koncentrációt igénylő szellemi erőfeszítéstől alakul ki, a szociális stressz okozója a kényelmetlen, kínos szituáció, az érzelmi stresszt pedig a nagyon erős, különösen a negatív érzelmek váltják ki, például a félelem vagy a harag. Mindennapi életünkben természetesen ez a háromféle stressz keveredhet, miközben csak annyit érzünk, hogy nagyon feszültek, idegesek vagyunk. Rosszabb esetben nem is veszünk észre semmit, csak mások figyelmeztetnek minket erre. Annak a kutatásnak, amelyet ez a cikk bemutat, az az alapgondolata, hogy ha egy okos műszer idejében figyelmeztetne a stresszes állapot kialakulására, akkor erre odafigyelve, tudatosan meg tudnánk szüntetni. De hogyan mérhető a stressz?
A stressz nagyon sok fiziológiai folyamatot, és az ember viselkedését is befolyásolja, ezért elvileg sokféleképpen mérhető, de nem mindegy, milyen áron. A cél, hogy a felhasználót a legkevésbé zavarja a mérés, a mérőeszköz ne legyen nagyon drága, és az eredmény mégis megbízható legyen. Próbálkoztak már a bőrellenállás, izomaktivitás, bőrhőmérséklet, pupillatágulás, vérnyomás, bioelektromos jelek, légzési ritmus, véroxigén-szint, pislogási, gépelési vagy kormánymozgatási dinamika mérésével. A mi javaslatunk a szívritmus nagy pontosságú mérése, ami egy egyszerű 1 csatornás, testen viselhető EKG-vel megoldható. Ez lehet egy mellkaspánt vagy egy mellkasra ragasztott szenzor, de akár az újabb okosórák is képesek már a megfelelő pontosságú mérésre. Íme az általunk használt mérőeszközök:
A detektálás alapja pedig egyedül a szívütések pontos időbeli távolsága egymástól, amit RR-távolságnak szoktak hívni:
Az RR-távolságokat tehát rögzítjük, és ebből a számsorozatból sokféle számszerű jellemzőt ki lehet számolni, melyeket összefoglalóan szívritmus-variabilitásnak (HRV) neveznek. A HRV kapcsolatban áll a stresszel, mert az egészséges ember szívritmusa nem teljesen egyenletes. Csak az a kérdés, a HRV-paraméterekből hogyan tudunk stressz-detektort építeni?
Az első kérdés a stressz kiváltása a kísérletekhez. Mi a kísérleteinkben mentális és szociális stresszt szerettünk volna kiváltani (az érzelmi stressz kiváltása nem feltétlenül etikus), melyhez a szakma által elfogadott módszereket, a Stroop illetve a Trier teszteket alkalmaztuk.
A Stroop teszt mentális stresszt vált ki. Lényegében egy számítógépes játék, amiben a felhasználót igyekszünk összezavarni azáltal, hogy színek neveit másféle színnek írjuk le, aztán nagyon rövid idő alatt el kell dönteni, passzol-e a szín a megjelenő szóhoz. Ugye, milyen nehéz?
A Trier teszt szociális stresszt vált ki azáltal, hogy a kísérleti személy egy képzelt állásinterjún vesz részt, egy „nem túlságosan barátságos” felvételiztető bizottság előtt:
Forrás: John Coetzee - Own work, CC BY-SA 3.0
A kísérleti személyek RR-távolságait mértük a tesztek során illetve nyugodt állapotban, aztán próbáltunk a HRV-paraméterekből olyan döntési modellt alkotni, ami a lehető legjobban megkülönbözteti a két állapotot.
Kérdés persze, hogy a személyek tényleg bestresszeltek-e? Az első kísérletben középiskolás diákok vettek részt, akiken a Stroop tesztek alkalmaztuk, és szubjektíven ítélték meg a stressz-szintjüket. A modell pedig ezt próbálta megjósolni. 75%-os pontosságot értünk el, ami igen jó eredménynek számít az alkalmazott mellkaspánt alacsony árához képest.
Ennél szilárdabb alapokon állt a második kísérlet, melyben a stresszes állapot kialakulását a nyálból vett mintával ellenőriztük. A stressz hatására ugyanis a nyálban megnő a kortizol nevű hormon szintje, amit laboratóriumi vizsgálattal ki lehet mutatni. Ebben a kísérletben már a Trier tesztet is alkalmaztuk, és pontosabb mérőeszközünk volt (a fenti 1 csatornás EKG). Attól függően, hogy hány perces volt a feldolgozható adatsor, egyre pontosabb detektálót tudtunk készíteni olyan mesterséges intelligencia módszerek, mint a mélyneurális hálók vagy a véletlen erdők alkalmazásával, megközelítve a 95%-ot:
A munka fő eredménye, hogy a javasolt előrejelzési modellek teljesítménye megegyezik azokkal a bonyolultabb megoldásokkal, amelyekben különböző érzékelők kombinált méréseit használták, így kevésbé bonyolult és költséges alternatívát kínálnak a jövőbeli megoldásokhoz. Továbbá azt is megállapítottuk, hogy a csak az időtartománybeli jellemzőkön alapuló modellek hasonló vagy akár jobb teljesítményt érnek el, mint a frekvenciatartománybeli jellemzőket is tartalmazó, sokkal számításigényesebb megoldások. A vizsgálatunk erőssége, hogy standardizált stressz-meghatározási módszerekkel, több időablak és bemeneti konfiguráció tesztelésével, valamint különböző osztályozó algoritmusok alkalmazásával készültek a detektálási modellek.
Minderről részletesebben és alaposabban:
Benedek Szakonyi, István Vassányi, Edit Schumacher, István Kósa. Efficient methods for acute stress detection using heart rate variability data from Ambient Assisted Living sensors. BioMedical Engineering OnLine, volume 20, Article number: 73 (2021) https://doi.org/10.1186/s12938-021-00911-6
Mario Salai, István Vassányi, István Kósa. Stress Detection Using Low Cost Heart Rate Sensors. Journal of Healthcare Engineering, Volume 2016 (2016), Article ID 5136705, https://doi.org/10.1155/2016/5136705
Vezető kép: Pexels.com