In this work, our objective is to design, develop, and evaluate the effectiveness of a stress detection model for older adults using a system of wrist-worn sensors. Our system uses four signals, EDA, BVP, IBI, and ST from EDA, PPG, and ST sensors, embedded in a smart wristband, to classify between stressed and not-stressed state. The stress reference is obtained from salivary cortisol measurement, which is a well established clinical biomarker for measuring physiological stress. This work is the result of year-long data collection and analysis of 40 older adults (28 females and 12 males) and age 73.625 ± 5.39. EDA, BVP, IBI, and ST signals were collected during TSST (Trier Social Stress Test), which is a well known experimental protocol to reliably induce stress in humans in a social setting. 47 features were extracted from EDA, BVP, IBI, and ST signals, out of which 27 features were selected using a supervised feature selection method. Results and analysis show that combining the features from all the four signal streams increases the model’s ability to accurately distinguish between the stressed and not-stressed states. The proposed model achieved a macro-average F1-score of 0.92 and an accuracy of 94% in distinguishing between the two states when features from all the four signals were used. Further, we prototype the proposed stress detection model in a consumer end device with voice capabilities, so that users can receive feedback on their vitals and stress levels by querying on voice-enabled consumer devices such as smartphones and smart speakers.

中文翻译：

---

基于智能腕带的压力检测框架，适用于以皮质醇为压力生物标记物的老年人

在这项工作中，我们的目标是使用腕戴式传感器系统设计，开发和评估针对老年人的压力检测模型的有效性。我们的系统使用嵌入在智能腕带中的来自EDA，PPG和ST传感器的四个信号（EDA，BVP，IBI和ST）对压力状态和非压力状态进行分类。压力参考值是从唾液皮质醇测量中获得的，唾液皮质醇测量是一种成熟的用于测量生理压力的临床生物标记。这项工作是对40位年龄较大的成年人（28位女性和12位男性）和73.625±5.39岁的老年人进行了为期一年的数据收集和分析的结果。EDA，BVP，IBI和ST信号是在TSST（特里尔社会压力测试）期间收集的，这是一种众所周知的实验方案，可以在社会环境中可靠地诱发人的压力。从EDA，BVP，IBI，和ST信号，使用监督性特征选择方法从其中选择了27个特征。结果和分析表明，将所有四个信号流的特征结合起来，可以提高模型准确区分受力状态和未受力状态的能力。当使用来自所有四个信号的特征时，所提出的模型实现了0.92的宏平均F1分数和94％的准确度，可以区分两种状态。此外，我们在具有语音功能的消费者终端设备中原型提出的压力检测模型，从而使用户可以通过查询支持语音的消费者设备（例如智能手机和智能扬声器）来接收有关其生命和压力水平的反馈。结果和分析表明，将所有四个信号流的特征结合起来，可以提高模型准确区分受力状态和未受力状态的能力。当使用来自所有四个信号的特征时，所提出的模型实现了0.92的宏平均F1分数和94％的准确度，可以区分两种状态。此外，我们在具有语音功能的消费者终端设备中原型提出的压力检测模型，从而使用户可以通过查询支持语音的消费者设备（例如智能手机和智能扬声器）来接收有关其生命和压力水平的反馈。结果和分析表明，将所有四个信号流的特征结合起来，可以提高模型准确区分受力状态和未受力状态的能力。当使用来自所有四个信号的特征时，所提出的模型实现了0.92的宏平均F1分数和94％的准确度，可以区分两种状态。此外，我们在具有语音功能的消费者终端设备中原型提出的压力检测模型，从而使用户可以通过查询支持语音的消费者设备（例如智能手机和智能扬声器）来接收有关其生命和压力水平的反馈。当使用来自所有四个信号的特征时，在两个状态之间进行区分的准确度为92，准确度为94％。此外，我们在具有语音功能的消费者终端设备中原型提出的压力检测模型，从而使用户可以通过查询支持语音的消费者设备（例如智能手机和智能扬声器）来接收有关其生命和压力水平的反馈。当使用来自所有四个信号的特征时，在两个状态之间进行区分的准确度为92，准确度为94％。此外，我们在具有语音功能的消费者终端设备中原型提出的压力检测模型，从而使用户可以通过查询支持语音的消费者设备（例如智能手机和智能扬声器）来接收有关其生命和压力水平的反馈。