Stressreductie op het werk met behulp van draadloze sensoren.

Stress en mentale gezondheid zijn in de 21ste eeuw wereldwijd een belangrijke bekommering geworden. Toch is er een gebrek aan continue, kwantitatieve meettechnieken, die stressreductie interventies op het juiste moment toelaten. Daarom worden fysiologische signalen, die veranderen ten gevolge van de vecht-of-vluchtreactie van het sympathische zenuwstelsel, onderzocht voor stressdetectie. Eerder onderzoek heeft gefocust op de ontwikkeling van machine learning modellen voor stressdetectie, gebaseerd op fysiologische signalen zoals hartslag (HR), huidgeleiding (SC), huidtemperatuur (ST) en ademhaling. In gecontroleerde labo-omgevingen zijn deze signalen betrouwbare indicatoren voor stress gebleken, maar grootschalige, ambulante validatie ontbreekt.

Het doel van dit onderzoek was om de belangrijkste fysiologische signalen en machine learning technieken voor stressdetectie te identificeren en vervolgens toe te passen op een grootschalige populatie in ambulante condities.

Vooreerst hebben we de meest geschikte markers voor fysiologische stressdetectie geïdentificeerd. We besloten dat, gemiddeld genomen, SC en HR gerelateerde variabelen belangrijker zijn dan ST en ademhaling gerelateerde variabelen. Echter, op een persoonlijk niveau verschilt het belang van fysiologische signalen, waardoor een multimodale sensor aanpak aangewezen is. De keuze van de meest optimale machine learning techniek is afhankelijk van de context waarin deze gebruikt zal worden.

Ten tweede, konden gezonde mensen en patiënten onderscheiden worden op basis van hun fysiologische stressrespons, met een accuraatheid van 78%. Dit is een veelbelovend resultaat met oog op ziekte preventie en interceptie.

Ten derde, stelden de SWEET studie voor: ‘s werelds grootste studie rond ambulante stressdetectie, bij 1002 deelnemers die gedurende 5 dagen continu gemonitord werden. We presenteerden een methodologie om persoonsgebonden informatie, gebaseerd op de fysiologische respons op een stresserende taak in een ambulante omgeving, te gebruiken voor gepersonaliseerde kalibratie voor ambulante stressdetectie.

De resultaten van deze thesis bieden een eerste stap richting gepersonaliseerde stressdetectie en meer algemeen richting precisie geneeskunde en gepersonaliseerde gezondheidszorg.