Ανάπτυξη συστήματος αυτόματης ανίχνευσης εργασιακού στρες μέσω φυσιολογικών και συμπεριφορικών παραμέτρων εξαγόμενων από την ανάλυση δεδομένων κατά τη χρήση ηλεκτρονικού υπολογιστή

Abstract

Occupational stress is an open and major challenge for modern societies, as the rapid development of technology and new forms of the global economy have brought about significant changes in the nature of the workplace and the conditions prevailing in it. The field of Affective Computing includes a large variety of studies and tools that, by employing the analysis of psychological, physiological, and behavioral parameters, can lead to automatic stress detection and monitoring and, consequently, effective stress management. As regards the workplace sector, in recent years the need has emerged to develop unobtrusive systems that do not disturb the work pattern and physical behavior of users. In this direction, there is a growing research interest in harnessing devices used daily in the workplace in order to monitor the well-being and performance of workers, through the use of sensors and innovative data analysis methods. The personal computer and its peripherals are among the prime candidates for the implementation of such systems. The aim of this thesis is the design and development of a non-invasive system that analyzes the data from the computer use in office work and automatically monitors and detects occupational stress through physiological and behavioral parameters extracted from them. In this context, a smart device was constructed and programmed, the structure of which consists of physiological signal recording sensors and a development board including a microcontroller and a Wi-Fi module, integrated in a commercially available, wired computer mouse. Furthermore, an experimental protocol was designed and implemented to simulate an office environment and include the most known occupational stressors. The collected data, which included physiological measurements from system sensors, behavioral measurements from the use of the computer keyboard and mouse, and psychological parameters from questionnaires, were subjected to processing and filtering methods to isolate useful information and extract parameters. Statistical analysis tools were applied to validate both the effectiveness of the experimental protocol used and the reliability of the proposed device in recording and monitoring the physiological signals of users. Additionally, machine learning models were trained using known classifiers and exploring different data annotation methods. Particularly high-performance metrics were observed in models trained individually with physiological and behavioral parameters, while the feature-level fusion analysis successfully detected stress with an accuracy exceeding 90% and F1 score of 0.90. The decision-level fusion analysis, combining the features extracted from both the computer mouse and keyboard, showed an average accuracy of 66% and an average F1 score of 0.56.

Το εργασιακό στρες αποτελεί μία ανοιχτή και σημαντική πρόκληση για τις σύγχρονες κοινωνίες, καθώς η ραγδαία ανάπτυξη της τεχνολογίας και οι νέες μορφές παγκόσμιας οικονομίας έχουν επιφέρει σημαντικές αλλαγές στη φύση του χώρου εργασίας και στις συνθήκες που επικρατούν σε αυτόν. Ο τομέας της Συναισθηματικής Υπολογιστικής περιλαμβάνει μια μεγάλη ποικιλία μελετών και εργαλείων που, αξιοποιώντας την ανάλυση ψυχολογικών, φυσιολογικών και συμπεριφορικών παραμέτρων, μπορεί να οδηγήσει στην αυτόματη ανίχνευση και παρακολούθηση και, συνεπώς, στην αποτελεσματική διαχείριση του στρες. Όσον αφορά τον τομέα του χώρου εργασίας, τα τελευταία χρόνια έχει αναδειχθεί η ανάγκη ανάπτυξης μη επεμβατικών συστημάτων, τα οποία δε θα διαταράσσουν το μοτίβο εργασίας και τη φυσική συμπεριφορά των χρηστών. Στην κατεύθυνση αυτή, υπάρχει αυξανόμενο ερευνητικό ενδιαφέρον για την αξιοποίηση συσκευών που χρησιμοποιούνται καθημερινά στο χώρο εργασίας, προκειμένου να παρακολουθούνται η ευημερία και η απόδοση των εργαζομένων, μέσω της χρήσης αισθητήρων και καινοτόμων μεθόδων ανάλυσης δεδομένων. Ο προσωπικός υπολογιστής και οι περιφερειακές μονάδες του είναι από τους πρωταρχικούς υποψήφιους για την εφαρμογή τέτοιων συστημάτων. Σκοπός της παρούσας εργασίας είναι ο σχεδιασμός και η ανάπτυξη ενός συστήματος ανάλυσης δεδομένων κατά τη διάρκεια εργασίας γραφείου, με στόχο την αυτόματη παρακολούθηση και ανίχνευση του εργασιακού στρες, μέσω φυσιολογικών και συμπεριφορικών παραμέτρων που εξάγονται από τη χρήση του ηλεκτρονικού υπολογιστή. Στο πλαίσιο αυτό, κατασκευάστηκε και προγραμματίστηκε μία συσκευή έξυπνου ποντικιού ηλεκτρονικού υπολογιστή, η δομή της οποίας αποτελείται από αισθητήρες καταγραφής φυσιολογικών σημάτων και μια πλακέτα ανάπτυξης που περιλαμβάνει έναν μικροελεγκτή και μια μονάδα Wi-Fi, ενσωματωμένα σε ένα εμπορικά διαθέσιμο, ενσύρματο ποντίκι. Επίσης, σχεδιάστηκε και εφαρμόστηκε ένα πειραματικό πρωτόκολλο που προσομοιώνει ένα περιβάλλον γραφείου και περιλαμβάνει τους πιο γνωστούς στρεσογόνους παράγοντες της εργασίας. Στα δεδομένα που συλλέχτηκαν, τα οποία περιλαμβάνουν φυσιολογικές μετρήσεις από τους αισθητήρες του συστήματος, συμπεριφορικές μετρήσεις από τη χρήση του πληκτρολογίου και του ποντικιού του ηλεκτρονικού υπολογιστή και ψυχολογικές παραμέτρους από τη χρήση ερωτηματολογίων, εφαρμόστηκαν μέθοδοι επεξεργασίας και εξομάλυνσης για την απομόνωση χρήσιμης πληροφορίας και την εξαγωγή παραμέτρων. Εργαλεία στατιστικής ανάλυσης εφαρμόστηκαν για την επικύρωση, τόσο της αποτελεσματικότητας του πειραματικού πρωτοκόλλου που χρησιμοποιήθηκε, όσο και της αξιοπιστίας της προτεινόμενης συσκευής στην καταγραφή και παρακολούθηση των φυσιολογικών σημάτων των χρηστών. Επιπροσθέτως, μοντέλα μηχανικής μάθησης εκπαιδεύτηκαν με τη χρήση γνωστών ταξινομητών και με βάση τη διερεύνηση διαφορετικών μεθόδων επισήμανσης των δεδομένων. Τα μοντέλα που εκπαιδεύτηκαν μεμονωμένα με φυσιολογικές και με συμπεριφορικές παραμέτρους εμφάνισαν ιδιαίτερα υψηλές μετρικές απόδοσης, ενώ αυτά που βασίστηκαν στη συγχώνευση των παραμέτρων σε επίπεδο χαρακτηριστικών εμφάνισαν ακρίβεια που ξεπέρασε το 90% και τιμή F1 score ίση με 0,90. Η ανάλυση συγχώνευσης σε επίπεδο απόφασης, συνδυάζοντας τα χαρακτηριστικά που εξήχθησαν τόσο από το ποντίκι όσο και από το πληκτρολόγιο του υπολογιστή, παρουσίασε μέση ακρίβεια 66% και μέση τιμή F1 score 0,56.