Diese Arbeit wird unterstützt durch den spanischen Staat Research Agency und der europäischen regionalen Entwicklung Fonds (EFRE) im Rahmen des Projekts PALLAS (TIN2016-80515-R AEI/EFRE, EU).

Alle nachfolgend beschriebene Methoden wurden von der Regionalregierung Galiciens Ausschuss für Forschungsethik von Pontevedra-Vigo-Ourense (reg Code 2017/336) genehmigt. Das Protokoll wurde für Studenten im ersten Studienjahr an der School of Telecommunication Engineering - Universität von Vigo, in einem komfortablen Labor-Raum und in mehreren Vorträgen und Trainings von einem Bachelor-Studiengang auf Computer-Architekturen implementiert.
1. bereiten Sie die Geräte
<ol><li>Verbinden Sie das Smartphone und Tablet Gerät auf eine stabile Internetverbindung.</li>
	<li>Schalten Sie Bluetooth-Kommunikation im Smartphone.</li>
	<li>In das Smartphone in die entsprechenden offiziellen AppStore suchen Sie die Handgelenk tragbare Anwendung. Herunterzuladen und zu installieren.</li>
	<li>In das Smartphone nach der PhysiologicalSignals-app, physiologische Signale zu erfassen suchen. Herunterzuladen und zu installieren. Hinweis: Derzeit, die app ist eine Beta-Version und Zugriff kann auf Anfrage bereitgestellt werden.</li>
	<li>Suchen Sie in der Tablette die StressTest-app in die Forschung Laborexperimente verwendet werden. Herunterzuladen und zu installieren. Hinweis: Derzeit, die app ist eine Beta-Version und Zugriff kann auf Anfrage bereitgestellt werden.</li>
	<li>Kinderbetten Handgelenk tragbaren Gerät schalten Sie ein und legen Sie die tragbar.</li>
	<li>Öffnen Sie im Smartphone die offizielle Kinderbetten Handgelenk tragbare Anwendung. Hinweis: Die app wird fortgesetzt, das tragbare Gerät mit dem Smartphone synchronisieren. Bei manchen Geräten ist eine e-Mail-Adresse erforderlich.</li>
	<li>Öffnen Sie im Smartphone die PhysiologicalSignals-app.<ol>
<li>Bei Bekanntwerden von einem Sensor Zugriffsanforderung, akzeptiere es.</li>
		<li>Überprüfen Sie das Gerät. Warten Sie, bis die PhysiologicalSignals-app, um das Wort Weared in grün angezeigt. Hinweis: Dies darauf hinweisen, dass das tragbare Gerät erkannt wurde und daher die Übermittlung von Informationen von den Sensoren an das Smartphone aktiviert ist. Wenn diese Meldung nicht erscheint wiederholen Sie ab Schritt 1.6.</li>
	</ol>
</li>
</ol>(2) der Laborphase
<ol><li>Bereiten Sie die Labor-Einstellung. Wählen Sie eine komfortable und nicht stören Zimmer ohne störende Geräusche und eine angenehme Temperatur (zwischen 22 ° C und 26 ° C).</li>
	<li>Das Handgelenk tragbaren Gerät schalten Sie ein, um die thematischen nichtdominanten Handgelenk legen Sie und legen Sie die Kopfhörer auf dem Kopf des Schülers. Passen Sie die tragbare anliegt um das Handgelenk.</li>
	<li>Verbinden Sie das Smartphone und Tablet mit eine stabile Internet-Verbindung und stellen Sie sicher, dass die Bluetooth-Verbindung aktiv ist.</li>
	<li>Starten Sie im Smartphone die PhysiologicalSignals-app.<ol>
<li>Warten Sie, bis die app das Wort Weared in grün angezeigt.</li>
		<li>Wählen Sie die Option Benutzer wechseln im linken Konfigurations-Menü und geben Sie die ID des Subjekts, die Durchführung der Tests und klicken Sie auf Speichern.</li>
	</ol>
</li>
	<li>In einem Laptop auf das Dashboard zugreifen und die testadministrator-ID und Ihr Passwort eingeben. Hinweis: Derzeit ist für Private und Sicherheit betrifft, Zugriff auf das Dashboard nur erhalten Sie auf Anfrage.<ol>
<li>Wählen Sie die Betreff-ID und das Thema Stress Registerkarte.</li>
		<li>Die physiologische Signale Entwicklung zu überprüfen und warten auf das tragbare Gerät, thermischen Stabilität zu erreichen, bevor Sie das Experiment starten. Hinweis: Die thermische Stabilität wird als ein Plateau im Diagramm identifiziert.</li>
	</ol>
</li>
	<li>Starten Sie in der Tablette die StressTest-Anwendung.<ol>
<li>Erklären Sie das Thema der vier Labor Aufgaben. Zeigen Sie einige der Bildschirme und Aktionen, während jeweils die Aufgaben durchzuführen. Hinweis: Dies ist sehr wichtig, da das Thema sollte fühle gestresst oder entspannt in Übereinstimmung mit der durchgeführten Tätigkeiten mich und nicht Angst oder Sorge um was wird passieren.</li>
		<li>Sagen Sie der Student nicht ihre Arme auf dem Tisch ruhen und die Hand ist das tragbare Gerät platziert, die Tätigkeiten durchzuführen.</li>
		<li>Geben Sie die gleichen Benutzer-ID, wie in Schritt 2.4.2 und klicken Sie auf den Pfeil.</li>
	</ol>
</li>
	<li>Starten Sie die video Aufgabe und gewähren Sie Vollzugriff für den Schüler.<ol>
<li>Beachten Sie, dass die Aufgabe ohne Zwischenfälle durchgeführt wird.</li>
		<li>Wenn der Vorgang abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.</li>
	</ol>
</li>
	<li>Starten Sie die Farbe der Stroop-Aufgabe (SCWT) nacheinander für die Stufen 1, 2 und 3.<ol>
<li>Für jede Ebene zu beobachten, dass die Teilaufgabe ohne Zwischenfälle durchgeführt wird.</li>
		<li>Wenn jede Teilaufgabe abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.</li>
		<li>Nur für Ebene 3 und nur für den Fall, dass das Thema es nicht nach 4 Minuten lösen, Beenden der Aufgabe durch Drücken der Pfeiltasten am oberen Rand des Bildschirms.</li>
	</ol>
</li>
	<li>Starten Sie den Paced Auditory Serial Zusatz-Test (PASAT).<ol>
<li>Beachten Sie, dass die Aufgabe ohne Zwischenfälle durchgeführt wird.</li>
		<li>Für den Fall, dass das Thema nicht den PASAT-Test nach 4 Minuten löst, beenden Sie den Vorgang durch Drücken der Pfeiltasten am oberen Rand des Bildschirms.</li>
		<li>Wenn der Vorgang abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.</li>
	</ol>
</li>
	<li>Starten Sie die Hyperventilation Test.<ol>
<li>Die Entwicklung der HR über das Dashboard zu beobachten. Wenden Sie physiologische Signale nicht wesentlich ändern, sich das Thema Inspiration und Exspiration allmählich steigern.</li>
		<li>Für den Fall, dass das Thema Schwindel oder unangenehm Halt diese Aufgabe fühlt. In jedem Fall führen Sie den Vorgang nach vier Minuten.</li>
		<li>Wenn der Vorgang abgeschlossen ist, überprüfen Sie, dass das Thema den wahrgenommenen Stress bietet.</li>
	</ol>
</li>
</ol>3. die Klassenzimmer-Phase
<ol><li>Das Handgelenk tragbaren Gerät einschalten und das Wearable um die thematischen nichtdominanten Handgelenk legen. Passen Sie die tragbare anliegt um das Handgelenk.</li>
	<li>Verbinden Sie das Smartphone mit einer stabilen Internetverbindung, und stellen Sie sicher, dass die Bluetooth-Verbindung aktiv ist.</li>
	<li>Starten Sie im Smartphone die PhysiologicalSignals-app.<ol>
<li>Warten Sie, bis die app das Wort Weared in grün angezeigt.</li>
		<li>Wählen Sie im Konfigurations-Menü die Option Benutzer wechseln , geben Sie die ID des Subjekts, die Durchführung der Tests und klicken Sie auf Speichern.</li>
	</ol>
</li>
	<li>In einem Laptop auf das Dashboard zugreifen und die testadministrator-ID und Ihr Passwort eingeben.<ol>
<li>Wählen Sie die Betreff-ID und das Thema Stress Registerkarte.</li>
		<li>Überprüfen Sie die Entwicklung physiologischer Signale.</li>
	</ol>
</li>
	<li>Nehmen Sie Anmerkungen über alle relevanten Ereignisse auftreten im Klassenzimmer in Bezug auf die Lehrer-Schüler-Interaktion. Hinweis: Informationen und einfache Ereignisse werden physiologische Proben anschließend beschriften verwendet werden. Beispiel-Veranstaltungen sind eine Frage des Lehrers an den Schüler, oder eine theoretische Erklärung eingeleitet.</li>
	<li>Am Ende des Vortrags bitten Sie das Thema zum Ausfüllen des Fragebogens über das Niveau des Druckes zu bestimmten Zeiten während der Sitzung nach einer 5-Stufen-Skala.</li>
</ol>(4) Datenanalyse
<ol><li>In einem Laptop auf das Dashboard zugreifen und die testadministrator-ID und Ihr Passwort eingeben.<ol>
<li>Wählen Sie die Betreff-ID und das Thema Stress Registerkarte.</li>
		<li>Wählen Sie den Tag ein Klassenzimmer-Experiments.</li>
	</ol>
</li>
	<li>Beschriften Sie die Proben des Subjekts durch Aktivitäten und wahrgenommenen Stresslevel zu identifizieren.<ol>
<li>Hörsaal Aktivitäten und deren Dauer nach der Start- und Zeiten und ihre Arten zu identifizieren.</li>
		<li>Wählen Sie für jede Aktivität eine wahrgenommene Stressniveau.</li>
	</ol>
</li>
	<li>Laden Sie für jedes Thema und jede Sitzung die Datei mit den tagged Proben. Hinweis: Eine Komma-getrennte-Werte (CSV) Datei erstellt für jeden Schüler, jede Zeile, die die Werte der physiologische Signale mit deren Standardabweichung, Steigung und Diff, Leistungsart, Activity based Stress (d.h., den Stress standardmäßig auf die Aktivität) und das Thema Stress wahrgenommen.</li>
	<li>Die Daten-Analyse-Paket zu starten.<ol>
<li>Wählen Sie ein Set von Klassifikatoren (z.B., SVM, C4.5, k-NN, Random Forest, Naïve Bayes und NULL-R) und importieren die CSV-Datei für alle Schüler bei jeder Sitzung.</li>
		<li>Trainieren Sie und bewerten Sie Klassifikatoren mit der 10-divisibel Kreuzvalidierung Technik. Hinweis: Je nach den Analysen, Leistungsart, Activity based Stress oder Belastung wahrgenommen, werden als abhängige Variable für die Analyse ausgewählt.</li>
		<li>Zu guter Letzt überprüfen Sie die Ergebnisse für Genauigkeit und Fehler.</li>
	</ol>
</li>
</ol>

<ol>
	<li>IDC. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Forecasts Wearables Shipments to Reach 213.6 Million Units Worldwide in 2020 with Watches and Wristbands Driving Volume While Clothing and Eyewear Gain Traction. , (2016).</li><li>Piwek, L., Ellis, D. A., Andrews, S., Joinson, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+rise+of+consumer+health+wearables:promises+and+barriers.">The rise of consumer health wearables:promises and barriers.</a> PLoS Medicine. 13 (2), (2016).</li><li>Rudner, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Interrogation+of+Patient+Smartphone+Activity+Tracker+to+Assist+Arrhythmia+Management.">Interrogation of Patient Smartphone Activity Tracker to Assist Arrhythmia Management.</a> Annals of Emergency Medicine. 68 (3), 292-294 (2016).</li><li>Gao, Y., Li, H., Luo, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+empirical+study+of+wearable+technology+acceptance+in+healthcare.">An empirical study of wearable technology acceptance in healthcare.</a> Industrial Management &amp; Data Systems. 115 (9), 1704-1723 (2015).</li><li>Lukowicz, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Glass-physics:+using+google+glass+to+support+high+school+physics+experiments.">Glass-physics: using google glass to support high school physics experiments.</a> Proceedings of the 2015 ACM International Symposium on Wearable Computers - ISWC '15. , 151-154 (2015).</li><li>Sapargaliyev, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Wearables in Education: Expectations and Disappointments. , 73-78 (2015).</li><li>de Arriba P&#233;rez, F., CaeiroRodr&#237;guez, M., Santos Gago, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+do+you+sleep?+Using+off+the+shelf+wrist+wearables+to+estimate+sleep+quality,+sleepiness+level,+chronotype+and+sleep+regularity+indicators.">How do you sleep? Using off the shelf wrist wearables to estimate sleep quality, sleepiness level, chronotype and sleep regularity indicators.</a> Journal of Ambient Intelligence and Humanized Computing. , 1-21 (2017).</li><li>Espinosa, H. G., Lee, J., Keogh, J., Grigg, J., James, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=On+the+Use+of+Inertial+Sensors+in+Educational+Engagement+Activities.">On the Use of Inertial Sensors in Educational Engagement Activities.</a> Procedia Engineering. 112, 262-266 (2015).</li><li>Travers, C. J., Cooper, C. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> El Estre&#769;s de los profesores la presio&#769;n en la actividad docente. , (1997).</li><li>Maslach, C., Jackson, S. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+measurement+of+experienced+burnout.">The measurement of experienced burnout.</a> Journal of occupational Behavior. 2, 99-113 (1981).</li><li>Maslach, C., Jackson, S., Leiter, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Maslach Burnout Inventory. , (1986).</li><li>Kitsantas, A., Winsler, A., Huie, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Self-Regulation+and+Ability+Predictors+of+Academic+Success+During+College:+A+Predictive+Validity+Study.">Self-Regulation and Ability Predictors of Academic Success During College: A Predictive Validity Study.</a> Journal of Advanced Academics. 20, (2008).</li><li>Deberard, C., Scott, M., Glen, I., Spielmans, D. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Julka+Predictors+of+academic+achievement+and+retention+among+college+freshmen:+a+longitudinal+study.">Julka Predictors of academic achievement and retention among college freshmen: a longitudinal study.</a> College Student Journal. 381, 66-80 (2004).</li><li>Healey, J. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Wearable and automotive systems for affect recognition from physiology. , (2000).</li><li>Vrijkotte, T. G. M., van Doornen, L. J. P., de Geus, E. J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effects+of+Work+Stress+on+Ambulatory+Blood+Pressure,+Heart+Rate,+and+Heart+Rate+Variability.">Effects of Work Stress on Ambulatory Blood Pressure, Heart Rate, and Heart Rate Variability.</a> Hypertension. 35 (4), (2000).</li><li>Karthikeyan, P., Murugappan, M., Yaacob, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Descriptive+Analysis+of+Skin+Temperature+Variability+of+Sympathetic+Nervous+System+Activity+in+Stress.">Descriptive Analysis of Skin Temperature Variability of Sympathetic Nervous System Activity in Stress.</a> Journal of Physical Therapy Science. 24 (12), 1341-1344 (2012).</li><li>de Santos Sierra, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Design, implementation and evaluation of an unconstrained and contactless biometric system based on hand geometry and stress detection. , (2012).</li><li>Natale, V., Drejak, M., Erbacci, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Monitoring+sleep+with+a+smartphone+accelerometer.">Monitoring sleep with a smartphone accelerometer.</a> Sleep and Biological Rhythms. , (2012).</li><li>Guo, F., Li, Y., Kankanhalli, M., Brown, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+evaluation+of+wearable+activity+monitoring+devices.">An evaluation of wearable activity monitoring devices.</a> Proceedings of the 1st ACM international workshop on Personal data meets distributed multimedia. , (2013).</li><li>Wallen, M. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Accuracy+of+Heart+Rate+Watches:+Implications+for+Weight+Management.">Accuracy of Heart Rate Watches: Implications for Weight Management.</a> PLOS ONE. 11 (5), e0154420 (2016).</li><li>Wang, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Accuracy+of+Wrist-Worn+Heart+Rate+Monitors.">Accuracy of Wrist-Worn Heart Rate Monitors.</a> JAMA Cardiology. 2 (1), 104 (2017).</li><li>de Arriba P&#233;rez, F., CaeiroRodr&#237;guez, M., Santos Gago, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Collection+and+Processing+of+Data+from+Wrist+Wearable+Devices+in+Heterogeneous+and+Multiple-User+Scenarios.">Collection and Processing of Data from Wrist Wearable Devices in Heterogeneous and Multiple-User Scenarios.</a> Sensors. 16 (9), 1538 (2016).</li><li>IDC. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Wearables Aren't Dead, They're Just Shifting Focus as the Market Grows 16.9% in the Fourth Quarter, According to IDC. , (2017).</li><li>Mark, H., Ian, W., Eibe, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Data Mining: Practical Machine Learning Tools and Techniques. , (2011).</li><li>de Arriba P&#233;rez, F., Santos Gago, J. M., Caeiro Rodr&#237;guez, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analytics+of+biometric+data+from+wearable+devices+to+support+teaching+and+learning+activities.">Analytics of biometric data from wearable devices to support teaching and learning activities.</a> Journal of Information Systems Engineering &amp; Management. 1, 41-54 (2016).</li><li>Machine Learning Group at the University of Waikato. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Weka 3 - Data Mining with Open Source Machine Learning Software in Java. , (2018).</li><li>Zhai, J., Barreto, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Stress+Detection+in+Computer+Users+Based+on+Digital+Signal+Processing+of+Noninvasive+Physiological+Variables.">Stress Detection in Computer Users Based on Digital Signal Processing of Noninvasive Physiological Variables.</a> 2006 International Conference of the IEEE Engineering in Medicine and Biology Society. , 1355-1358 (2006).</li><li>Tombaugh, T. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+comprehensive+review+of+the+Paced+Auditory+Serial+Addition+Test+(PASAT).">A comprehensive review of the Paced Auditory Serial Addition Test (PASAT).</a> Archives of Clinical Neuropsychology. 21 (1), 53-76 (2006).</li><li>Fan, Q., Wang, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+real-time+realization+of+filtering+of+speech+with+DSP+TMS320VC5416+Chip.">The real-time realization of filtering of speech with DSP TMS320VC5416 Chip.</a> 2010 International Conference on Educational and Information Technology. , (2010).</li><li>Gonz&#225;lez Barajas, J. E., Velandia C&#225;rdenas, C., Nieto Camacho, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Implementaci&#243;n+de+filtro+digital+en+tiempo+real+para+detecci&#243;n+de+la+onda+R.">Implementaci&#243;n de filtro digital en tiempo real para detecci&#243;n de la onda R.</a> Revista Tecno L&#243;gicas. 18 (34), 75-86 (2015).</li><li>Mesirov, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Computer+science.+Accessible+reproducible+research.">Computer science. Accessible reproducible research.</a> Science (New York, N.Y.). 327 (5964), 415-416 (2010).</li><li>American Journal Experts. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> How to Write an Easily Reproducible Protocol. , (2018).</li></ol>

Die Autoren haben nichts preisgeben.

Kinderbetten tragbare Geräte gehören zu den beliebtesten Unterhaltungselektronikprodukte heute verfügbaren. Diese Geräte werden in der Regel verwendet, um körperliche Aktivitäten zu überwachen könnte, aber ihre Fähigkeiten und Leistung in anderen Bereichen von großem Interesse. In diesem Papier wird ein Protokoll zu Kinderbetten tragbare Geräte für die Schätzung der Stress in Lernumgebungen beurteilen diskutiert. Die Definition eines solchen Protokolls ist besonders wichtig, um verschiedene Lösungen rund um...

State-of-the-Art tragbare Technologien sind weit verbreitet, und ihrer Anwendungsumgebungen kontinuierlich erweitern. Wir finden auf dem Markt viele verschiedene Geräte, unter denen Kinderbetten Handgelenk Wearables1, wie smart-Uhren und intelligente Bänder sind beliebt bei Sportlern als eine persönliche körperliche Fitness monitoring Tool2. Indem Daten analytische Techniken können mit diesen Geräten die gewonnenen Daten verarbeitet werden, zu Indikatoren wie körperlichen Allgemeinzustand, schlafen Qualität oder Recovery-Faktor. Die nachgewiesene Anwendbarkeit in diesem Bereich hat Interesse in der akademischen Gemeinschaft über ihre mögliche Anwendung auf andere Bereiche, insbesondere die Gesundheit Domäne3,4, obwohl die strengen Anforderungen der klinischen Studien zu begrenzen Ihre Einführung. Jedoch in einem weniger anspruchsvollen Kontext wie Bildung, finden wir in der Literatur Untersuchungen, die die Verwendung von verschiedenen Arten von tragbaren Geräten, sowohl im Zusammenhang mit Lehre Aktivitäten5,6 und die Abschätzung der bestimmte Merkmale des Schülers wie Schlaf Muster7oder die Analyse des studentischen Engagements in verschiedene Bildungsaktivitäten8.
In unserem Fall konzentrieren wir uns auf die Analyse von Kinderbetten Handgelenk tragbarer Geräten als Mittel, um physiologische Signale zu sammeln, die schließlich Stress Schätzung, die wiederum ein wichtiger Aspekt in pädagogischen Kontexten erleichtern würde. Stress hat einen relevanten Einfluss in der Entwicklung von wissenschaftlichen Aktivitäten und allgemeine Schülerleistungen. Zum Beispiel Stresspegel beziehen sich direkt auf den Ausbruch des Burnout-Syndroms bei Studenten9,10,11, und hohen Beanspruchungen besonders relevant sind während dem ersten Jahr, wo Drop-out-Raten, zwischen 20 % und 30 %12,13 sind häufig. Erkennung und Steuerung von Stress-Indikatoren könnte akademische Leistung erheblich gesteigert.
Die Verwendung von COTS Handgelenk tragbaren Geräten ist gerechtfertigt, weil sie Sensoren verfügen, die Informationen über physiologische Signale, die von der wissenschaftlichen Gemeinschaft in Stress Beurteilung und Erkennung eingesetzt haben. Einige der Signale bezeichnet, in der Literatur verwendet zu diesem Zweck Herzfrequenz (HF)14, Herzfrequenz Varaibility15, Haut Temperatur (ST)16, Atmung14, und Elektrodermale (GSR)17aufzunehmen. Diese Signale können durch COTS Handgelenk Wearables erfasst werden. Sie bieten jedoch nicht die gleiche Leistung wie klinische Geräte. Gibt es Unterschiede im Zusammenhang mit der Genauigkeit der Sensoren unter Geräte18,19,20,21. Dennoch, frühere Werke18,19,20,21 haben gezeigt, dass, in einem Szenario mit langsamen Satz Kinderbetten Handgelenk tragbare Sensoren Fehlermuster ähnlich wie spezielle Geräte.
Das Ziel dieses Papiers ist ein Protokoll zur Bewertung verschiedener Lösungen für Stress-Schätzung in der Schüler mit Kinderbetten Handgelenk Wearables einzuführen. Es gibt viele Regelungen, die Stressbelastung, bei denen verschiedene Handgelenk tragbare Geräte und Daten Analyse-Techniken und insbesondere Algorithmen des maschinellen Lernens schätzen vorgeschlagen werden können. Kinderbetten Handgelenk Wearables zeichnen sich durch ihre hohe Fragmentierung, Heterogenität und Interoperabilität Probleme-22. Drei Unternehmen haben einen aggregierte Marktanteil von fast 50 %23, aber viele andere Unternehmen entfallen viel kleineren einzelnen Markt teilt mit einem aggregierten Anteil über 50 %. Auf der anderen Seite im Hinblick auf die Heterogenität, nicht alle Wearables haben die gleiche Anzahl und Art der Sensoren mit Beschleunigungssensoren und h-Sensoren ist die am häufigsten, und ST und der GSR nur bei 5 % der Geräte untersucht. Wie für Interoperabilität gibt es verschiedene Betriebssysteme und Daten Sammlung Ansätze, die nicht miteinander kompatibel sind. Für das Machine learning-Techniken, die angewendet werden können, um Stress durch ein handgelenkgerät erhobenen Daten zu schätzen, gibt es viele Optionen zur Verfügung24, darunter Entscheidungsbäume, neuronale Netze, nächster Nachbar Ansätze, Naïve Bayes Klassifikatoren, etc. zu summieren, gibt es eine Vielzahl von Lösungen, die für Stress-Schätzung, entwickelt werden kann, so ist es instrumental, entwerfen eine Auswertung Protokoll zur Erleichterung des Vergleichs unter verschiedenen vorläufige Optionen, wählen schließlich die in einem bestimmten Kontext am besten geeignet.
Für die Durchführung des Protokolls sind mehrere Tools benötigt (Abbildung 1). Zunächst wird ein Kinderbetten Handgelenk tragbares Gerät benötigt, um physiologische Daten zu holen. Dieses tragbare Gerät sollte mindestens haben HR Überwachung Fähigkeiten, sondern zusätzliche Sensoren sind erwünscht (z. B. Beschleunigungsmesser, ST, GSR Sensoren). Zweitens ist eine Smartphone mit der app PhysiologicalSignal erforderlich, die von dem tragbaren Gerät erfassten Daten zu sammeln. Drittens: ein Tablet läuft die StressTest-app ist notwendig, um Stress Induktion Übungen ausführen (das Smartphone könnte stattdessen die Tablette für diesen Zweck verwendet). Viertens, einige Fragebögen qualitative Daten über Schüler Wahrnehmung über Stress sammeln. Fünftens: ein Server mit einem Web service25 Datenerhebung und Vorverarbeitung und ein Web-Dashboard zur Beobachtung die Entwicklung der Signale durchführen. Und zu guter Letzt ein Data Analytics Paket26 zur Verarbeitung der Daten gesammelt über Studenten, die mit Maschine Lerntechniken.
Das Protokoll der Auswertung gliedert sich in zwei Phasen. Das erste man der Laborphase erfolgt in einem komfortablen Zimmer, wo verschiedene Druckstufen (d.h., "relax", "konzentriert Stress" und "stress") zu einem Ziel-Thema (Student) induziert werden durch mehrere allgemeine Stress erzeugenden Aufgaben. Der zweite Teil findet im Klassenzimmer, und es beinhaltet eine Überwachung der Schülers während der Leistung von mehreren akademischen Aktivitäten: theoretische Erklärungen, Einzelaktivitäten, kurze Tests, Prüfungen, etc. während der Durchführung des Dieses Protokoll, das Thema der physiologische Signale werden durch ein handgelenkgerät erfasst. Schließlich werden diese Signale von Machine learning-Algorithmen um Schätzungen auf das Niveau des Druckes verarbeitet.
Während der Laborphase wird die StressTest-app verwendet, um verschiedene Druckstufen zu induzieren. Diese app führt das Thema bis zum Abschluss der vier verschiedene Aufgaben. Die erste Aufgabe ist die Schaffung eine Basislinie für die Spannungsanalyse. In dieser Aufgabe visualisiert der Student eine 4-minütige entspannende Video in der verschiedene Aufnahmen eines Sonnenuntergangs auf einer Brücke gezeigt werden. Die zweite Aufgabe ist eine Adaption der Stroop-Farbe und Wort Test27 (SCWT). Alle zwei Sekunden muss das Thema die Farbe auswählen, in der der Name einer Farbe (rot, grün, Orange, blau und violett) lackiert ist. Mehrere Schaltflächen am unteren Rand des Bildschirms mit den Anfangsbuchstaben der einzelnen Farben sind für das Thema wählen Sie die gemalte Farbe zu jeder Zeit verfügbar. Beispielsweise zeigt die Schaltfläche, die bezieht sich auf die blauen Buchstaben b In unserem Fall ist dieser Test in drei verschiedenen Schwierigkeitsgraden unterteilt. Für die erste Ebene (SCWT1) erscheint die farbigen "Worte der Farben" in der gleichen Reihenfolge wie die Tasten, so dass Farbe und Name direkt entsprechen. Diese Ebene wird als Grundlinie, übernommen, da es keine Schwierigkeiten beinhaltet und das Thema sollte nur drücken Sie die Tasten richtig, immer in der gleichen Reihenfolge. Für die zweite Stufe (SCWT2) die farbigen "Worte der Farben" zufällig erscheinen, aber die Korrespondenz zwischen Name und Farbe beibehalten. Jedes Mal das Thema schlägt fehl, ein akustisches Signal ertönt, und wenn zwei Fehler gemacht werden, wird die richtige Farbe Partitur zurückgesetzt werden. Für die letzte und schwierigste Stufe (SCWT3) übereinstimmen Name und Farbe nicht. Auf diese Weise soll dieser Ebene werden immer komplexer und belastend für das Thema. Die dritte Aufgabe besteht auf der Paced Auditory Serial Zusatz Test (PASAT)28, die misst, wie der Student einen Konzentration Test erlebt. Während dieser Aufgabe eine Sequenz von aufeinander folgenden Zahlen laut gespielt wird, und die Schüler muss die letzten beiden Zahlen und schreiben das Ergebnis in der mitgelieferten box auf dem Bildschirm vor dem hören auf die nächste Nummer hinzufügen. In dieser Aufgabe das Thema macht einen Fehler, tritt ein Ereignis zu stören um Stress zu erzeugen (zwei zur gleichen Zeit solide Zahlen oder einer langen Zeit des Schweigens in beibehalten). Wenn drei Fehler begangen werden, wird in diesem Fall das Sum-Konto zurückgesetzt. Die vierte Aufgabe besteht aus einer Hyperventilation-Aktivität induzieren gleichen Varianz in den physiologischen Signalen, die eine Stresssituation17provozieren würde. Am Ende jeder Aufgabe und hat den Betreff an der wahrgenommenen Stresslevel mithilfe der Anwendung selbst, nach einer 5-Wert-Likert-Skala.
Während der Phase der Klassenzimmer Studenten ihre Tätigkeit ausüben, ordentliche akademische zusammen mit dem Rest ihrer Mitschüler. Das Protokoll konzentriert sich auf den Stress, die während der Klassenzimmer-spezifische Aktivitäten auftreten. Am Ende des Vortrags ein kurzer Fragebogen (Anhang 1) komplettiert die Schüler um das wahrgenommene Niveau des Druckes an den verschiedenen Aktivitäten nach einer 5-Wert-Skala anzugeben.

<table border="0" cellpadding="0" cellspacing="0" width="968">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:219px;">Microsoft Band 2</td>
			<td style="width:191px;">Microsoft</td>
			<td style="width:119px;"></td>
			<td style="width:439px;">Wearable</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:219px;">Nexus 5</td>
			<td style="width:191px;">LG/Google</td>
			<td style="width:119px;"></td>
			<td>Smartphone</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;">PhysiologicalSignals</td>
			<td style="width:191px;">Developed by the paper authors</td>
			<td style="width:119px;"></td>
			<td>App to collect data from wearables</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;">StressTest</td>
			<td style="width:191px;">Developed by the paper authors</td>
			<td style="width:119px;"></td>
			<td>App to develop laboraty experiment: Video visualization, Stroop color and word test, paced auditory serial addition test (PASAT) , hyperventilation activity&#160;</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;">Quizs</td>
			<td style="width:191px;">Developed by the paper authors</td>
			<td style="width:119px;"></td>
			<td>Questionnaires to collect qualitative data on students&#8217; perception on stress</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:219px;">Server</td>
			<td style="width:191px;">Developed by the paper authors</td>
			<td style="width:119px;"></td>
			<td>Server to store, analyze and display data</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Weka application</td>
			<td style="width:191px;">University of Waikato</td>
			<td style="width:119px;"></td>
			<td>Application to process the data using machine learning techniques</td>
		</tr>
	</tbody>
</table>

evaluation of commercial-off-the-shelf wrist wearables to estimate stress on students

Tragbare Commercial-off-the-Shelf (COTS) Geräte haben in den letzten Jahren zu überwachen, sportliche Aktivitäten, vor allem bei jungen Menschen beliebt. Zu diesen Geräten gehören Sensoren zum Sammeln von Daten auf physiologische Signale wie Herzfrequenz, Hauttemperatur oder Elektrodermale. Auf diese Art von Signalen Data Analytics-Techniken anwenden, ist es möglich, Schätzungen der übergeordneten Aspekte des menschlichen Verhaltens zu erhalten. In der Literatur gibt es mehrere Werke beschreiben die Verwendung von physiologischen Daten mit klinischen Geräten Informationen auf Schlaf-Muster oder Stress zu. Es ist jedoch noch eine offene Frage, ob mit Kinderbetten Handgelenk Wearables erfasst Daten zur psychologischen Zustand der Lernenden im Unterricht charakterisieren ausreicht. Dieser Artikel behandelt ein Protokoll, um Stress-Schätzung von Daten unter Verwendung von COTS Handgelenk Wearables zu bewerten. Das Protokoll wird in zwei Phasen durchgeführt. Die erste Stufe besteht aus einem kontrollierten Laborexperiment, wo eine mobile app verwendet wird, um verschiedene Druckstufen in einem Schüler durch ein entspannendes Video, einer Stroop-Farbe und Wort Test ein Paced Auditory Serial Zusatz-Test und eine Hyperventilation Test zu induzieren. In der zweite Phase erfolgt im Klassenzimmer, wo Stress analysiert wird, während mehrere akademische Tätigkeiten durchführt, nämlich Teilnahme an theoretischen Vorlesungen, Übungen und andere Einzelaktivitäten, und kurze Tests und Prüfungen. In beiden Fällen werden quantitative Daten aus Kinderbetten Handgelenk Wearables und qualitative Daten mittels Fragebögen berücksichtigt. Dieses Protokoll beinhaltet eine einfache und einheitliche Methode mit einer Stress-Induktion-app und Fragebögen, erfordern eine begrenzte Beteiligung der support-Mitarbeiter.

Das Protokoll diskutiert wurde in einem Computer-Architekturen-Kurs im ersten Jahr der Telekommunikation Ingenieurstudium an der Universität Vigo umgesetzt. Dieser Kurs hat mehr als 200 Studenten eingeschrieben, die in 10 Arbeitsgruppen organisiert sind. Um dieses Experiment durchzuführen, waren Studenten aus vier Fraktionen eingeladen, zu Beginn des akademischen Jahres anmelden. Das Projekt erregte großes Interesse bei den Schülern, und rund 30 Studenten freiwillig an der Studie teil...

Watch this Scientific Journal Video about Evaluation of Commercial-Off-The-Shelf Wrist Wearables to Estimate Stress on Students at JoVE.com

Evaluation of Commercial-Off-The-Shelf Wrist Wearables to Estimate Stress on Students

Ein Protokoll, Lösungen auf Basis von Commercial-off-the-Shelf (COTS) Handgelenk Wearables, Stress in der Schüler schätzen zu bewerten wird vorgeschlagen. Das Protokoll erfolgt in zwei Phasen, eine erste Labor-basierte Induktion Stresstest und eine Überwachung Bühne statt im Klassenzimmer während der Student akademischen Tätigkeiten ausführt.

Bewertung der Commercial-Off-The-Shelf Handgelenk Wearables, Stress auf Studenten zu schätzen

Wearable commercial-off-the-shelf (COTS) devices have become popular during the last years to monitor sports activities, primarily among young people. ...

evaluation-commercial-off-shelf-wrist-wearables-to-estimate-stress-on

Research

JoVE Journal

Engineering

7.4K Aufrufe.  University of Vigo, Campus Lagoas-Marcosende. Ein Protokoll, Lösungen auf Basis von Commercial-off-the-Shelf (COTS) Handgelenk Wearables, Stress in der Schüler schätzen zu bewerten wird vorgeschlagen. Das Protokoll erfolgt in zwei Phasen, eine erste Labor-basierte Induktion Stresstest und eine Überwachung Bühne statt im Klassenzimmer während der Student akademischen Tätigkeiten ausführt.

Serie: Evaluation of Commercial-Off-The-Shelf Wrist Wearables to Estimate Stress on Students

Preparation and Evaluation of Hybrid Composites of Chemical Fuel and Multi-walled Carbon Nanotubes in the Study of Thermopower Waves

When a chemical fuel at a certain position in a hybrid composite of the fuel and a micro/nanostructured material is ignited, chemical combustion occurs along the interface between the fuel and core materials. Simultaneously, dynamic changes in thermal and chemical potentials across the micro/nanostructured materials result in concomitant electrical energy generation induced by charge transfer in the form of a high-output voltage pulse. We demonstrate the entire procedure of a thermopower wave experiment, from synthesis to evaluation. Thermal chemical vapor deposition and the wet impregnation process are respectively employed for the synthesis of a multi-walled carbon nanotube array and a hybrid composite of picric acid/sodium azide/multi-walled carbon nanotubes. The prepared hybrid composites are used to fabricate a thermopower wave generator with connecting electrodes. The combustion of the hybrid composite is initiated by laser heating or Joule-heating, and the corresponding combustion propagation, direct electrical energy generation, and real-time temperature changes are measured using a high-speed microscopy system, an oscilloscope, and an optical pyrometer, respectively. Furthermore, the crucial strategies to be adopted in the synthesis of hybrid composite and initiation of their combustion that enhance the overall thermopower wave energy transfer are proposed.

A protocol for conducting thermopower wave experiments is presented. The synthesis of hybrid composites of a chemical fuel and micro/nanostructured material, manufacturing of a thermopower wave generator, and methods for measuring the corresponding physical phenomena are described.

Herstellung und Auswertung der Hybrid Composites der chemischen Treibstoff und mehrwandige Kohlenstoff-Nanoröhren in das Studium der Thermokraft Waves

When a chemical fuel at a certain position in a hybrid composite of the fuel and a micro/nanostructured material is ignited, chemical combustion occurs ...

Forschung

Ingenieurwesen

A Cost-effective and Reliable Method to Predict Mechanical Stress in Single-use and Standard Pumps

Pumps are mainly used when transferring sterile culture broths in biopharmaceutical and biotechnological production processes. However, during the pumping process shear forces occur which can lead to qualitative and/or quantitative product loss. To calculate the mechanical stress with limited experimental expense, an oil-water emulsion system was used, whose suitability was demonstrated for drop size detections in bioreactors1. As drop breakup of the oil-water emulsion system is a function of mechanical stress, drop sizes need to be counted over the experimental time of shear stress investigations. In previous studies, the inline endoscopy has been shown to be an accurate and reliable measurement technique for drop size detections in liquid/liquid dispersions. The aim of this protocol is to show the suitability of the inline endoscopy technique for drop size measurements in pumping processes. In order to express the drop size, the Sauter mean diameter d32 was used as the representative diameter of drops in the oil-water emulsion. The results showed low variation in the Sauter mean diameters, which were quantified by standard deviations of below 15%, indicating the reliability of the measurement technique.

Shear stress investigations on an oil-water emulsion system result in drop breakup over the experimental time. To count drop sizes in pumping processes, the suitability of inline endoscopy was successfully demonstrated in this protocol.

Eine kostengünstige und zuverlässige Methode, um mechanische Spannung in Einweg-und Standardpumpen Predict

Pumps are mainly used when transferring sterile culture broths in biopharmaceutical and biotechnological production processes. However, during the pumping ...

Evanescent Field Based Photoacoustics: Optical Property Evaluation at Surfaces

Here, we present a protocol to estimate material and surface optical properties using the photoacoustic effect combined with total internal reflection. Optical property evaluation of thin films and the surfaces of bulk materials is an important step in understanding new optical material systems and their applications. The method presented can estimate thickness, refractive index, and use absorptive properties of materials for detection. This metrology system uses evanescent field-based photoacoustics (EFPA), a field of research based upon the interaction of an evanescent field with the photoacoustic effect. This interaction and its resulting family of techniques allow the technique to probe optical properties within a few hundred nanometers of the sample surface. This optical near field allows for the highly accurate estimation of material properties on the same scale as the field itself such as refractive index and film thickness. With the use of EFPA and its sub techniques such as total internal reflection photoacoustic spectroscopy (TIRPAS) and optical tunneling photoacoustic spectroscopy (OTPAS), it is possible to evaluate a material at the nanoscale in a consolidated instrument without the need for many instruments and experiments that may be cost prohibitive.

Here we present a protocol to estimate material and surface optical properties using the photoacoustic effect combined with total internal reflection. This technique evanescent field-based photoacoustics can be used to create a photoacoustic metrology system to estimate materials&#39; thicknesses, bulk and thin film refractive indices, and explore their optical properties.

Abklingende Feld Basierend Photoakustik: Optische Objektbewertung an Oberflächen

Here, we present a protocol to estimate material and surface optical properties using the photoacoustic effect combined with total internal reflection. ...

The Evolution of Silica Nanoparticle-polyester Coatings on Surfaces Exposed to Sunlight

Corrosion of metallic surfaces is prevalent in the environment and is of great concern in many areas, including the military, transport, aviation, building and food industries, amongst others. Polyester and coatings containing both polyester and silica nanoparticles (SiO2NPs) have been widely used to protect steel substrata from corrosion. In this study, we utilized X-ray photoelectron spectroscopy, attenuated total reflection infrared micro-spectroscopy, water contact angle measurements, optical profiling and atomic force microscopy to provide an insight into how exposure to sunlight can cause changes in the micro- and nanoscale integrity of the coatings. No significant change in surface micro-topography was detected using optical profilometry, however, statistically significant nanoscale changes to the surface were detected using atomic force microscopy. Analysis of the X-ray photoelectron spectroscopy and attenuated total reflection infrared micro-spectroscopy data revealed that degradation of the ester groups had occurred through exposure to ultraviolet light to form COO&#903;, -H2C&#903;, -O&#903;, -CO&#903; radicals. During the degradation process, CO and CO2 were also produced.

Two types of surfaces, polyester-coated steel and polyester coated with a layer of silica nanoparticles, were studied. Both surfaces were exposed to sunlight, which was found to cause substantial changes in the chemistry and nanoscale topography of the surface.

Die Evolution der Silica-Nanopartikel-Polyester-Beschichtungen auf Oberflächen Sonnenlicht ausgesetzt

Corrosion of metallic surfaces is prevalent in the environment and is of great concern in many areas, including the military, transport, aviation, ...

Scanning Light Scattering Profiler (SLPS) Based Methodology to Quantitatively Evaluate Forward and Backward Light Scattering from Intraocular Lenses

The scanning light scattering profiler (SLSP) methodology has been developed for the full-angle quantitative evaluation of forward and backward light scattering from intraocular lenses (IOLs) using goniophotometer principles. This protocol describes the SLSP platform and how it employs a 360&#176; rotational photodetector sensor that is scanned around an IOL sample while recording the intensity and location of scattered light as it passes through the IOL medium. The SLSP platform can be used to predict, non-clinically, the propensity for current and novel IOL designs and materials to induce light scatter. Non-clinical evaluation of light scattering properties of IOLs can significantly reduce the number of patient complaints related to unwanted glare, glistening, optical defects, poor image quality, and other phenomena associated with the unintended light scattering. Future studies should be conducted to correlate SLSP data with clinical results to help identify which measured light scatter is most problematic for patients that have undergone cataract surgery subsequent to IOL implantation.

Scanning Light Scattering Profiler SLPS Based Methodology to Quantitatively Evaluate Forward and Backward Light Scattering from Intraocular Lenses

This protocol describes the scanning light scattering profiler (SLSP) that enables the full-angle quantitative evaluation of forward and backward scattering of light from intraocular lenses (IOLs) using goniophotometer principles.

Scanning Light Scattering Profiler (SLPS) basierte Methodik zur quantitativen Bewertung von Vorwärts- und Rücklichtlichtstreuung aus Intraokularlinsen

The scanning light scattering profiler (SLSP) methodology has been developed for the full-angle quantitative evaluation of forward and backward light ...

Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification

This study presents a series of protocols of designing and manufacturing a glasses-type wearable device that detects the patterns of temporalis muscle activities during food intake and other physical activities. We fabricated a 3D-printed frame of the glasses and a load cell-integrated printed circuit board (PCB) module inserted in both hinges of the frame. The module was used to acquire the force signals, and transmit them wirelessly. These procedures provide the system with higher mobility, which can be evaluated in practical wearing conditions such as walking and waggling. A performance of the classification is also evaluated by distinguishing the patterns of food intake from those physical activities. A series of algorithms were used to preprocess the signals, generate feature vectors, and recognize the patterns of several featured activities (chewing and winking), and other physical activities (sedentary rest, talking, and walking). The results showed that the average F1 score of the classification among the featured activities was 91.4%. We believe this approach can be potentially useful for automatic and objective monitoring of ingestive behaviors with higher accuracy as practical means to treat ingestive problems.

This study presents a protocol of designing and manufacturing a glasses-type wearable device that detects the patterns of food intake and other featured physical activities using load cells inserted in both hinges of the glasses.

Gestaltung und Bewertung von Datenbrillen für Nahrungsaufnahme und körperliche Aktivität Klassifizierung

This study presents a series of protocols of designing and manufacturing a glasses-type wearable device that detects the patterns of temporalis muscle ...

Protocol for the Evaluation of MRI Artifacts Caused by Metal Implants to Assess the Suitability of Implants and the Vulnerability of Pulse Sequences

As the number of magnetic resonance imaging (MRI) scanners and patients with medical implants is constantly growing, radiologists increasingly encounter metallic implant-related artifacts in MRI, resulting in reduced image quality. Therefore, the MRI suitability of implants in terms of artifact volume, as well as the development of pulse sequences to reduce image artifacts, are becoming more and more important. Here, we present a comprehensive protocol which allows for a standardized evaluation of the artifact volume of implants on MRI. Furthermore, this protocol can be used to analyze the vulnerability of different pulse sequences to artifacts. The proposed protocol can be applied to T1- and T2-weighted images with or without fat-suppression and all passive implants. Furthermore, the procedure enables the separate and three-dimensional identification of signal loss and pile-up artifacts. As previous investigations differed greatly in evaluation methods, the comparability of their results was limited. Thus, standardized measurements of MRI artifact volumes are necessary to provide better comparability. This may improve the development of the MRI suitability of implants and better pulse sequences to finally improve patient care.

We describe a standardized method to evaluate magnetic resonance imaging artifacts caused by implants to estimate the suitability of the implants for magnetic resonance imaging and/or the vulnerability of different pulse sequences to metallic artifacts simultaneously.

Protokoll für die Bewertung von MRI Artefakte verursacht durch Metall-Implantate um die Eignung der Implantate und die Anfälligkeit von Impulsfolgen zu bewerten

As the number of magnetic resonance imaging (MRI) scanners and patients with medical implants is constantly growing, radiologists increasingly encounter ...

Film Control to Study Contributions of Waves to Droplet Impact Dynamics on Thin Flowing Liquid Films

Droplet impact is a very common phenomenon in nature and attracts attention due to its aesthetic fascination and wide-ranging applications. Previous studies on flowing liquid films have neglected the contributions of spatial structures of waves to the impact outcome, while this has recently been shown to have a significant influence on the drop impact dynamics. In this report, we outline a step-by-step procedure to investigate the effect of periodic inlet forcing of a flowing liquid film leading to the production of spatiotemporally regular wave structures on drop impact dynamics. A function generator in connection with a solenoid valve is used to excite these spatiotemporally regular wave structures on the film surface while the impact dynamics of uniform-sized droplets are captured using a high-speed camera. Three distinct regions are then studied; viz. the capillary wave region preceding the large wave peak, the flat film region, and the wave hump region. The effects of important dimensionless quantities such as film Reynolds, drop Weber and Ohnesorge numbers parameterized by the film flow rate, drop speed, and drop size are also examined. Our results show interesting, hitherto undiscovered dynamics brought about by this application of film inlet forcing of the flowing film for both low and high inertia drops.

A protocol to study the contributions of waves to droplet impact dynamics on flowing liquid films is presented.

Film-Kontrolle, Beiträge der Wellen zu Tröpfchen Auswirkungen Dynamik auf dünnen fließt Flüssigkeitsfilme zu studieren

Droplet impact is a very common phenomenon in nature and attracts attention due to its aesthetic fascination and wide-ranging applications. Previous ...

Fabric Moisture Uniform Control to Study the Influence of Air Impingement Parameters on Fabric Drying Characteristics

Impinging dryness is now a widely used and effective way for fabric drying due to its high heat and mass transfer coefficient. Previous studies on fabric drying have neglected the contributions of moisture uniformity and diffusion coefficient to the drying process; though, they have recently been shown to have a significant influence on drying characteristics. This report outlines a step-by-step procedure to investigate the effects of air impingement parameters on a fabric&#39;s drying characteristics by controlling the uniformity of its area moisture distribution. A hot air blower unit equipped with an angle adjustable nozzle is used to generate air flow with different velocities and temperatures while the drying process is recorded and analyzed using an infrared thermograph. In addition, a uniform padder is adapted to ensure the fabric&#39;s moisture uniformity. Impinging drying is studied under different initial conditions by changing the air flow temperature, velocity, and direction, then the applicability and suitability of the protocol are evaluated.

Presented here is a protocol that guarantees uniform distribution of initial moisture inside of a fabric and investigates the effects of hot-air thermodynamic parameters (velocity, temperature, and direction) and thickness on the fabric&#39;s drying characteristics (e.g., temperature variation) under the condition of air impingement.

Fabric Moisture Uniform Control zur Untersuchung des Einflusses von Luftimpingement-Parametern auf die Stofftrocknungseigenschaften

Impinging dryness is now a widely used and effective way for fabric drying due to its high heat and mass transfer coefficient. Previous studies on fabric ...

Evaluation of an Exclusive Spur Dike U-Turn Design with Radar-Collected Data and Simulation

Traditional U-turn designs can improve operational features obviously, while U-turn diversions and merge segments still cause traffic congestion, conflicts, and delays. An exclusive spur dike U-turn lane design (ESUL) is proposed here to solve the disadvantages of traditional U-turn designs. To evaluate the operation performance of ESUL, a traffic simulation protocol is needed. The whole simulation process includes five steps: data collection, data analysis, simulation model build, simulation calibration, and sensitive analysis. Data collection and simulation model build are two critical steps and are described later in greater detail. Three indexes (travel time, delay, and number of stops) are commonly used in the evaluation, and other parameters can be measured from the simulation according to experimental needs. The results show that the ESUL significantly diminishes the disadvantages of traditional U-turn designs. The simulation can be applied to solve microscopic traffic problems, such as in single or several adjacent intersections or short segments. This method is not suitable for larger scale road networks or evaluations without data collection.

This protocol describes the process of solving a microscopic traffic problem with simulation. The whole process contains a detailed description of data collection, data analysis, simulation model build, simulation calibration, and sensitive analysis. Modifications and troubleshooting of the method are also discussed.