سنجش درجات استرس بر اساس تست استروپ با استفاده از مقاومت الکتریکی پوست

مقدمه: استرس طولانی مدت اثرات منفی زیادی دارد. لذا شناسایی وضعیت استرس در زندگی روزمره می ‌تواند راه حلی پیشگیرانه برای کنترل عوامل استرس‌ زا باشد. اندازه ‌گیری مقاومت پوست گالوانیکی (gsr) می ‌تواند برای گرفتن پاسخ‌ های عصبی خودمختار در زمان استرس استفاده شود. هدف این مطالعه استفاده از gsr برای طبقه‌ بندی استرس ناشی از آزمون استروپ رنگ_کلمه در مردان ایرانی بود.روش کار: بخش اول: طراحی و مونتاژ دستگاه: 1) ماژول حسگرهای رسانایی پوست (gsr)، 2) ماژول stmf032k6t6، 3) ماژول .ac بخش دوم: طراحی پروتکل استرس، ضبط داده ‌ها و ماشین یادگیری برای سطح استرس طبقه ‌بندی شده. 21 مرد جوان داوطلب، آزمون استروپ کلمه و رنگ انجام دادند. داده‌های gsr به بخش‌های 10 ثانیه‌ای تقسیم شدند، ویژگی‌های استخراج شده شامل میانگین، میانه، انحراف معیار شدت سیگنال، حداکثر، حداقل، متوسط ​​باند فرکانس پایین و بالا و انحراف معیار آنها، شیب خط و تعداد بار عبور از خط صفر سیگنال gsr بود.یافته‌ ها: نتایج نشان داد که شاخص ‌های مورد بررسی gsr بین استراحت و سه حالت استرس کم، متوسط و زیاد تفاوت معنادار وجود دارد. همچنین با استفاده از روش یادگیری ماشین و الگوریتم lunberg-marquardt داده‌ ها با دقت 92/63 درصد قابل دسته ‌بندی به چهار حالت استراحت، استرس کم، متوسط و زیاد بودند. بر اساس این نتایج، حساسیت طبقه‌بندی ‌کننده به حالت استراحت کمتر از سایر حالت‌ها است. این مقدار برای تنش متوسط بالاتر بود.نتیجه ‌گیری: الگوریتم lunberg-marquardt نشان داد که شاخص‌های gsr حساس به درجه سختی آزمون استروپ به عنوان عامل سنجش شرایط استرس‌زا هستند. 

measuring the degree of stress based on the stroop test using the electrical resistance of the skin

introduction: prolonged stress has many negative effects. accordingly, identifying the state of stress in daily life can be a preventive solution to control stressful factors. measurement of galvanic skin resistance (gsr) can be used to capture autonomic nervous responses during stress.the present study aimed to use gsr to classify the stress caused by the color-word stroop test iniranian men.methods: part i: device design and assembly: 1) skin conductance sensors module, 2) stmf032k6t6 module, and 3) ac module. part ii: stress protocol design, data recording, and machine learning for classified stress levels. twenty-one young male volunteers participated in the word and stroop color test. the gsr data were divided into 10-second segments. features extracted from each segment included the mean, median, and standard deviation (sd) of signal intensity, as well as the maximum, minimum, and average of both low and high-frequency bands, alongside their sd.results: the results revealed a significant difference between the gsr-investigated indicators at rest and in the three states of low stress, medium stress, and high stress. furthermore, using the machine learning method and the levenberg-marquardt algorithm, the data could be classified into four states of rest, low, medium, and high stress, with an accuracy of 92.63.conclusion: lunberg-marquardt algorithm showed that gsr indicators are sensitive to the degreeof difficulty of the stroop test as a factor in creating stressful conditions.