摘要目的:本研究的目的是展示了移动基于移动的应用程序的有效性（“Serenita”），作为定量测量应力水平的工具。在该交互式应用程序中，用户将手指放在移动式摄像机镜头上，通过该血流相关的信息，通过该信息提取与用户的血流，心率和心率变异性（HRV）的信息。然后通过某一机器算法滤波和处理生理信号，从而定量估计用户的应力水平。

方法：一个由50名志愿者组成的混合性别小组被招募到一个标准化的实验室实验中，在那里实施了一项社会心理压力测试(特里尔社会压力测试- tsst)。在整个实验过程中，生理应激反应都是通过唾液皮质醇水平和Serenita应用程序来测量的，因此，使用的是一个内部的主题设计。

结果:Serenita算法能够有效地检测出不同实验条件下参与者估计的应激水平的变化，并遵循TSST协议通常获得的稳健的生理反应模式。此外，使用Serenita的算法估计的压力水平与皮质醇水平测量之间的交叉相关系数为0.93。

结论：这些结果为Serenita作为定量测量生理应激反应的有效工具提供了双重验证。这项创新技术对应激研究和治疗领域具有重要意义，据我们所知，它提供了第一个经临床验证的非实验室定量生理应激测量工具。

压力，皮质醇，特里尔社会压力测试 - TSST，MobileApplication，数字健康，压力测量。

摘要目的:本研究的目的是展示了移动基于移动的应用程序的有效性（“Serenita”），作为定量测量应力水平的工具。在该交互式应用程序中，用户将手指放在移动式摄像机镜头上，通过该血流相关的信息，通过该信息提取与用户的血流，心率和心率变异性（HRV）的信息。然后通过某一机器算法滤波和处理生理信号，从而定量估计用户的应力水平。

方法：一个由50名志愿者组成的混合性别小组被招募到一个标准化的实验室实验中，在那里实施了一项社会心理压力测试(特里尔社会压力测试- tsst)。在整个实验过程中，生理应激反应都是通过唾液皮质醇水平和Serenita应用程序来测量的，因此，使用的是一个内部的主题设计。

结果:Serenita算法能够有效地检测出不同实验条件下参与者估计的应激水平的变化，并遵循TSST协议通常获得的稳健的生理反应模式。此外，使用Serenita的算法估计的压力水平与皮质醇水平测量之间的交叉相关系数为0.93。

结论：这些结果为Serenita作为定量测量生理应激反应的有效工具提供了双重验证。这项创新技术对应激研究和治疗领域具有重要意义，据我们所知，它提供了第一个经临床验证的非实验室定量生理应激测量工具。

压力，皮质醇，特里尔社会压力测试 - TSST，MobileApplication，数字健康，压力测量。

已经指出，"压力"被描述为" 21世纪的健康流行病"^圣据世界卫生组织(World Health Organization)[1,2]估计，美国企业每年为此付出的代价高达3000亿美元。例如，在美国最近的一项研究中，超过50%的人认为压力对工作效率产生了负面影响。但压力几乎存在于我们生活的方方面面，可能导致高血压、肥胖、成瘾、焦虑、抑郁、糖尿病和心脏病发作，从而对我们的情绪平衡和身体健康产生不利影响[3,4]。

迄今为止，压力心理评估工具主要关注个体在不同生活领域所感受到的压力[5,6]，而其他人则试图找出与压力水平的激活和升高相关的触发因素[7,8]。作为主要的自我报告问卷，这些工具在性质上是有限的，因为它们主要通过个人的主观感受间接测量压力，因此容易受到一些偏见的影响[9]。相反，生物工具，如“应激激素”皮质醇水平升高，绕过了这些缺点，主要侧重于测量激活的HPA轴和交感神经系统的直接和客观的生理衍生物[10]。然而，由于这些有效的参数是从实验室测试中提取出来的，它们作为临床评估和研究目的的实用和可行的工具仍然存在问题。

因此，尽管对我们的福祉产生了众所周知的不利影响，但仍然没有可接受的临床工具来测量既有目标，既有目标，可访问和临床验证。这种工具的创建似乎是必不可少的，特别是如果它可以用于压力流行病的改善。这是第一个此类尝试。

随着现代生活强加了一个非常繁忙的生活方式，需要立即和熟练的数字解决方案来维持福祉。这种趋势是由于“数字健康”领域的发展数量越来越多的发展。Serenita i S一个基于互动放宽的移动应用程序，旨在监控和控制应力水平。该申请包含两个主要特点：诊断和治疗。由于评估工具Serenita通过阅读生理参数并产生定量的实时应力结果来估计用户的应力水平。作为治疗工具，它为用户提供了一组个性化的呼吸锻炼，旨在减少所获得的应力水平。最近的一项研究表明，Serenita可用于有效降低II型患者的血糖水平[11]。

目前的研究旨在验证和微调算法支持的应力估计功能，在这个移动应用程序，在临床设置。为了验证Serenita是一个足够的压力估计器，有必要建立一个标准化的实验方案，能够i)有效地在一组志愿者身上诱发压力，ii)并正确地量化压力变化。为此，我们采用特里尔社会压力测试(TSST -[12])作为这一记录良好的实验室程序，该程序被证明可以可靠地在人类研究参与者中诱发压力，并广泛用于压力研究领域[13,14]。我们不仅通过适当校准的问卷，还通过分析皮质醇(一种生理应激指标)来探讨TSST作为应激诱导因子的有效性。皮质醇在临床中广泛用于确定应激水平和应激事件的反应。同样，目前的研究遵循了典型的实验方案。然而，其新颖之处在于将传统的固体应力诱导物(TSST)和指标(唾液皮质醇)与创新的数字健康评估工具(Serenita应用)相结合。在实验过程中使用这两种工具来测量生理压力，不仅符合我们建立信度和效度的研究目标，而且还可以中和任何可能由性别差异引起的压力反应的潜在变异[15,16]。

通过在线申请表招募该研究的志愿者。In order to avoid biases during the recruitment process and data acquisition stage, the study received the title: “Algorithms for Heart Rate Variability Analysis during daily activities” and was presented to the volunteers as a study with the objective of validating such algorithms, i.e. no references to stress were made until the end of the experiment. Approximately 70 people applied online to participate on the study. Participants undergoing stimulating or anti-depressive medication or suffering from cardiovascular, endocrine, neurological disorders, were not admitted.

作为招募过程的一部分，志愿者填写了抑郁-焦虑-压力量表（DASS）-21表格，用于识别和排除患有抑郁、焦虑和高度紧张/压力的受试者（见下文）。没有志愿者因为DASS-21结果或他们报告的血压值而被丢弃。然而，为了保持年龄组的平衡，20名年轻志愿者被丢弃。因此，共有50名志愿者被邀请到实验室参与实验。最终样本的平均年龄为33.7±11.9岁，由27名女性和23名男性志愿者组成。表1显示了按性别和年龄组分列的志愿者分布情况。

在初始在线过滤后，请批准的志愿者被邀请选择参与日期和时间表。该研究在训练有素的心理学家团队的脑电图和临床神经生理中心（CENC），里斯本，里斯本，葡萄牙进行。该研究按照赫尔辛基宣言进行，议定书和行为由Centro Acadodo de Lisboa的伦理委员会批准。在实验的当天，参与者不允许吸烟，喝咖啡或任何刺激饮料，在他们入学前一小时。在抵达诊所后，所有参与者都接受了关于该研究的口头和书面信息，并在实验期初签署了知情同意。每个会话持续2.0小时 - 2.5小时。并在完成后，所有志愿者都获得了他们参与的货币补偿。

Online-baseline排斥问卷:抑郁、焦虑和压力量表(Depression, Anxiety & Stress Scale, DASS-21)[17]，简称DASS，是一种4分李克特自述量表，由抑郁(Depression, DASS- d)、焦虑(Anxiety, DASS- a)和压力(Stress, DASS- s)三个分量表组成。das -21量表通过七个项目测量了过去一周的三种心理健康状况。每个项目的回答范围从0(完全不适用于我)到3(非常适用于我)。这三种情况中的任何一种的强度都是由对其7项子量表的反应的总和分数决定的。在临床和非临床样本中对das - 21分量表的alpha信度系数进行了检验，报告为DASS-D为0.94,DASS-A为0.87,DASS-S[18]为0.91。

压力条件:研究协议是直接适应Trier社会压力测试[12]，包括以下步骤：

唾液皮质醇的:皮质醇是一种因应激和低血糖浓度[19]而释放的昼夜甾体激素，被用作传统的生理应激指标。根据实验方案，每个参与者的唾液皮质醇样本用于分析和测量压力反应。记录每个参与者的数据。

这种应力估计算法是基于从手机的摄像头镜头（用户将手指放在镜头中）实时获取光体积描记（PPG）信号。提取与用户的血流、心率和几个心率变异性（HRV）参数相关的信息。然后，这些信号被过滤和处理，使用大量的算法和机器学习来评估用户的生理压力水平。心率变异性（HRV）通常可以描述为瞬时心率的自然变化，由自主神经系统（ANS）的调节机制引起。因此，通过适当的信号处理技术，HRV可以被视为对ANS的交感和副交感两个分支活动的间接测量，这两个分支分别与应激和放松状态密切相关。Serenita使用HRV、HR和呼吸模式参数的组合以及受试者的年龄和性别等信息作为专有压力函数的输入，该函数返回当前压力水平的定量估计。

50名参与者的数据导致相同数量的有效数据集进行分析。实验方法掺入受试者内部设计，其中应力水平的变化估计每个参与者的两个主要应力指示器。因此，每个参与者在使用生态融合的专有算法的情况下，在整个实验中，在整个实验中进行了几次测量的整个实验，并使用生态融合的专有算法。

获取的PPG使用由i）的工作流程进行处理，该工作流程是一个异常的检测和移除，ii）滤波步骤，iii）峰值检测器，之后瞬时心率信号，通常称为R-R信号（RR）， 建成。然后从RR信号中提取了几个时间和频率特征，与由欧洲心脏病学和北美起搏和电生理学学会（1996）的北美学会（1996年）定义的标准一致，符合标准[20]。

在采集阶段，所有数据集中都包含了几个标记，使得处理后的数据可以分为4个不同的部分i）基线，ii）访谈准备，iii）访谈和iv）算术。图1显示了原始PPG信号和PPG处理后获得的RR信号，并从中提取了一名志愿者的HRV特征。

通过在整个过程中监测皮质醇水平，几位作者被若干作者验证了TSST作为有效的应激诱导剂协议。因此，响应于TSST的典型应力曲线是明确的（参见图2）并用作当前研究的支持。预计压力水平在基线期间的基础上或略微增加的水平，在面试和/或算术阶段期间的面试编制和峰值增加。一些人在面试阶段会出现强烈反应，可识别为受训练的心理学家的压力，而其他人则在算术阶段具有更强的反应。临床环境，摄像机，医生和社会/算术挑战的综合效应保证了对TSTS的所有个人的压力反应[21,22]。

Serenita的应力估计算法从一组预定义的HR，HRV和呼吸模式特征计算应力，这是一种表达应力作为定量测量的专有功能的输入。实际上，每个瞬时应力值都是从数据窗口计算的，这应该是至少1.5分钟，理想地为5分钟，以便模型捕获心率变异性的所有缓慢振荡。为了保持高时的粒度，使用最小窗口，1.5分钟计算以下结果。

图3显示了单个个体在4个TSST阶段的应力响应。可以清楚地看到，压力水平使用PPG信号，在面试准备的中间左右开始增加，在面试开始后不久达到最大值。这张图显示了以应力百分比表示的绝对值。这种压力模式遵循TSST协议的预期压力模式，可以作为Serenita作为测量压力水平的有效评估工具的可靠性的第一个验证。

所有个人的应力水平的直接比较不是一种琐碎的任务，因为基础水平和压力的相对变化将取决于每个人。为了获得平均响应，所有应力响应都是标准化的，时间对齐，它们的平均值计算。图4上所示的平均响应非常相似，图3表示应力响应遵循每个志愿者的典型曲线。

表2显示，压力水平从基线增加到面试准备，然后在面试或算术阶段进行峰值。这是最典型的回应。变化百分比将相对于基线周期的百分比达到平均变化。图4和表2上显示的值从50个数据集计算。

图5比较了使用Serenita算法计算的平均标准化压力水平和平均标准化皮质醇值。使皮质醇水平正常化的需要是由于不同的人有不同的基础皮质醇水平值。从图中可以看出，皮质醇水平与应激水平之间存在较高的一致性。这一事实也得到了图6数据的支持，图6显示了皮质醇平均值和压力水平之间的相互关系。这两个信号的最大相关性为0.93，这支持两种不同的应力测量之间的高度一致。

目前的研究旨在调查Serenita应用程序使用的应力估计算法，能够准确地估计压力水平的变化。广泛建立作为应力诱导的标准方案的TSST用于诱导受控临床环境的应力。

所估算的应力水平与TSST的预期应力响应具有较高的一致性。此外，唾液皮质醇水平的分析为压力水平的真实变化提供了客观的衡量标准，平均皮质醇曲线与Serenita的压力算法提供的估计压力的相关指数为0.93，支持了压力估计算法作为一种可行的方法来估计压力。

最后，在许多应力监测应用中，不仅要知道应力随时间的相对变化，而且要获得任何给定时间应力水平的定量值是有用的。由于压力的基准面的高度subject-dependent性质(皮质醇)这个任务是相当复杂的,但是使用先验信息,如年龄、性别、健康状况,其中,有可能项目应力函数的有界定量应力范围例如0−100%。

据我们所知，这是应用程序第一次提供一种可与实验室测试测量压力相媲美的定量和验证方法。这个工具可以作为压力研究的一个研究工具。

奥伦·富尔斯特(Oren Fuerst)博士和亚历山大·多明格斯(Alexandre Domingues)博士来自生态融合(Eco Fusion)，也就是Serenita的开发商。这项研究是由Eco Fusion赞助的。