VALUTAZIONE DEL LIVELLO DI STRESS DA SEGNALI PPG ACQUISITI DA SITI ANATOMICI NON CONVENZIONALI

Continuous stress recognition with wearable sensors requires signals that can be acquired unobtrusively over long periods. This work assesses whether the photo- plethysmographic (PPG) signal alone, recorded on the upper arm and on the lower back, two sites already used by continuous glucose monitoring sensors, can classify three stress levels (low, medium and high) in subjects not used to train the models. Recordings from 25 subjects per site were analysed, acquired with Polar OH1+ sensors at 135 Hz during a protocol including a rest phase and four mental tasks. The signal was band-pass filtered with a type II Chebyshev filter (0.5–8 Hz), polarity- corrected and segmented into 60-s windows with 40% overlap, from which 55 temporal, spectral, pulse-variability and morphological features were extracted; the short pauses between tasks were excluded. A Random Forest (RF), a dense neural network (NN) and a one-dimensional convolutional network (1D-CNN) applied to the raw signal were compared. Feature selection, class balancing and hyperparameters were chosen through nested validation on training subjects only, and performance was assessed with 5-fold subject-wise cross-validation repeated 10 times, with 95% confidence intervals from a subject-level bootstrap. At window level, balanced accuracy was 0.582 (RF) and 0.593 (NN) on the arm and 0.615 and 0.624 on the back, against 0.33 for a random classifier; aggregating the windows of each task raised it up to 0.680 on the arm and 0.713 on the back. The 1D-CNN reached only 0.44–0.54. The medium stress class was the hardest to recognise (recall 0.37–0.48), and inter-subject variability exceeded the differences between models and sites: the paired comparison between arm and back showed no significant difference (Wilcoxon test, p ≥0.58). In the binary rest/stress task, balanced accuracy was 0.71–0.72 on the arm and 0.75–0.76 on the back. PPG from both sites therefore carries information on stress level even for new subjects, but single-window classification is not yet reliable: practical use will require larger samples, individual labels and validation on an external population.

Il riconoscimento continuo dello stress con sensori indossabili richiede segnali acquisibili in modo poco invasivo e per lunghi periodi. In questo lavoro si valuta se il solo segnale fotopletismografico (PPG), acquisito sulla parte superiore del braccio e nella regione lombare, sedi già usate dai sensori per il monitoraggio continuo del glucosio, permetta di classificare tre livelli di stress (basso, medio e alto) su soggetti non usati per l’addestramento dei modelli. Sono state analizzate le registrazioni di 25 soggetti per sito, acquisite con sensori Polar OH1+ a 135 Hz durante un protocollo composto da una fase di riposo e quattro compiti mentali. Il segnale è stato filtrato con un passa-banda Chebyshev di tipo II (0,5–8 Hz), corretto nella polarità e suddiviso in finestre di 60 s con sovrapposizione del 40%, da cui sono state estratte 55 feature temporali, spettrali, di variabilità delle pulsazioni e morfologiche; le brevi pause tra i compiti sono state escluse. Sono stati confrontati una Random Forest (RF), una rete neurale a strati densi (NN) e una rete convoluzionale monodimensionale (1D-CNN) applicata direttamente al segnale. Selezione delle feature, bilanciamento delle classi e iperparametri sono stati scelti con una validazione annidata sui soli soggetti di training, e la valutazione è stata condotta per soggetto a 5 fold, ripetuta 10 volte, con intervalli di confidenza al 95% stimati con un bootstrap sui soggetti. Per singola finestra la balanced accuracy è risultata di 0,582 (RF) e 0,593 (NN) sul braccio e di 0,615 e 0,624 sulla schiena, a fronte di 0,33 per un classificatore casuale; aggregando le finestre di ciascun compito sale fino a 0,680 sul braccio e 0,713 sulla schiena. La 1D-CNN si è fermata a 0,44–0,54. Lo stress medio è la classe più difficile da riconoscere (recall 0,37–0,48) e la variabilità tra soggetti supera quella tra modelli e tra sedi: il confronto appaiato tra braccio e schiena non mostra differenze significative (test di Wilcoxon, p≥0,58). Nella classificazione binaria riposo/stress la balanced accuracy è di 0,71–0,72 sul braccio e di 0,75–0,76 sulla schiena. Il PPG di entrambe le sedi contiene quindi informazione sul livello di stress anche su soggetti nuovi, ma la classificazione della singola finestra non è ancora affidabile: per un impiego pratico sono necessari campioni più ampi, etichette individuali e una validazione su una popolazione esterna.