Stress ist ein allgegenwärtiger Bestandteil unseres täglichen Lebens und einer der einflussreichen Treiber körperlicher und psychischer Erkrankungen. Fortschritte im Bereich Wearable Computing ermöglichen die Erfassung physiologischer Daten in Echtzeit. Diese physiologischen Daten können wiederum genutzt werden, um kognitive Zustände wie Emotionen oder Stress vorherzusagen. Ziel dieses Projekts ist es daher, robuste Systeme an der Schnittstelle der Mensch-Computer-Interaktion zu entwickeln, insbesondere für die Erkennung von Stress.
Aktuelle Forschung
Im Bereich Affective Computing, in dem emotionale und kognitive Zustände wie Stress, Arbeitsbelastung oder Entspannung untersucht werden, ist eine standardisierte Datenerhebung essenziell. Unsere Frameworks unterstützen die systematische Erfassung multimodaler Sensordaten, die Annotation experimenteller Phasen sowie die Integration von Selbstberichten und Kontextinformationen. Dadurch können Studien transparenter durchgeführt, Datensätze effektiver verglichen und zukünftige Forschungsprojekte effizienter aufgebaut werden.
Aufbauend auf diesen Frameworks konzipieren und realisieren wir experimentelle Studien, in denen physiologische Daten unter kontrollierten Bedingungen und während unterschiedlicher Aktivitäten erfasst werden, beispielsweise während neutraler Baseline-Phasen, kognitiver Belastung, sozio-evaluativem Stress und körperlicher Aktivität. Neben der eigentlichen Datenerhebung legen wir besonderen Wert auf eine sorgfältige Dokumentation, Annotation und Aufbereitung der Daten für die Veröffentlichung. Indem wir solche Datensätze der Forschungsgemeinschaft zur Verfügung stellen, möchten wir die Reproduzierbarkeit verbessern, die Vergleichbarkeit zwischen Studien unterstützen und eine zuverlässige Grundlage für zukünftige Analysen und Modellentwicklungen bereitstellen.
Da sich viele bestehende Datensätze hinsichtlich Sensoren, Samplingraten, Studiendesigns, Labelstrukturen und Datenformaten unterscheiden, arbeiten wir außerdem an der Integration heterogener Datensätze. Ziel ist es, Daten aus verschiedenen Studien in eine gemeinsame und vergleichbare Struktur zu überführen. Dazu gehören die Harmonisierung von Labels, die Vereinheitlichung physiologischer Signale, die Standardisierung von Zeitstempeln sowie die Entwicklung gemeinsamer Preprocessing-Pipelines. Eine solche Integration ermöglicht es, Modelle auf breiteren und vielfältigeren Datengrundlagen zu trainieren und ihre Generalisierbarkeit über verschiedene Studien, Probandengruppen und Messkontexte hinweg zu evaluieren.
Auf Basis der erhobenen und integrierten Datensätze entwickeln wir Methoden zur automatisierten Stresserkennung anhand physiologischer Zeitreihendaten. Signale wie Photoplethysmographie, elektrodermale Aktivität, Temperatur- und Beschleunigungsdaten werden genutzt, um stressbezogene Muster zu identifizieren. Wir untersuchen sowohl Methoden des maschinellen Lernens auf Grundlage manuell extrahierter Merkmale als auch Deep-Learning-Ansätze, die aussagekräftige Repräsentationen direkt aus Rohsignalen oder vorverarbeiteten Signalen lernen. Ein besonderer Fokus liegt auf robusten und generalisierbaren Modellen, die individuelle Unterschiede zwischen Teilnehmenden sowie Unterschiede zwischen Datensätzen und Messbedingungen berücksichtigen können.
Im Rahmen unserer Forschung haben wir VitaStress veröffentlicht, einen Datensatz mit physiologischen Daten von 21 Probandinnen und Probanden, die während verschiedener Aktivitäten bzw. Phasen erhoben wurden: neutrale Baseline, öffentliches Sprechen (sozio-evaluativer Stress), Kopfrechnen (kognitiver Stress) und körperliche Aktivität. Die physiologischen Daten umfassen Photoplethysmographie, Hautleitfähigkeit, Temperatur- und Beschleunigungsdaten. Zusätzlich füllten die Probandinnen und Probanden während des Versuchs wiederholt Selbstbeurteilungsfragebögen aus. Der Datensatz ist umfassend annotiert und gelabelt, um seine Nutzbarkeit für andere Forschende zu erhöhen.
Letzte Änderung: 6. August 2026