การทบทวนวรรณกรรมเรื่องความถูกต้องของอุปกรณ์ตรวจจับความเครียดผ่านกิจกรรมทางไฟฟ้าของผิวหนัง
Article Sidebar
Main Article Content
บทคัดย่อ
บทความวิจัยนี้ มีวัตถุประสงค์ คือ 1) เพื่อประเมินความถูกต้องของอุปกรณ์ตรวจจับความเครียดผ่านสัญญาณกิจกรรมทางไฟฟ้าของผิวหนัง (Electrodermal Activity: EDA) โดยมุ่งเน้นการวิเคราะห์ตัวชี้วัดด้านความแม่นยำ และ 2) เพื่อสังเคราะห์ปัจจัยเชิงพหุองค์ประกอบที่มีอิทธิพลต่อประสิทธิภาพในการจำแนกสภาวะความเครียด การศึกษานี้เป็นการวิจัยเชิงทบทวนวรรณกรรมแบบพรรณนา (Narrative review) โดยดำเนินการสืบค้นข้อมูลจากฐานข้อมูลวิชาการ และวิเคราะห์ข้อมูลด้วยกระบวนการสกัดและสังเคราะห์องค์ความรู้จากงานวิจัยที่เกี่ยวข้องอย่างเป็นระบบ
ผลการวิจัย พบว่า 1) อุปกรณ์ EDA แสดงศักยภาพในการตรวจจับและจำแนกสภาวะความเครียดในระดับดีถึงดีมาก โดยมีค่าความถูกต้อง (accuracy) อยู่ในช่วงร้อยละ 82.4–98.8 และมีค่าสูงสุดที่ร้อยละ 94.8 ในเพศชาย และร้อยละ 98.8 ในเพศหญิง โดยเฉพาะในบริบทของการกระตุ้นความเครียดผ่านกิจกรรมเชิงปัญญา เช่น การปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์ (Human–Computer Interaction: HCI) ซึ่งสะท้อนถึงความไวของสัญญาณต่อการเปลี่ยนแปลงของระบบประสาทอัตโนมัติ 2) ความแม่นยำของการวัดมีลักษณะเป็นพลวัตและขึ้นอยู่กับปัจจัยหลายมิติ ได้แก่ ปัจจัยทางชีวภาพ (เช่น เพศและอายุ) ปัจจัยทางสรีรวิทยา (อุณหภูมิและความชื้นของผิวหนัง) ปัจจัยเชิงเทคนิค (ตำแหน่งการวัดและวิธีการประมวลผลสัญญาณ) ตลอดจนลักษณะของสิ่งเร้าความเครียด ทั้งนี้ EDA มีข้อจำกัดเชิงโครงสร้างจากการตอบสนองต่อสิ่งเร้าที่ไม่จำเพาะเจาะจง (non-specific stimuli) เช่น การออกกำลังกายหรือภาวะตื่นตัวทางอารมณ์ ซึ่งอาจก่อให้เกิดความคลาดเคลื่อนในการตีความผลลัพธ์
Article Details
เอกสารอ้างอิง
Alberdi, A., Aztiria, A., & Basarab, A. (2016). Towards an automatic early stress recognition system for office environments based on multimodal measurements: A review. Journal of Biomedical Informatics, 59, 49–75.
Can, Y. S., Arnrich, B., & Ersoy, C. (2019). Stress detection in daily life scenarios using smart phones and wearable sensors: A survey. Journal of Biomedical Informatics, 92, 103139.
Chu, B., Marwaha, K., Ayers, D., & Sanvictores, T. (2024). Physiology, stress reaction. StatPearls Publishing
Cox, O. D., Munjal, A., McCall, W. V., Miller, B. J., Baeken, C., & Rosenquist, P. B. (2023). A review of clinical studies of electrodermal activity and transcranial magnetic stimulation. Psychiatry Research, 329, 115535.
De Vries, S., Smits, R., Tataj, M., Ronckers, M., Van Oost, F., et al. (2022). Accurate stress detection from novel real-time electrodermal activity signals and multi-task learning models. In Proceedings of the AHFE International Conference.
Godoy, L. D., Rossignoli, M. T., Delfino-Pereira, P., Garcia-Cairasco, N., & de Lima Umeoka, E. H. (2018). A comprehensive overview on stress neurobiology: Basic concepts and clinical implications. Frontiers in Behavioral Neuroscience, 12, 127.
Hayley, S., Hakim, A. M., & Albert, P. R. (2021). Depression, dementia and immune dysregulation. Brain, 144(3), 746–760
Kong, Y., Posada-Quintero, H. F., Tran, H., Talati, A., Acquista, T. J., Chen, I.-P., et al. (2023). Differentiating between stress- and EPT-induced electrodermal activity during dental examination. Computers in Biology and Medicine, 155, 106695.
Liapis, A., Katsanos, C., Sotiropoulos, D., Xenos, M., & Karousos, N. (2015). Stress recognition in human-computer interaction using physiological and self-reported data: A study of gender differences. In Proceedings of the 19th Panhellenic Conference on Informatics. 323–328). ACM.
Markiewicz, R., Markiewicz-Gospodarek, A., & Dobrowolska, B. (2022). Galvanic skin response features in psychiatry and mental disorders: A narrative review. International Journal of Environmental Research and Public Health, 19(20), 13428.
Martínez-Rodrigo, A., Zangróniz, R., Pastor, J. M., & Sokolova, M. V. (2016). Arousal level classification of the aging adult from electrodermal activity: From hardware development to software architecture. Pervasive and Mobile Computing, 34, 46–59.
Pakarinen, T., Pietilä, J., & Nieminen, H. (2019). Prediction of self-perceived stress and arousal based on electrodermal activity. In Proceedings of the IEEE Engineering in Medicine and Biology Society (EMBC), 2191–2195.
Setz, C., Arnrich, B., Schumm, J., La Marca, R., Tröster, G., & Ehlert, U. (2010). Discriminating stress from cognitive load using a wearable EDA device. IEEE Transactions on Information Technology in Biomedicine, 14(2), 410–417.
Singh, A. A., Sharma, P., Verma, S., Kumar, S. K., Singh, A., & Akl, T. J. (2020). Electrodermal activity-based pre-surgery stress detection using a wrist wearable. IEEE Journal of Biomedical and Health Informatics, 24(1), 92–100.
Sugimine, S., Saito, S., & Takazawa, T. (2020). Normalized skin conductance level could differentiate physical pain stimuli from other sympathetic stimuli. Scientific Reports, 10,
Yaribeygi, H., Panahi, Y., Sahraei, H., Johnston, T. P., & Sahebkar, A. (2017). The impact of stress on body function: A review. EXCLI Journal, 16, 1057–1072.
Zangróniz, R., Martínez-Rodrigo, A., Pastor, J. M., López, M. T., & Fernández-Caballero, A. (2017). Electrodermal activity sensor for classification of calm/distress condition. Sensors, 17(10), 2324.
