Распознавание изменений психофизиологического состояния по характеристикам печати на клавиатуре
DOI:
https://doi.org/10.54359/ps.v17i95.1594Ключевые слова:
печать на клавиатуре, клавиатурный почерк, психофизиологическое состояние, мониторинг, стресс, цифровое фенотипированиеАннотация
Поиск способа мониторинга психофизиологического состояния, который сам по себе не вызывает изменения состояния, не отвлекает специалиста от его основной работы и не требует привлечения дорогостоящего оборудования, сохраняет свою актуальность. Цель работы —оценить возможность определения психологического состояния по изменению характеристик печати на клавиатуре, для чего использовались 2 парадигмы, описанные в литературе: «фиксированный текст» и «свободный текст» [Vizer et al., 2009]. Проводилось психологическое тестирование, включавшее в себя методики для оценки эмоционального состояния, параллельно производилась регистрация кардиоритмограммы и кожно-гальванической реакции. Характеристики печати на клавиатуре оценивались в фоновом состоянии и после индуцирования психоэмоционального стресса. В стрессовом состоянии наблюдалась бóльшая продолжительность выполнения задания и время пауз между нажатиями на клавиши, увеличивалось число исправлений в тексте. Выявлена связь между средней продолжительностью интервалов, количеством пауз и скоростью набора текста с уровнем исходной тревоги. Предположительно, для эффективного распознавания стресса потребуется построение индивидуальных моделей, учитывающих исходное состояние и психологические особенности оператора. В перспективе регистрация характеристик печати на клавиатуре может быть использована для долгосрочного мониторинга психофизиологического состояния людей, работа которых предполагает ежедневное использование ПК, например, во время длительных изоляционных экспериментов и научных экспедиций.
Скачивания
Литература
Arroyo-Gallego T., Ledesma-Carbayo M.J., Butterworth I., Matarazzo M., Montero-Escribano P., Puertas-Martín V., Gray M.L., Giancardo L., Sánchez-Ferro A. Detecting Motor Impairment in Early Parkinson’s Disease via Natural Typing Interaction With Keyboards: Validation of the neuroQWERTY Approach in an Uncontrolled At-Home Setting. J Med Internet Res, 2018, No. 20(3) DOI: 10.2196/jmir.9462
Bradley M.M., Lang P.J. Measuring emotion: the self-assessment manikin and the semantic differential. J. Behav. Ther. & Exp. Psychiat., 1994, No. 25(1), 49–59.
De Jong M., Jolij J., Pimenta A., Lorist M.M. Age Modulates the Effects of Mental Fatigue on Typewriting. Front. Psychol, 2018, No. 9, 1113. DOI: 10.3389/fpsyg.2018.01113
Doskin V.A., Lavrent'eva N.A., Miroshnikov M.P., SHaraj V.B. The test of differential functional state self-estimation. Voprosy psihologii, 1973, No. 6, 141–145. (In Russian)
Epp C., Lippold M., Mandryk R.L. Identifying Emotional States Using Keystroke Dynamics. In Proceedings of the 2011 Annual Conference on Human Factors in Computing Systems (CHI 2011), Vancouver, BC, Canada. 715–724. DOI: 10.1145/1978942.1979046.
Giancardo L., Sánchez-Ferro A., Butterworth I., Mendoza C.S., Hooker J.M. Psychomotor Impairment Detection via Finger Interactions with a Computer Keyboard During Natural Typing. Scientific reports, 2015, No. 5, 9678. DOI: 10.1038/srep09678
Jain S.H., Powers. B.W., Hawkins J.B., Brownstein J.S. The digital phenotype. Nature Biotechnology, 2015, No. 33(5), 462–463. DOI: 10.1038/nbt.3223. ISSN 1087-0156. PMID 25965751.
Khan I.A., Brinkman W.P., Fine N., Hierons R.M. Measuring Personality from Keyboard and Mouse Use/ ECCE'08, 2008, Madeira, Portugal. ACM 978-1-60558-399-0/08/09. DOI: 10.1145/1473018.1473066
Khanna P., Sasikumar M. Recognising emotions from keyboard stroke pattern. International Journal of Computer Applications, 2010, No. 11(9), 1–5.
Khomenko Y.G, Kataeva G.V., Boytsova Y.A., Starchenko M.G. Use of keystroke dynamics characteristics for thr psychophysiologuical state monitoring. Vestnik psihofiziologii, 2018, No. 4, 28–33. (In Russian)
Kolakowska A. Usefulness of Keystroke Dynamics Features in User Authentication and Emotion Recognition. Human-Computer Systems Interaction, Advances in Intelligent Systems and Computing, 2018, 551. DOI: 10.1007/978-3-319-62120-3_4
Krasavtseva Y.V. Anticipated and resulting emotions in decision-making regulation. In: Bulletin of the Moscow Region State University. Series: Psychology, 2020, No. 2, 18–33. DOI: 10.18384/2310-7235-2020-2-18-33 (In Russian)
Lee P., Tsui W., Hsiao T. The influence of emotion on keyboard typing: an experimental study using visual stimuli. BioMedical Engineering OnLine, 2014, No. 13, 81. http://www.biomedical-engineering-online.com/content/13/1/81
Lydon-Staley D.M., Barnett I., Satterthwaite T.D., Bassett D.S. Digital phenotyping for psychiatry: Accommodating data and theory with network science methodologies. Curr Opin Biomed Eng., 2019, No. 9, 8–13. DOI: 10.1016/j.cobme.2018.12.003.
Majumder S., Deen M.J. Smartphone Sensors for Health Monitoring and Diagnosis. Sensors, 2019, No. 19(9), 2164. DOI: 10.3390/s19092164
Monrose F., Rubin A. Keystroke Dynamics as a Biometric for Authentication. Future Generation Computer Systems, 2000, No. 16, 351–359. DOI: 10.1016/S0167-739X(99)00059-X
Murnane E.L., Abdullah S., Matthews M., Kay M., Kientz J.A.,Choudhury T., Gay G., Cosley D. Mobile Manifestations of Alertness: Connecting Biological Rhythms with Patterns of Smartphone App Use. Mobile HCI, 2016, 465–477. DOI: 10.1145/2935334.2935383.
Nozawa A., Uchida M., Mizuno T. Analysis of 1/f Fluctuation of Keystroke Dynamics and Heart Rate Variability/ 22nd International Conference on Noise and Fluctuations ICNF 2013, 978-1-4799-0671-0/13/. DOI: 10.1109/ICNF.2013.6578925
Onnela J.P., Rauch S.L. Harnessing Smartphone-Based Digital Phenotyping to Enhance Behavioral and Mental Health. Neuropsychopharmacology, 2016, No. 41(7), 1691–1696. DOI: 10.1038/npp.2016.7
Rabinowitz I., Lavner Y. Association between finger tapping, attention, memory, and cognitive diagnosis in elderly patients. Percept Mot Skills, 2014, No. 119(1), 259–278. DOI: 10.2466/10.22.PMS.119c12z3.
Saeb S., Lattie E., Schueller E., Kording E., Mohr D. The relationship between mobile phone location sensor data and depressive symptom severity PeerJ, 2016, No. 4, e2537. DOI: 10.7717/peerj.2537
Shichkina Y.A., Kataeva G.V., Irishina Y.A., Stanevich E.S. The use of mobile phones to monitor the status of patients with parkinson’s disease Journal of Wireless Mobile Networks, Ubiquitous Computing, and Dependable Applications, 2020, No. 11(2), 55–73.
Þórarinsdóttir H., Kessing L.V., Faurholt-Jepsen M. Smartphone-Based Self-Assessment of Stress in Healthy Adult Individuals: A Systematic Review. J Med Internet Res., 2017, No. 19(2), e41. DOI: 10.2196/jmir.6397
Torous J., Kiang M.V., Lorme J., Onnela J. New Tools for New Research in Psychiatry: A Scalable and Customizable Platform to Empower Data Driven Smartphone Research. JMIR Mental Health, 2016, No. 3(2), e16. DOI: 10.2196/mental.5165.
Torous J., Staples P., Onnela J. Realizing the Potential of Mobile Mental Health: New Methods for New Data in Psychiatry. Current Psychiatry Reports., 2015, No. 17(8), 61. DOI: 10.1007/s11920-015-0602-0.
Trifan A., Oliveira M., Oliveira J.L. Passive Sensing of Health Outcomes Through Smartphones: Systematic Review of Current Solutions and Possible Limitations. JMIR Mhealth Uhealth, 2019, No. 7(8), e12649. DOI: 10.2196/12649.
Tsafilkou K., Protogeros N. Mouse Behavioral Patterns and Keystroke Dynamics in End-User Development: what can they tell us about users’ behavioral attributes? Computers in Human Behavior, 2018, 83. DOI: 10.1016/j.chb.2018.02.012
Twose J., Licitra G., McConchie H., Lam K.H., Killestein J. Early-warning signals for disease activity in patients diagnosed with multiple sclerosis based on keystroke dynamics. Chaos, 2020, No. 30(11), 113133. DOI: 10.1063/5.0022031
Ulinskas M., Damaševičius R., Maskeliūnas R., Woźniak M. Recognition of human daytime fatigue using keystroke data. Procedia Computer Science, 2018, No. 130, 947–952.
Vizer L.M., Sears A. Classifying Text-Based Computer Interactions for Health Monitoring. IEEE Pervasive Computing, 2015, No. 14(4), 64–71.
Vizer L.M., Zhou L., Sears A. Automated Stress Detection Using Keystroke and Linguistic Features: An Exploratory Study. Intl J. Human-Computer Studies, 2009, No. 67(10), 870–886.
Vizer L.M., Zhou L., Sears A. Efficacy of personalized models in discriminating high cognitive demand conditions using text-based interactions. International Journal of Human – Computer Studies, 2017, No. 104, 80–96. DOI: 10.1016/j.ijhcs.2017.03.001
Wahle F., Kowatsch T., Fleisch E., Rufer M., Weidt S. Mobile Sensing and Support for People With Depression: A Pilot Trial in the Wild. JMIR Mhealth Uhealth, 2016, No. 4(3), e111. DOI: 10.2196/mhealth.5960
Witt S.T., Laird A.R., Meyerand M.E. Functional neuroimaging correlates of finger-tapping task vari-ations: an ALE meta-analysis. Neuroimage, 2008, No. 42(1), 343–356. DOI: 10.1016/j.neuroimage.2008.04.025
Загрузки
Число просмотров
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
