RoboStressCare: Multimodal AI-based System for Stress Detection and Management
Abstract
Det moderne livet utsetter oss for stress, som kan svekke både fysisk og psykisk helse over tid og svekke individuelle prestasjoner. Selv om det er utført omfattende forskning på stressdeteksjon, er det et betydelig gap i å utvikle en integrert løsning som både kan oppdage og håndtere stress effektivt. Dette gapet førte til etableringen av RoboStressCare, et tverrfaglig system som kombinerer kunstig intelligens med en humanoid robot og bærbar sensorteknologi for å støtte multimodal dataanalyse. Et eksperiment ble utført for å samle data fra to kilder: en bærbar sensorenhet og kameraet til den humanoide roboten, og skapte et datasett i en kontrollert setting. Deltakerne gjennomgikk økter designet for å indusere stress og avslapning mens de hadde på seg sensoren, med roboten som tok ansiktsbilder med jevne mellomrom. Dette systemet bruker multimodal dataanalyse for å oppdage stress, og ved deteksjon foreslår roboten intervensjoner for å lindre stress. Denne kostnadseffektive løsningen kan integreres i roboter uten innebygd støtte for stresshåndtering, noe som gjør den anvendelig på arbeidsplasser, helsetjenester, eldreomsorg eller ethvert miljø der stress er utbredt. Studien fremhever viktigheten av multimodal dataintegrasjon og personalisering i stressmestringsintervensjoner, og viser potensialet til adaptive AI-systemer for å møte individuelle behov effektivt. Modern life exposes us to stress, which can deteriorate both physical and mental health over time and impair individual performance. Although extensive research has been conducted on stress detection, they often fall short in developing an integrated solution that can both detect and manage stress effectively. To address this challenge, RoboStressCare system is created which is an interdisciplinary system that combines artificial intelligence with a humanoid robot and wearable sensor technology to support multimodal data analysis. An experiment was conducted to gather data from two sources: a wearable sensor device and the camera of the humanoid robot, creating a dataset in a controlled setting. Participants underwent sessions designed to induce stress and relaxation while wearing the sensor, with the robot capturing facial images at regular intervals. This system utilizes multimodal data analysis to detect stress, and upon detection, the robot suggests interventions to alleviate stress. This cost-effective solution can be integrated into robots without built-in support for stress management, making it applicable in workplaces, healthcare settings, elderly care, or any environment where stress is prevalent. The study highlights the importance of multimodal data integration and personalization in stress management interventions, showcasing the potential of adaptive AI systems to meet individual needs effectively.