KI-basierte Stresserkennung für den Einsatz in psychologischen Stresstrainings

Zusammenfassung

Stress ist für Einsatzkräfte eine häufige Herausforderung und kann langfristige gesundheitliche Folgen haben. Virtuelle Realitäten (VR) bieten eine innovative Umgebung, realitätsnahe psychologische Stresstrainings für Einsatzkräfte zu ermöglichen, indem spezifische Stressoren in simulierten Umgebungen geübt werden. Physiologische Daten werden zur Bewertung individueller Stressreaktionen herangezogen. Maschinelles Lernen kann eine präzise Stresserkennung ermöglichen. Hierbei spielen Frugal Artificial Intelligence (AI)-Ansätze eine besondere Rolle, die nur geringe Datenmengen benötigen und dennoch zuverlässige Klassifikationen liefern. So können VR-Stresstraining und spezifische Bewältigungstechniken langfristig die Belastbarkeit von Einsatzkräften stärken.

Einleitung und Hintergrund: Stress bei Einsatzkräften

Ein Soldat bewegt sich durch ein scheinbar verlassenes Haus – sein Auftrag: Aufklären des Gebäudes. Die Operationsleitung hat ihm mitgeteilt, dass das Gebäude noch nicht untersucht ist und dass Feindkontakt möglich ist. Es ist daher verstärkt auf Eigensicherung zu achten. Plötzlich dringen Geräusche aus einem Nebenraum. Es nähern sich schnelle Schritte, eine Waffe wird entsichert – „Stopp!“ ruft der Trainer und der Soldat nimmt die VR-Brille ab. Anstelle im Einsatzort befindet er sich im virtuellen Trainingszentrum für Einsatzkräfte und absolviert gerade das Eingangsszenario um sich mit dem Umgang mit der virtuellen Welt vertraut zu machen. Das Ziel ist es, den Umgang mit Stress erzeugenden Situationen zu üben und den Umgang mit Stress zu lernen.

Stress ist nach Lazarus und Folkman die Forderung einer Person bis an ihre Grenzen und darüber hinaus. Stress ist dabei nicht per se durchweg als etwas Negatives zu betrachten, sondern gehört zum Alltag dazu. Es gibt verschiedene Stressmodelle, die sich damit beschäftigen, was Stress ist und wie er entsteht. Walter Cannon prägte 1915 den bekannten Begriff “Fight-or-Flight”. Er bezeichnet die schnelle Anpassung von Körper und Psyche auf herausfordernde oder gefährliche Situationen. Besonders hervorzuheben ist dabei die neurobiologische Betrachtung von Stress durch Cannon, angetrieben von seinem Interesse an der posttraumatischen Belastungsstörung von Soldaten nach und während des Ersten Weltkrieges. Stress kann, wenn er zum Dauerzustand wird, weitreichende physische und psychische Folgen haben, wie ein erhöhtes Risiko für Herz-Kreislauf-Erkrankungen, Schlafstörungen, Verdauungsstörungen und Konzentrationsschwierigkeiten. Daher ist es notwendig, besonders jene Personengruppen umfassend im Umgang mit Stress auszubilden und vorzubereiten, die sich immer wieder beruflich in belastende Situationen begeben müssen. Dazu zählen insbesondere zivile Rettungskräfte, PolizistInnen und SoldatInnen (im folgenden Einsatzkräfte genannt). Diese sehen sich mit einer Vielzahl von Herausforderungen und möglichen Stressoren konfrontiert, wie z. B. organisatorischen und institutionellen Stressoren, einer Bedrohungslage, Verletzungen oder moralischen Dilemmata. Psychologische Stresstrainings, u. a. basierend auf dem Stressimpfungstraining nach Donald Meichenbaum, sind dabei eine Möglichkeit, die möglichen Herausforderungen zu adressieren und das Training in einer kontrollierten Umgebung zu ermöglichen. Hierbei spielen Virtuelle Realitäten eine besondere Rolle. In diesen können verschiedene immersive Szenarien in unterschiedlichen Schwierigkeitsstufen durch Einsatzkräfte erlebt und Handlungen sowie der Umgang mit Stress trainiert werden.

Stresstrainings in virtuellen Realitäten

Es gibt bereits verschiedene Studien zu VR-Stresstrainings, im folgenden werden zum Überblick nur vier beispielhaft genannt: Das Scoping-Review von Ladakis, Filos und Chouvarda untersucht die aktuelle Rolle von VR im Kontext von Stresstrainings. Hier zeigte sich eine Verbreitung von Stresstraining vor allem für die breite Bevölkerung (59 %), aber auch für mehr spezialisierte Kontexte. So gibt es bereits verschiedene Entwicklungen und Studien über die Verwendung von VR für das Training von Einsatzkräften. Im Bereich der Polizeiausbildung wird zum Beispiel ein atembasiertes HRV Biofeedback-Training getestet. Für die Australian Defence Force wurde eine eigene Stressmanagementplattform in VR entwickelt, die eine biofeedbackgestützte Ausbildung ermöglicht und Techniken zum Stressmanagement vermittelt. Von den Studienteilnehmern (n = 189) wurde die Plattform als ein effektives und hilfreiches Trainingstool bewertet. Physisch zeigte sich im Verlauf des Trainings eine Reduzierung der Atemfrequenz und Verminderung der Anspannung. Die Studie von Dillard, Martaindaile und McAllister zum Einfluss von Atemtechniken auf das Stresserleben in einem VR Shooter Drill Training am Advanced Law Enforcement Rapid Response Training in den USA zeigte, dass die Anwendung von Atemtechniken in VR das Stresserleben reduzieren können.

Erhebung physiologischer Parameter in VR mittels Sensorik

Um Aussagen darüber zu treffen, wie Personen auf ein Stresstraining reagieren und ob die dargestellten Herausforderungen und Stressoren überhaupt Stress bei einer Person erzeugen, ist es notwendig, die physiologischen Reaktionen während des VR-Trainings zu erheben. Im Bereich von virtuellen Trainings werden insbesondere Daten des elektrodermalen Aktivität (Electrodermal Activity = EDA), von Elektrokardiogrammen (EKG) und durch die Photoplethysmographie (PPG) gewonnen. Zur Erhebung der genannten Parameter kommt Sensorik, wie z. B. Wearables, zum Einsatz. Die Sensoren weisen dabei unterschiedliche Vor- und Nachteile auf. Die EDA wird zum Beispiel häufig an der Innenseite der Hand oder des Fußes gemessen, was im Rahmen von Stressresilienztrainings in VR nur bedingt möglich ist. Die Messung von Daten des kardiovaskulären Systems mit Hilfe von EKG- oder PPG-Sensoren stellt zumeist eine leichter durchführbare Möglichkeit dar. Ein EKG erfordert im Regelfall entweder die Anlage mehrerer Elektroden oder die Verwendung eines Brustgurts, während der Blutvolumenpuls über die PPG auch mit Hilfe eines einfach verwendbaren Armbandes erfolgen kann.

Der Einsatz von Sensorik in Kombination mit der Verwendung qualitativer Methoden aus der Psychologie kann eine Möglichkeit sein, um VR-Stresstrainings für Einsatzkräfte weiterzuentwickeln. Wie jedoch auch ein Forscherteam um Ioannis Ladakis festhält, ist eine aktuelle Herausforderung beim Einsatz von VR-Stresstrainings die Erkennung und Bewertung von Stress bereits während des Trainings, um Aussagen darüber zu treffen, wie einzelne Personen auf bestimmte einsatzrelevante Stressoren reagieren, ob diese Reaktion Stress bedeutet und ob es individuelle Abhängigkeiten im Stresserleben von weiteren Faktoren im VR-Training gibt.

Methodischer Ansatz: Stresserkennungssysteme für virtuelle Stresstrainings

Zur Identifikation und Klassifikation von Stress in einem VR-Training wird daher neben der Sensorik auch ein Stresserkennungssystem benötigt. Dieses sollte einerseits detailliert Auskunft über den Stresszustand einer Person geben und andererseits aber auch eine vereinfachte Form der Auswertung für die Anwender bereitstellen. Ein in der Praxis verwendbares Stresserkennungssystem sollte einen niedrigen Aufwand in der Anwendung während des Trainings, sowie eine geringe Vor- und Nachbereitungszeit ermöglichen. Weiterhin sollte es eine zeitnahe Einschätzung des Zustands vornehmen, ein robust verwendbares System darstellen und eine ausreichende Beurteilungsgüte aufweisen.

Dies erfordert die Verwendung von Sensoren, deren Anlage einfach zu handhaben ist und die den Trainierenden nicht negativ beeinflussen. Dies geht einher mit der Beschränkung auf wenige, ausgewählte Sensormodalitäten. Die angestrebte personalisierte Stresserkennung erfordert allerdings Daten der Trainierenden. Daher ist ein solches System nicht zu Beginn des Trainings verfügbar. Zwar lassen sich vor Beginn Daten des Ausgangszustandes erheben, wobei hier aber nicht davon ausgegangen werden kann, dass der Trainierende sich in einem Ruhezustand befindet, wenn dieser nicht durch gezielte Maßnahmen herbeigeführt wird.

Die oben erwähnten Anforderungen führen zu der folgenden Fragestellung: Welche Leistungsfähigkeit zeigen vorabtrainierte Stressklassifikationssysteme, welche nicht auf den einzelnen Probanden abgestimmt sind und nur Daten eines Sensortyps verwenden?

Die Vielzahl der Stresserkennungsansätze verwendet Techniken des maschinellen Lernens, wobei sowohl klassische Ansätze als auch Methoden des Deep Learnings zur Anwendung kommen. Klassische Ansätze setzen vorab die Herleitung von Merkmalen voraus. Im Fall von Daten des kardiovaskulären System z. B. können Kenngrößen der Herzfrequenzvariabilität zu diesem Zweck herangezogen werden.

Deep Learning Ansätze benötigen dies in der Regel nicht, weisen aber einen höheren Datenbedarf auf.

Ein wichtiges Forschungsfeld in diesem Bereich bildet daher die sogenannte Frugal AI. Diese umfasst Techniken, welche es erlauben, mit geringen Datenmengen auszukommen. Aufgrund der hohen Bedeutung der Fragestellungen für viele Anwendungen im medizinischen und militärischen Bereich, erfährt die Frugal AI eine rege Forschungstätigkeit mit einem großen Pool unterschiedlicher Methoden. Das dtec.bw Smart Health Lab (https://www.unibw.de/shl) arbeitet hier in dem durch den European Defense Fund geförderten internationalen Projekt „Knowledge Extraction, Machine Learning and other AI approaches for secure, robust, frugal, resilient and explainable Solutions in Defence Applications (KOIOS)“ (https://www.koiosproject.eu/project/) an einer Nutzbarmachung dieser Methoden für Verteidigungs-Anwendungen.

Eine weitverbreitete Technik stellt das sogenannte Transfer Learning dar. Im Bereich Deep Learning ist es insbesondere für das Feld der Computer Vision im Gebrauch. Hier werden in der Mehrzahl sogenannte Convolutional Neural Networks (CNNs) verwendet, welche die Bilder mit Hilfe von Filtern abtasten und die Informationen im Netzwerk Schicht für Schicht aufarbeiten. Moderne Netzwerkarchitekturen umfassen dabei mehrere Hundert Millionen Parameter, welche trainiert werden müssen. Der Aufwand für ein solches Training und die dafür notwendige Datenmenge ist immens. Allerdings weisen bereits trainierte CNNs eine vorteilhafte Eigenschaft auf: Sie arbeiten als hintereinander geschachtelte Merkmalsextraktoren, welche von allgemeinen, für viele Bilder geltenden Eigenschaften hin zu spezialisierten Extraktoren wie z. B. für die Gesichtserkennung führen. Dies erlaubt es, beim Training die anfänglichen Schichten außer Acht zu lassen und verringert signifikant den notwendigen Zeit- und Datenbedarf. Damit wird ein Einsatz der leistungsstärksten Architekturen möglich, die sonst aufgrund der Größe nicht angewendet werden könnten. Hierfür ist es allerdings notwendig, die Zeitreihen der Sensordaten in Bilder zu überführen, das heißt ein sogenanntes Image Encoding zu erzeugen. Hier stehen mehrere Möglichkeiten zur Verfügung, die unterschiedliche Eigenschaften der ursprünglichen Ausgangssignale bewahren bzw. verstärken.

Weit verbreitet sind sogenannte Gramian Angular Fields, welche die zeitliche Korrelation der Daten berücksichtigen, oder auch Skalogramme, die durch Zeitfrequenzanalysen erhalten

werden. Eine weitere interessante Möglichkeit stellt die Symmetric Projection Attractor Reconstruction (SPAR) dar – eine Transformation, welche eine anschauliche Visualisierung erlaubt und vor einigen Jahren im medizinischen Bereich eingeführt wurde.

Ergebnisse

Unsere Untersuchung ergab deutliche Vorteile für Skalogramme und SPAR-Abbildungen. Wir berichten im Folgenden die Resultate für den WESAD Datensatz, einen offenen Datensatz, der sich seit seiner Einführung als Referenz herausgebildet hat. Wir verwenden aus dieser Menge die PPG-Daten ohne weitere Datenaufbereitung, um analysieren zu können, welche Ergebnisse ohne eine Filterung und Artefaktbereinigung erzielt werden können. Als beste Architektur stellte sich das EfficientNetV2L-Netzwerk heraus. Diese erreichte auf Skalogrammen eine Güte von 0,76 (Median) für die Unterscheidung dreier verschiedener Zustände. Die Untersuchung der Daten einzelner Personen verdeutlicht allerdings auch die Grenzen eines generellen Klassifikationssystems: es zeigt sich eine ausgeprägte Variation von Person zu Person, welche von über 0,9 bis unter 0,6 reicht. Eine detaillierte Analyse der Daten und der Experimentalbedingungen ergab, dass die Erkennung eines gering vertretenen Zustandes eine Herausforderung darstellt und dass bei zumindest einer Person nicht davon ausgegangen werden kann, dass bei ihr ein wirklicher Stresszustand erreicht werden konnte.

Fazit

Die Ergebnisse sind aus unserer Sicht sehr zufriedenstellend und zeigen, dass ein mit Transfer Learning trainierter Klassifikator als Ausgangssystem verwendet werden kann. Gleichzeitig machen sie aber auch deutlich, dass eine Anpassung der Systeme an den einzelnen Probanden einen notwendigen Schritt darstellt. Aktuell arbeitet das Team daher an einer Nutzbarmachung von weiteren Techniken der Frugal AI, welche eine dezidierte Personalisierung ermöglichen.

Im nächsten Schritt wird der Einsatz in verschiedenen VR Stresstrainings im dtec.bw Smart Health an der Universität der Bundeswehr München erprobt, um Erkenntnisse darüber zu erlangen, welche einsatzrelevanten Stressoren für welche Personen relevant sind und welche Techniken zur Stressreduktion in VR unter welchen Umständen wirksam sind. Die Verbindung von Informatik und Psychologie als sich gegenseitig verstärkender Ansatz im Bereich der Stressforschung zeigt sich hier vielversprechend, so dass insbesondere das Training von SoldatInnen in VR davon profitieren kann.

Hinweise zur Förderung

This article is funded by the Project KOIOS [101103770] which has been financed by the European Commission under the European Defence Fund and by dtec.bw – Digitalization and Technology Research Center of the Bundeswehr. dtec.bw is funded by the European Union – NextGenerationEU.

Der Artikel beruht in Teilen auf einer zur Begutachtung eingereichten Konferenzpublikation der Autoren sowie des Stresskonzeptes im Rahmen des BMBF geförderten Projektes STRESS (Stressresilienz durch Exposition in der simulierten Vorsichtung). Dieses Projekt wird gefördert im Zuge der Bekanntmachung „Zivile Sicherheit – KMU-innovativ: Forschung für die zivile Sicherheit (03. Juli 2018)“ des BMBF im Rahmen des Programms „Forschung für die zivile Sicherheit“ der Bundesregierung mit dem Förderkennzeichen:13N16312. 

Nachweise

1. Lazarus, R.S., & Folkman, S. (1984). Stress, appraisal, and coping. Springer. 

2. Cannon, W. B. (1915). Bodily changes in pain, hunger, fear, and rage. Appleton-Century-Crofts. 

3. Mausz, J., Donnelly, E. A., Moll, S., Harms, S., & McConnell, M. (2022). Mental Disorder Symptoms and the Relationship with Resilience among Paramedics in a Single Canadian Site. International journal of environmental research and public health, 19(8), 4879. https://doi.org/10.3390/ijerph19084879 

4. Riedel, P.-L., Kreh, A., Kulcar, V., Lieber, A., & Juen, B. (2022). A Scoping Review of Moral Stressors, Moral Distress and Moral Injury in Healthcare Workers during COVID-19. International Journal of Environmental Research and Public Health, 19(3), 1666. https://doi.org/10.3390/ijerph19031666 

5. Frankfurt, S., Coady, A., Grunthal, B.E.-L., Stephanie, & Litz, B.T. (2020). Moral injury in service members and veterans. In U. Kumar (Ed.), The Routledge International Handbook of Military Psychology and Mental Health (pp. 497-512). Routledge.

6. Kumar, U. (Ed.). (2020). The Routledge International Handbook of Military Psychology and Mental Health. Taylor & Francis. 

7. Tvaryanas, A.P., Maupin, G.M., White, E.D., Schroeder, V.M., & Mahaney, H.J. (2018). Examination of the PC-PTSD in previously deployed Air Force Medical Service personnel. Military Psychology, 30(4), 295-301. https://doi.org/10.1080/08995605.2018.1425584

8. Trautmann, S., Goodwin, L., Höfler, M., Jacobi, F., Strehle, J., Zimmermann, P., & Wittchen, H.-U. (2017). Prevalence and severity of mental disorders in military personnel: a standardised comparison with civilians. Epidemiology and Psychiatric Sciences, 26(2), 199-208. https://doi.org/10.1017/s204579601600024x 

9. Streb, M., & Michael, T. (2015). Posttraumatische Belastungsstörung bei ­medizinischen Rettungskräften. PiD - Psychotherapie im Dialog, 16(02), 63-65. https://doi.org/10.1055/s-0041-101057 

10. Meichenbaum, D. (2012). Intervention bei Stress: Anwendung und Wirkung des Stressimpfungstrainings. Verlag Hans Huber. 

11. Ladakis, I., Filos, D., & Chouvarda, I. (2024). Virtual reality environments for stress reduction and management: a scoping review. Virtual Reality, 28(1), 1. https://doi.org/10.1007/s10055-024-00943-y 

12. Abele, M., van Peer, J.M., Brammer, J.C., Nies, A., van Rooij, M.M.J.W., Oostenveld, R., Dorrestijn, W., Smit, A.S., Roelofs, K., Klumpers, F., & Granic, I. (2022). Deep-Breathing Biofeedback Trainability in a Virtual-Reality Action Game: A Single-Case Design Study With Police Trainers. Front Psychol, 13, 806163. https://doi.org/10.3389/fpsyg.2022.806163 

13. Kluge, M.G., Maltby, S., Kuhne, C., Walker, N., Bennett, N., Aidman, E., Nalivaiko, E., & Walker, F.R. (2023). Evaluation of a Virtual Reality Platform to Train Stress Management Skills for a Defense Workforce: Multisite, Mixed Methods Feasibility Study. J Med Internet Res, 25, e46368. https://doi.org/10.2196/46368 

14. Dillard, C.C., Martaindale, H., & McAllister, M.J. (2023). Slow Breathing Reduces Markers of Stress in Response to a Virtual-Reality Active Shooter Training Drill. In International Journal of Exercise Science: Conference Proceedings 2(15) (p. 8). https://digitalcommons.wku.edu/ijesab/vol2/iss15/8 

15. Giannakakis, G., Grigoriadis, D., Giannakaki, K., Simantiraki, O., Roniotis, A., & Tsiknakis, M. (2019). Review on psychological stress detection using biosignals. IEEE transactions on affective computing, 13(1), 440-460. https://doi.org/10.1109/TAFFC.2019.2927337 

16. Saha, Sumit (2018, Dec. 15). A Comprehensive Guide to Convolutional Neural Networks — the ELI5 way. https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53 

17. Niu, S., Liu, Y., Wang, J., & Song, H. (2020). A decade survey of transfer learning (2010–2020). IEEE Transactions on Artificial Intelligence, 1(2), 151-166. https://doi.org/10.1109/TAI.2021.3054609 

18. Wang, Z., & Oates, T. (2015, April). Encoding time series as images for visual inspection and classification using tiled convolutional neural networks. In Workshops at the twenty-ninth AAAI conference on artificial intelligence. 

19. Nandi, M., & Aston, P. J. (2020). Extracting new information from old waveforms: Symmetric projection attractor reconstruction: Where maths meets medicine. Experimental physiology, 105(9), 1444-1451. https://doi.org/10.1113/EP087873 

20. Schmidt, P., Reiss, A., Duerichen, R., Marberger, C., & Van Laerhoven, K. (2018, October). Introducing WESAD, a multimodal dataset for wearable stress and affect detection. In Proceedings of the 20th ACM international conference on multimodal interaction (pp. 400-408). https://doi.org/10.1145/3242969.3242985 

21. Tan, M., & Le, Q. (2021, July). Efficientnetv2: Smaller models and faster training. In International conference on machine learning (pp. 10096-10106). PMLR. https://doi.org/10.48550/arXiv.2104.00298