Biosignaalit kertovat, missä ja miten keskityt parhaiten

Huono keskittyminen haittaa oppimista ja suoriutumista työssä. Nykyinen ympäristömme on usein täynnä ärsykkeitä, jotka vievät huomiomme. Ne lisäävät aivoissamme dopamiinituotantoa, mikä tekee pitkäjänteisen keskittymisen vaikeaksi. Professori Caj Södergård ja erikoistutkija Timo Laakko kehittivät VTT:llä koneoppimismallin keskittymisen arviointiin. Älylaitteilla voi olla mahdollista lähivuosina mitata myös keskittymiskykyä siinä missä ne nyt mittaavat askelia, pulssia, unen laatua ja stressiä.

Keskittymisongelmat ovat monelle arkipäivää ja syyt ongelmiin ovat yksilöllisiä. Niitä voi olla vaikea itse määritellä. Milloin ja millaisessa tilanteessa keskittyy parhaiten? Millainen opetus auttaa opiskelijoita keskittymään? Vasta keskittymistasoa mittaamalla voi opiskelija saada konkreettista tietoa siitä, millainen ympäristö, millaiset tilanteet ja ajankohdat ovat parhaita.

Keskittyminen on ominaisuus, joka voi tulevaisuudessa täydentää älylaitteiden tarjoamaa informaatiota. Koneoppimismallia voidaan tulevaisuudessa hyödyntää älykelloissa, aktiivisuusrannekkeissa, älysormuksissa tai muissa kannettavissa älylaitteissa – miksei vaikka korvakoruissa. Ominaisuutta voisivat hyödyntää myös oppilaitokset ja henkilöstökoulutusta tarjoavat yritykset auttamassa niitä luomaan optimaalisia, tehokkaita ja opiskelijoille räätälöityjä oppimismateriaaleja ja -tilanteita.

Koneoppimismallin kehittämisen taustalla on muutama vuosi sitten toteutettu Business Finlandin rahoittama ADECO-projekti, jossa selvitettiin, mitä tietoa biosignaalit kertovat oppimistilanteista ja keskittymiskyvystä. Tutkijat rakensivat pilvipalveluun datankeräysjärjestelmän mittaamaan koehenkilöiden keskittymistä biosignaaleista. Kuudentoista Haaga-Helia ammattikorkeakoulun opiskelijan jokapäiväisiä opintoja seurattiin muutaman viikon ajan. Opiskelijoilta kerättiin dataa koneoppimismallien pohjaksi. Tutkijat keräsivät tietoa opiskelijoiden biosignaaleista älyrannekkeen avulla: kehon liikkeitä, ihon sähkönjohtavuutta, sydämen sykettä, sykkeen vaihteluväliä ja ihon lämpötilaa. Samalla opiskelijat arvoivat kännykän avulla omaa keskittymiskykyään.

Tutkimuksessa käytettiin sekä päätöspuualgoritmeihin (boosted regression tree) että neuroverkkoihin (convolutional neural network) pohjautuvia koneoppimismalleja. Käyttäjien arviointeja omasta keskittymistasosta oli varsin niukalti, mutta mittausdataa paljon. Jotta voitiin hyödyntää biosignaaleja mittausjaksoista, joiden aikana koekäyttäjä ei ollut arvioinut keskittymistään, käytettiin osittain ohjattua (semi-supervised) koneoppimismenetelmää, mikä myös paransi tuloksia merkittävästi. Paras malli kertoi keskittymistason vain 1,7 %:n NMAE-virheellä.

Mallien avulla pääteltiin, että ihon lämpötila ennustaa keskittymiskyvyn tarkimmin. Myös ihon sähkönjohtamiskyky ja sykeväli olivat tärkeitä mittaussignaaleja. Signaalit käyttäytyivät päinvastaisesti kuin stressireaktioissa. Keskittymiskyky nimittäin lisääntyi, kun ihon lämpötila nousi. Samoin korkea ihon sähkönjohtamiskyky eli hikoilun lisääntyminen indikoivat keskittymiskyvyn puutetta.

Tulokset indikoivat, että hyvä keskittyminen opiskelussa edellyttää pitkäaikaista rentoutumista, toisin kun intensiivistä ponnistelua, mikä on tyypillistä paljon tutkituissa stressitilanteissa.

”Käytimme tutkimuksessamme biosignaaleja – pulssia, ihon lämpötilaa, sähkönjohtamiskykyä ja kehon kiihtyvyyttä – eli niitä samoja signaaleja, joita uusimmat älykellot ja rannekkeetkin käyttävät. Näin ollen tutkimustulostemme käyttöönotossa on kyse lähinnä ohjelmistopäivityksestä”, toteaa Caj Södergård.

Julkaisu: “Inferring students’ concentration levels in daily life using biosignal data from wearables“, https://doi.org/10.1109/ACCESS.2023.3260061