Psyquiatry online Brazil
polbr
Volume 22 - Novembro de 2017
Editor: Giovanni Torello

 

Julho de 2014 - Vol.19 - Nº 7

Artigo do mês

DESENVOLVIMENTO DE INSTRUMENTAÇÃO BIOMÉDICA PARA A DETECÇÃO E CONSCIENTIZAÇÃO DOS NÍVEIS DE ESTRESSE E DE ANSIEDADE

Luís Junqueira
Laboratório de Tecnologia Assistiva
Programa Integrado em Engenharia Biomédica, UMC
[email protected]

A identificação de sinais fisiológicos relacionados ao estresse e à ansiedade pode contribuir para que o indivíduo se conscientize de seu estado e possa tomar atitudes preventivas contra o agravamento do quadro. Dentre algumas das técnicas utilizadas para se obter este resultado está aquela conhecida como biofeedback, que envolve a medição de um determinado sinal fisiológico e a sua exibição imediata para o indivíduo que está sendo avaliado (LEMAIRE, J. et al., 2011). Um dispositivo de biofeedback pode ser algo tão simples como um termômetro utilizando um sensor em contato com o ponto em que se quer medir a temperatura, geralmente o dedo de uma das mãos, e um display para exibir o resultado da medição. O indivíduo, observando a variação de temperatura no display, toma então consciência de quais situações o deixam estressado e em quais situações ele permanece relaxado.

Uma vez ciente das circunstâncias que lhe causam o estresse, o indivíduo poderá se utilizar de algum método de intervenção para eliminar ou diminuir o estresse ao se deparar novamente com tais circunstâncias, como, por exemplo, a realização de exercícios de respiração diafragmática para retornar ao seu estado normal (DUNSTER, 2012).

Além da temperatura, normalmente abreviada por ST (Skin Temperature nas iniciais em inglês), outras variáveis fisiológicas geralmente utilizadas com a técnica de biofeedback são a pressão arterial - BP (Blood Pressure nas iniciais em inglês), a resistência galvânica da pele - GSR (Galvanic Skin Response nas iniciais em inglês), o fluxo de volume sanguíneo BVP (Blood Volume Pulse na abreviação em inglês), a variação da frequência cardíaca - HRV (Heart Rate Variability nas iniciais em inglês), a taxa de respiração (RESP) e ainda os sinais de eletrocardiografia (ECG) e de eletromiografia (EMG).

Quando os sinais de biofeedback estão relacionados especificamente ao encéfalo, a técnica também é conhecida como neurofeedback. Neste caso, são utilizados os sinais de EEG (eletroencefalografia) ou de HEG (hemoencefalografia) para representar as atividades cerebrais e treinar o indivíduo na autorregularão dos estados desejados.

A utilização do biofeedback se mostra particularmente útil no caso de utilização de técnicas de relaxamento que dependam de resposta involuntária, como no caso dos métodos de Relaxamento Progressivo, da Dessensibilização Sistemática e do Relaxamento Autógeno.

 

 

 

2. Gerenciamento do Estresse

 

Na prevenção e gerenciamento do estresse, exemplos da aplicação específica da técnica de biofeedback podem ser encontrados em diversos estudos realizados desde a década de 70. Dentre os mais recentes, podemos citar os trabalhos de Lemaire et al (2011), que conduziram um ensaio clínico controlado e randomizado sobre a eficiência de uma ferramenta de gerenciamento de estresse em profissionais médicos; de Ratanasiripong et al (2012), que conduziram um estudo randomizado e controlado sobre intervenções em situações de estresse e ansiedade em estudantes de enfermagem; e o relato de caso apresentado por Dunster (2012) de gerenciamento do estresse em mulheres na menopausa. Os três trabalhos citados utilizaram como variável fisiológica a frequência cardíaca e todos apresentaram resultados positivos no gerenciamento do estresse a partir da utilização da técnica de biofeedback.

 

 

 

3. Detecção do Estresse

 

A detecção do estresse a partir da variação de sinais fisiológicos pode ser realizada por dispositivos de biofeedback, conforme dito anteriormente, e se baseia principalmente em medições da temperatura da superfície do corpo, da resistência galvânica da pele, da frequência cardíaca, da pressão arterial, da taxa de respiração e dos sinais de eletromiografia e de eletroencefalografia. Para cada uma dessas variáveis fisiológicas são utilizados sensores e dispositivos específicos de aquisição de sinais que fornecem a indicação de leitura através de  gráficos, escalas graduadas, indicadores luminosos ou indicadores sonoros (SHI, 2010), (SHARMA & GEDEON, 2012), (GIAKOUMIS, 2013).

A utilização de sistemas computadorizados para aquisição de sinais biológicos ampliou as possibilidades de análise das variáveis fisiológicas coletadas, em função da capacidade de armazenamento e processamento de tais sistemas e pela possibilidade de gerar gráficos e tabelas a partir dos registros realizados. Jafarova & Shtark (1998) destacam que o desenvolvimento de sistemas computadorizados de biofeedback se deu em função do desenvolvimento de novos sistemas computacionais e de circuitos para processamento de sinais digitais (DSP), aliados a ampliação da utilização da técnica em diversas áreas, desde aquelas relacionadas à psicologia comportamental e à psicoterapia, já tradicionais na utilização do biofeedback, até determinadas áreas da medicina relacionadas à intervenção clínica em patologias de abuso e dependência de álcool e de drogas; distúrbios de memória; desordens psicossomáticas relacionadas à hipertensão arterial e às crises asmáticas; síndromes de hiperventilação; depressão leve e paralisia pós-acidente cerebral (JAFAROVA & SHTARK, 1998, p. 162).

Exemplos recentes de utilização das técnicas mencionadas podem ser encontrados em Shi et al (2010), que descrevem um estudo de detecção de estresse envolvendo a coleta de dados de ECG, GSR, RESP e ST, com a extração de informações e a construção do modelo computacional de detecção de estresse baseado na técnica de SVM (Support Vector Machine); em Plarre et al (2011), que utilizaram a técnica HMM (Hidden Markov Model) para desenvolver dois modelos para predição contínua de estresse por meio das medidas fisiológicas de ECG, ST e RESP; em Carbonaro et al (2011), que desenvolveram um Sistema de Biomonitoramento do estresse a partir de algoritmos para análise do sinal de ECG; em Sulaiman et al (2011), que utilizaram a técnica de k-NN (k-Nearest Neighbor Classifier) para classificar características de estresse em sinais de EEG; em Kumar et al (2012), que elaboraram um Sistema de Monitoramento de estresse baseado em sinais de HRV e em modelagem Fuzzy (Lógica Nebulosa); em Karthikeyan et al (2013), que realizaram um estudo sobre detecção de estresse com base nos sinais de HRV e na técnica de ANN (Artificial Neural Network); e em Giakoumis et al (2013) que utilizaram os sinais de GSR e ECG na detecção automática do estresse.

 

 

 

4. Considerações Finais

 

Além da variedade de técnicas utilizadas para análise e modelagem dos sistemas de detecção de estresse que foram encontradas nos estudos avaliados, um fato observado é que também os sensores e dispositivos utilizados para a aquisição dos sinais biológicos variam em cada um dos estudos, não havendo nenhum tipo de padronização ou consenso sobre a escolha dos meios e dispositivos para se capturar os diversos sinais biológicos.

Não há, também, uma padronização dos valores de referência das variáveis avaliadas ou dos métodos utilizados na avaliação do estresse, dificultando a adoção dessa abordagem de forma ampla pela comunidade médica e de saúde pública. No entanto, as técnicas em estudo poderão trazer um grande auxílio na detecção mais precisa dos níveis de estresse em que um indivíduo se encontra, contribuindo assim para um diagnóstico mais rápido e para a seleção do tratamento mais adequado. Cabe ressaltar que dispositivos comerciais já estão disponíveis no mercado e se encontram em utilização em consultórios e clínicas particulares, além de instituições de ensino e de pesquisa, aqui no Brasil (JUNQUEIRA, 2013).

 

 

REFERÊNCIAS

 

CARBONARO et al. Wearable Biomonitoring System for Stress Management: A Preliminary Study on Robust ECG Signal Processing. In: IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM), pp. 1-6, 2011.

 

DUNSTER, C. Treatment of Anxiety and Stress with Biofeedback. Global Advances in Health and Medicine, v. 1, n. 4, pp. 76-83, 2012.

 

GIAKOUMIS et al. Subject-dependent Biosignal Features for Increased Accuracy in Psychological Stress Detection. International Journal of. Human-Computer Studies, 71, pp. 425–439, 2013.

 

JAFAROVA, O.; SHTARK, M. Computer Biofeedback: Trends of Development. In: The 4th IEEE APEIE International Conference Proceedings, pp. 162-164, 1998.

 

JUNQUEIRA, L. Sistema Computadorizado de Quantificação do Estresse Baseado em Avaliação de Variáveis Fisiológicas. Anais do II Simpósio de Engenharia Biomédica: Universidade de Mogi das Cruzes, UMC, 2013.

 

KARTHIKEYAN, P. et al. Detection of Human Stress using Short-Term ECG and HRV Signals. Journal of Mechanics in Medicine and Biology, v. 13, n. 3, pp. 1-29, 2013.

 

KUMAR, M. et al. Stress Monitoring Based on Stochastic Fuzzy Analysis of Heartbeat Intervals. IEEE Transactions on Fuzzy Systems, v. 20, n. 4, pp. 746-759, August 2012.

 

LEMAIRE, J. et al. The Effect of a Biofeedback-based Stress Management Tool on Physician Stress: A Randomized Controlled Clinical Trial. Open Medicine, v. 5, n. 4, pp. 154-163, 2011.

 

PLARRE et al. Continuous Inference of Psychological Stress from Sensory Measurements Collected in the Natural Environment. In: The 10th International Conference on Information Processing in Sensor Networks (IPSN), pp. 97-108, 2011.

 

RATANASIRIPONG, P. et al. Biofeedback Intervention for Stress and Anxiety among Nursing Students: A Randomized Controlled Trial. International Scholarly Research Network, Nursing, 2012.

 

SHARMA, N.; GEDEON, T. Objective Measures, Sensors and Computational Techniques for Stress Recognition and Classification: A Survey. In: Computer Methods and Programs in Biomedicine, n. 108, pp. 1287-1301, 2012.

 

SHI, Y. et al. Personalized Stress Detection from Physiological Measurements. In: Proceedings of the 2nd International Symposium on Quality of Life Technology, Las Vegas, NV, 2010.

 

SULAIMAN, N. et al. EEG-based Stress Features Using Spectral Centroids Technique and k-Nearest Neighbor Classifier. In: 13th International Conference on Computer Modelling and Simulation, pp. 69-74, 2011.

 


TOP