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 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.
|