CAN-STRESS: A Real-World Multimodal Dataset for Understanding Cannabis Use, Stress, and Physiological Responses

Diese Arbeit stellt den CAN-STRESS-Datensatz vor, der physiologische Messdaten und Selbstauskünfte von 82 Teilnehmern im Alltag erfasst, um den Einfluss von Cannabiskonsum auf die Stressreaktion zu untersuchen.

Das Wesentliche

Stell dir vor, du möchtest herausfinden, wie sich der Konsum von Cannabis auf den Körper auswirkt – aber nicht in einem sterilen Labor, wo alles künstlich ist, sondern mitten im echten Leben: beim Einkaufen, bei der Arbeit oder beim Entspannen auf dem Sofa. Genau das ist das Ziel der Forscher hinter dem CAN-STRESS-Datensatz.

Hier ist eine einfache Erklärung der Studie, verpackt in Bilder und Vergleiche:

1. Das Problem: Der Labor-Käfig vs. die wilde Welt

Frühere Studien über Cannabis fanden oft in Laborräumen statt. Das ist wie ein Autotest auf einer Rennstrecke: Man sieht, wie das Auto fährt, aber nicht, wie es sich im echten Stadtverkehr mit Stau und Regen verhält. Im Labor fehlt der „echte" Stress des Alltags. Die Forscher wollten wissen: Wie reagiert der Körper von Cannabis-Konsumenten, wenn sie wirklich gestresst sind oder entspannen, im Gegensatz zu Nicht-Konsumenten?

2. Die Lösung: Ein digitaler Gesundheits-Armband

Um das herauszufinden, haben die Forscher 82 Menschen (39 Cannabis-Konsumenten und 43 Nicht-Konsumenten) gebeten, eine Woche lang eine spezielle Smartwatch (die Empatica E4) zu tragen.

• Die Analogie: Stell dir diese Uhr wie einen kleinen, ständigen Detektiv vor, der am Handgelenk sitzt. Sie misst Dinge, die wir oft gar nicht spüren:
  • Hautleitfähigkeit (EDA): Wie stark schwitzt deine Haut? (Ein bisschen wie ein „Nervensystem-Messgerät", das verrät, ob du aufgeregt oder gestresst bist).
  • Herzfrequenz: Wie schnell schlägt dein Herz?
  • Temperatur: Wie warm ist deine Haut?
  • Bewegung: Wie viel bist du in Bewegung?

3. Die Kombination: Der Tagebuch-Effekt

Die Uhr allein reicht nicht. Die Forscher haben die Daten der Uhr mit einem digitalen Tagebuch kombiniert.

• Die Teilnehmer mussten notieren: „Ich habe jetzt Cannabis geraucht", „Ich habe geschlafen" oder „Ich fühle mich gestresst".
• Der Vergleich: Es ist wie beim Kochen. Die Uhr misst die Temperatur des Ofens (die physiologischen Daten), aber das Tagebuch sagt uns, wann der Koch den Ofen aufgedreht hat (Cannabis-Konsum) oder wann er den Ofen ausgeschaltet hat (Schlaf). Nur wenn man beides zusammen betrachtet, versteht man das Rezept.

4. Die Entdeckung: Der Körper verrät sich

Was haben die Forscher herausgefunden?

• Der Unterschied: Die Gruppe der Cannabis-Konsumenten zeigte im Durchschnitt andere Reaktionen als die Nicht-Konsumenten. Ihre Haut leitete den elektrischen Strom anders (mehr Stressreaktion) und ihr Herzschlag war oft anders.
• Die KI-Überraschung: Die Forscher haben einen Computer-Algorithmus (eine Art künstliche Intelligenz) trainiert, der nur auf Basis dieser Uhr-Daten raten sollte: „Ist diese Person ein Cannabis-Konsument oder nicht?"
• Das Ergebnis: Der Computer war fast unfehlbar (etwa 96 % Trefferquote!). Er konnte die beiden Gruppen fast perfekt unterscheiden, nur indem er auf die Herzschläge und die Hautreaktionen schaute.

5. Warum ist das wichtig? (Die SHAP-Analyse)

Um zu verstehen, warum der Computer das so gut konnte, haben die Forscher eine Art „Lupe" (SHAP-Werte) benutzt.

• Die Erkenntnis: Der Computer hat vor allem auf zwei Dinge geachtet: Herzfrequenz und Hautleitfähigkeit.
• Die Metapher: Stell dir vor, der Körper ist ein Haus. Die Hautleitfähigkeit ist wie ein Rauchmelder, der sofort feuert, wenn etwas losgeht (Stress). Der Herzschlag ist wie der Taktgeber im Keller. Bei Cannabis-Konsumenten scheint dieser „Feueralarm" und der „Taktgeber" anders zu funktionieren als bei Nicht-Konsumenten, besonders wenn sie Stress erleben.

Fazit: Ein offenes Geschenk für die Wissenschaft

Die Forscher haben diese riesige Sammlung an Daten (den CAN-STRESS-Datensatz) kostenlos für alle veröffentlicht.

• Warum? Damit andere Wissenschaftler, Ärzte und Entwickler diese Daten nutzen können, um bessere Gesundheits-Apps zu bauen, Stress besser zu verstehen oder zu lernen, wie Cannabis den Körper langfristig verändert.

Kurz gesagt: Diese Studie hat 82 Menschen eine Smartwatch umgeschnallt, um zu sehen, wie ihr Körper im echten Leben auf Cannabis und Stress reagiert. Das Ergebnis: Der Körper erzählt eine ganz eigene Geschichte, die ein Computer fast perfekt lesen kann. Und jetzt kann jeder diese Geschichte mitlesen, um die Welt der Gesundheit ein Stück besser zu verstehen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „CAN-STRESS: A Real-World Multimodal Dataset for Understanding Cannabis Use, Stress, and Physiological Responses" auf Deutsch:

1. Problemstellung und Motivation

Die Bewältigung von Stress ist einer der am häufigsten genannten Gründe für den chronischen Cannabiskonsum. Es wird hypothesiert, dass Cannabiskonsumenten im Vergleich zu Nicht-Konsumenten unterschiedliche physiologische Stressreaktionen aufweisen, die sich insbesondere während des Konsums verstärken könnten.
Das Hauptproblem besteht jedoch in einem Mangel an öffentlich verfügbaren Datensätzen, die diese Hypothesen unter realen Bedingungen (Real-World) testen können. Die meisten bisherigen Studien finden in kontrollierten Laborumgebungen statt, was die ökologische Validität einschränkt und die komplexen Wechselwirkungen zwischen Stressoren, Kontextfaktoren und Cannabiskonsum im Alltag nicht abbildet.

2. Methodik und Datensatz (CAN-STRESS)

Das Paper stellt den CAN-STRESS-Datensatz vor, der entwickelt wurde, um diese Lücke zu schließen.

• Datenerhebung:

  • Teilnehmer: 82 Personen (39 regelmäßige Cannabiskonsumenten und 43 Nicht-Konsumenten).
  • Geräte: Empatica E4-Armbänder (medizinische Wearables).
  • Dauer: 24-Stunden-Aufzeichnungen während der täglichen Routinen.
  • Kriterien: Konsumenten konsumierten mindestens 4-mal pro Woche seit einem Jahr; Nicht-Konsumenten hatten weniger als 10 lebenslange Konsumerfahrungen und keinen Konsum im letzten Jahr. Ausschlusskriterien umfassten neurologische Störungen, Psychosen, Bipolarität, schweren Alkoholkonsum oder Drogenkonsum.

• Multimodale Datenquellen:

  1. Physiologische Sensordaten (kontinuierlich):
     • EDA (Elektrodermale Aktivität): Hautleitfähigkeit (4 Hz), Indikator für Stress und emotionale Erregung.
     • BVP (Blood Volume Pulse): Blutvolumenpuls (64 Hz) zur Berechnung von Herzfrequenz (HR) und Interbeat-Intervallen (IBI).
     • ACC (Beschleunigungsmesser): Triaxiale Bewegung (32 Hz) zur Aktivitätserkennung.
     • TEMP (Körpertemperatur): Hauttemperatur (4 Hz).
  2. Selbstberichtete Daten (Fragebögen):
     • Zeitstempel für Schlaf, Cannabiskonsum, körperliche Aktivität.
     • Subjektive Stressbewertungen (Skala 1–10) zu bestimmten Zeitpunkten (Ecological Momentary Assessment).

• Datenaufbereitung:

  • Die Daten sind in einem strukturierten Format organisiert (CSV für Sensoren, Excel für Logs).
  • Für die Analyse wurden die Signale in 15-minütige Fenster mit 50 % Überlappung segmentiert.
  • Es wurden nur Daten aus den Wachphasen verwendet, um Schlaf-Effekte zu minimieren.

3. Key Contributions (Hauptbeiträge)

1. Veröffentlichung eines einzigartigen Datensatzes: CAN-STRESS ist einer der größten öffentlich zugänglichen Datensätze, der physiologische Merkmale von Cannabiskonsumenten in natürlichen Umgebungen mit Selbstberichten verknüpft.
2. Deskriptive Analyse: Eine detaillierte statistische Gegenüberstellung der physiologischen Profile von Konsumenten und Nicht-Konsumenten.
3. Baseline Machine Learning Pipeline: Entwicklung und Evaluation eines Modells zur Klassifizierung von Konsumenten vs. Nicht-Konsumenten basierend auf physiologischen Merkmalen.
4. Feature-Importanz-Analyse: Nutzung von SHAP-Werten (Shapley Additive Explanations), um die treibenden physiologischen Faktoren zu identifizieren.

4. Ergebnisse

• Deskriptive Statistik:

  • Cannabiskonsumenten berichteten im Durchschnitt über höhere Stresswerte (Selbsteinschätzung).
  • Physiologisch zeigten Konsumenten im Vergleich zu Nicht-Konsumenten erhöhte Werte für die mittlere Elektrodermale Aktivität (EDA) und die Herzfrequenz (HR).

• Machine Learning Klassifikation:

  • Modellarchitektur: Ein Multi-Layer-Perceptron (MLP) mit drei versteckten Schichten (128, 64, 32 Neuronen), Batch-Normalisierung, ReLU-Aktivierung und Dropout (0.2).
  • Trainingsstrategie: „Leave-One-Subject-Out" (LOSO) Kreuzvalidierung mit Transfer-Learning-Ansatz (Feinabstimmung des Modells mit 50 % der Testdaten des jeweiligen Subjekts).
  • Eingabemerkmale: 31 extrahierte physiologische Merkmale aus EDA, BVP, ACC und TEMP (z. B. HRV-Metriken wie RMSSD, SDNN, sowie statistische Kennwerte der Hautleitfähigkeit).
  • Leistungsmetriken (Testdaten):
    • Genauigkeit (Accuracy): ~96 % (95,96 %).
    • F1-Score: ~98 % (95,92 %).
    • Recall: 100 % (alle Konsumenten korrekt identifiziert).
    • Precision: ~98 %.

• Feature-Importanz (SHAP):

  • Die wichtigsten Prädiktoren waren Herzfrequenz-Metriken (insbesondere maximale Herzfrequenz hr_max) und EDA-Metriken (Minimum, Mittelwert, phasischer Mittelwert, Maximum).
  • Dies bestätigt die Hypothese, dass Stressmarker (EDA und HR) die stärksten Unterscheidungsmerkmale zwischen den Gruppen sind.

5. Signifikanz und Ausblick

Das Paper demonstriert, dass Wearable-Daten in Kombination mit Selbstberichten ein leistungsfähiges Werkzeug sind, um die physiologischen Korrelate von Cannabiskonsum und Stress im Alltag zu untersuchen.

• Ökologische Validität: Der Datensatz überwindet die Limitationen von Laborstudien und ermöglicht Einblicke in das reale Verhalten.
• Anwendungsbereiche: Der Datensatz dient als Ressource für Forschung in den Bereichen Stressdetektion, Aktivitätserkennung, medizinische Diagnostik und Verhaltenswissenschaften.
• Zukünftige Forschung: Die hohe Klassifizierungsgenauigkeit zeigt das Potenzial für personalisierte Gesundheitsanwendungen und die Entwicklung von Algorithmen, die Konsummuster oder Stressreaktionen passiv erfassen können.

Der Datensatz ist öffentlich über Zenodo verfügbar und stellt eine solide Grundlage für zukünftige computergestützte Gesundheitsforschung dar.