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

Questo articolo presenta CAN-STRESS, un nuovo dataset multimodale reale raccolto tramite dispositivi indossabili e sondaggi da 82 partecipanti, progettato per analizzare le differenze nelle risposte fisiologiche allo stress tra consumatori e non consumatori di cannabis.

L'essenziale

Immagina di voler capire perché alcune persone usano la cannabis per gestire lo stress, mentre altre no. Fino a oggi, gli scienziati facevano questi studi in laboratori freddi e sterili, come se fossero in una bolla di vetro. Il problema? Nella vita reale, le cose sono molto più caotiche e complesse.

Questo articolo presenta CAN-STRESS, un nuovo "tesoro" di dati che porta la ricerca fuori dal laboratorio e direttamente nella vita quotidiana delle persone.

Ecco di cosa si tratta, spiegato in modo semplice:

1. Il Concetto: Una "Cassetta degli Attrezzi" Digitale

Pensa a CAN-STRESS come a una cassetta degli attrezzi digitale molto speciale. Gli scienziati hanno dato a 82 persone (39 che usano cannabis e 43 che non la usano) degli smartwatch medici (chiamati Empatica E4) da indossare per 24 ore.

Questi orologi non contano solo i passi. Sono come spie spie che registrano costantemente cosa succede dentro il corpo:

• Il battito del cuore: Se accelera o rallenta.
• La pelle: Quanto è "elettrica" (un indicatore di stress o eccitazione).
• La temperatura: Se la pelle si scalda o si raffredda.
• Il movimento: Se la persona sta correndo, dormendo o sedentaria.

2. Il Diario di Bordo: Unendo i Punti

Ma i dati degli orologi da soli sono un po' come un film senza audio: vedi cosa succede, ma non sai perché.
Per questo, i partecipanti hanno anche tenuto un diario digitale. Ogni volta che facevano qualcosa di importante (come fumare una canna, fare sport, dormire o sentirsi stressati), lo scrivevano nel diario.

L'analogia: Immagina di avere un filmato di un'auto che accelera (i dati dell'orologio) e un diario del guidatore che dice "Sto accelerando perché ho visto un poliziotto" (il diario). Mettendo insieme i due, gli scienziati possono capire esattamente come lo stress o la cannabis influenzano il corpo in tempo reale.

3. Cosa Hanno Scoperto?

Gli scienziati hanno usato questi dati per fare un esperimento con un'intelligenza artificiale (un "robot cervello"). Hanno chiesto al computer: "Puoi indovinare chi usa cannabis e chi no, solo guardando i dati del cuore e della pelle?"

Il risultato è stato sorprendente:

• Il computer ha indovinato correttamente quasi il 96% delle volte!
• È stato come se il computer avesse imparato a leggere l' "impronta digitale" dello stress e della cannabis nel corpo.

4. Le "Impronte Digitali" dello Stress

Usando una tecnica speciale (chiamata SHAP, che è come una lente d'ingrandimento per capire cosa pensa il computer), hanno scoperto quali segnali erano i più importanti.
Si è scoperto che il battito cardiaco e l'elettricità della pelle sono i veri "detective".

• L'analogia: È come se il corpo dei consumatori di cannabis avesse un "linguaggio" diverso quando sono sotto stress rispetto ai non consumatori. Il computer ha imparato a tradurre questo linguaggio.

Perché è Importante?

Prima di CAN-STRESS, era come cercare di capire come funziona una città guardando solo una foto di un singolo palazzo. Ora, grazie a questo dataset, abbiamo una mappa completa della città mentre la gente vive, lavora e si rilassa.

Questo aiuta a:

• Capire meglio come la cannabis influisce sulla salute mentale.
• Creare app o dispositivi che possano aiutare le persone a gestire lo stress in modo più intelligente.
• Fare ricerche più vere e affidabili, basate sulla vita reale e non su esperimenti fittizi.

In sintesi, gli autori hanno creato un ponte tra la tecnologia indossabile e la comprensione umana, offrendo al mondo della scienza una risorsa gratuita e preziosa per studiare come ci sentiamo davvero quando usiamo la cannabis.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del paper "CAN-STRESS: A Real-World Multimodal Dataset for Understanding Cannabis Use, Stress, and Physiological Responses", redatto in italiano.

1. Problema e Contesto

L'uso cronico di cannabis è spesso motivato dalla necessità di gestire lo stress. Tuttavia, la maggior parte degli studi esistenti sulle risposte fisiologiche dei consumatori di cannabis rispetto ai non consumatori è condotta in ambienti di laboratorio controllati. Questi setting limitano la validità ecologica, fallendo nel catturare le sfumature delle condizioni reali (interazione tra stressori, contesto quotidiano e assunzione di cannabis).
Esiste una carenza di dataset pubblici multimodali che permettano di testare l'ipotesi secondo cui i consumatori di cannabis mostrano risposte fisiologiche allo stress distinte, specialmente durante i momenti di consumo, in contesti naturali.

2. Metodologia e Raccolta Dati

Il paper introduce CAN-STRESS, un dataset multimodale raccolto in condizioni di vita reale (ecologicamente valide).

• Partecipanti: 82 soggetti (39 consumatori di cannabis e 43 non consumatori).
  • Consumatori: Uso quotidiano o quasi quotidiano (≥4 volte/settimana per almeno un anno).
  • Non consumatori: Meno di 10 usi nella vita e nessuno nell'ultimo anno.
  • Criteri di esclusione: Disturbi neurologici, psicosi, uso pesante di alcol, droghe illecite recenti, ecc.
• Dispositivo Hardware: Tutti i partecipanti hanno indossato per 24 ore un braccialetto Empatica E4.
• Modalità di Dati:
  1. Dati Fisiologici (Sensori):
     • EDA (Attività Elettrodermica): 4 Hz (conduttanza cutanea, indicatore di stress/arousal).
     • BVP (Pulsazione del Volume Sanguigno): 64 Hz (per calcolare frequenza cardiaca e variabilità).
     • HR (Frequenza Cardiaca): 1 Hz.
     • ACC (Accelerometro): 32 Hz (movimento triassiale).
     • TEMP (Temperatura Corporea): 4 Hz.
  2. Dati Auto-Riferiti (Questionari):
     • Timestamp di eventi chiave: consumo di cannabis, sonno, esercizio fisico.
     • Valutazioni soggettive dello stress (scala 1-10) in momenti specifici.
• Struttura del Dataset: I dati sono organizzati per partecipante (identificatori anonimizzati) con file CSV per ogni segnale fisiologico e un file logbook consolidato per i questionari.

3. Contributi Chiave

Il paper apporta tre contributi principali alla comunità scientifica:

1. Rilascio del Dataset: La pubblicazione pubblica di CAN-STRESS, uno dei più grandi dataset disponibili che cattura le caratteristiche fisiologiche dei consumatori di cannabis in ambienti naturali.
2. Analisi Descrittiva: Un'analisi statistica dettagliata che confronta i profili fisiologici e comportamentali dei consumatori rispetto ai non consumatori.
3. Pipeline di Machine Learning di Base: La presentazione di un modello di classificazione che distingue i consumatori dai non consumatori basandosi esclusivamente su feature fisiologiche, stabilendo un benchmark per ricerche future.

4. Risultati Sperimentali

Analisi Descrittiva

L'analisi dei dati aggregati (Figura 2 nel paper) ha rivelato pattern coerenti:

• I consumatori di cannabis hanno riportato valori di stress percepito più alti rispetto ai non consumatori.
• I consumatori hanno mostrato valori medi più elevati di Attività Elettrodermica (EDA) e Frequenza Cardiaca (HR) durante le registrazioni di 24 ore.

Classificazione Machine Learning

È stato sviluppato un modello per classificare i partecipanti come "consumatori" o "non consumatori".

• Architettura: Multi-Layer Perceptron (MLP) con tre strati nascosti (128, 64, 32 neuroni), normalizzazione batch, attivazione ReLU e dropout (0.2).
• Preprocessing:
  • Selezione di finestre temporali di 15 minuti (50% di sovrapposizione) durante le ore di veglia.
  • Estrazione di 31 feature fisiologiche (es. picchi EDA, RMSSD, SDNN, media HR, magnitudine accelerometro).
  • Standardizzazione per soggetto.
• Strategia di Validazione: Leave-one-subject-out (un soggetto come test, gli altri come training) con un approccio di Transfer Learning: il modello pre-addestrato è stato fine-tuned con il 50% dei dati del soggetto di test e valutato sul restante 50%.
• Performance:
  • Accuratezza: ~96% (95.96% ± 0.06).
  • F1-Score: ~98% (95.92% ± 0.06).
  • Recall: 100%.
• Interpretabilità (SHAP): L'analisi dell'importanza delle feature ha mostrato che i segnali legati allo stress sono i predittori dominanti:
  • La massima frequenza cardiaca (hr_max) è la feature più influente.
  • Seguono diverse feature legate all'EDA (min, mean, phasic_mean, max) e alla variabilità della frequenza cardiaca (HRV).

5. Significatività e Impatto

Il dataset CAN-STRESS e i risultati ottenuti hanno un impatto significativo in diversi ambiti:

• Validità Ecologica: Supera i limiti degli studi di laboratorio, fornendo dati su come la cannabis influisce sulla regolazione dello stress nella vita quotidiana.
• Ricerca Clinica e Policy: Offre dati oggettivi per informare le politiche sanitarie e comprendere meglio i meccanismi di automedicazione tramite cannabis.
• Sviluppo di Algoritmi: Dimostra che i dati indossabili passivi possono essere utilizzati per rilevare stati fisiologici complessi (come l'uso di sostanze o lo stress) con alta accuratezza, aprendo la strada a diagnosi mediche e monitoraggio comportamentale più avanzati.
• Riproducibilità: La disponibilità pubblica del dataset su Zenodo permette ad altri ricercatori di validare i risultati e sviluppare nuove applicazioni nell'ambito della salute computazionale e del calcolo indossabile.

In sintesi, il paper dimostra che le differenze fisiologiche tra consumatori e non consumatori di cannabis sono rilevabili in tempo reale tramite sensori indossabili, con l'attività elettrodermica e la frequenza cardiaca che giocano un ruolo centrale nella distinzione tra i due gruppi.