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

Dit paper introduceert CAN-STRESS, een openbaar multimodaal dataset verzameld met Empatica E4-polsbanden bij 82 deelnemers, die fysiologische metingen en zelfrapportages combineert om de relatie tussen cannabisgebruik, stress en fysiologische reacties in de dagelijkse omgeving te onderzoeken.

De kern

Stel je voor dat je een zwart-wit foto van een menselijke reactie op stress hebt. Dat is wat de meeste wetenschappelijke studies tot nu toe hebben gedaan: ze hebben mensen in een laboratorium neergezet, ze iets stressants laten doen en hun hartslag gemeten. Het is net als kijken naar een vis in een aquarium; je ziet hoe hij zwemt, maar je weet niet hoe hij zich voelt in de wilde oceaan.

Deze paper introduceert CAN-STRESS, een nieuw project dat de "vis" uit het aquarium haalt en hem laat zwemmen in zijn natuurlijke habitat: ons dagelijkse leven.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De "Laboratorium-Blindheid"

Wetenschappers weten dat veel mensen cannabis gebruiken om met stress om te gaan. Maar de vraag is: verandert cannabis de manier waarop je lichaam op stress reageert?
Tot nu toe was het antwoord moeilijk te vinden, omdat studies in strenge laboratoria werden gedaan. Dat is als proberen te begrijpen hoe een auto rijdt door hem alleen in een garage te laten staan. Je ziet de motor, maar je ziet niet hoe hij reageert op regen, hobbels of een drukke weg.

2. De Oplossing: CAN-STRESS (De "Dagboek-En-Sensor" Mix)

De onderzoekers (van Arizona State University en Washington State University) hebben een dataset gemaakt die ze CAN-STRESS noemen. Ze hebben 82 mensen (39 cannabisgebruikers en 43 niet-gebruikers) gevraagd om een dag of twee hun normale leven te leiden, maar dan met een slimme polsband (een Empatica E4) om hun pols.

Stel je deze dataset voor als een dubbel dagboek:

• De ene helft is het "Digitale Dagboek" (De Sensor): De polsband schrijft continu op wat er in het lichaam gebeurt. Het meet de hartslag, de temperatuur van de huid, en hoe zweet de huid geleidend maakt (een teken van stress of opwinding). Dit is als een onzichtbare cameraman die 24/7 filmopnames maakt van je innerlijke staat.
• De andere helft is het "Menselijke Dagboek" (De Gebruiker): De mensen zelf moesten in een app invullen: "Ik heb nu een joint gerookt," "Ik ga slapen," "Ik heb hardgelopen" of "Ik voel me nu erg gestrest."

Door deze twee dagboeken op elkaar te leggen, kunnen onderzoekers zien: Wat gebeurt er in het lichaam (sensor) op het exacte moment dat iemand zegt: "Ik voel me gestrest" (dagboek)?

3. Wat hebben ze ontdekt? (De "Stress-Filter")

Toen ze de data bekeken, zagen ze interessante verschillen tussen de groepen:

• De cannabisgebruikers rapporteerden over het algemeen hogere stressniveaus in hun dagboek.
• Hun lichamen reageerden ook feller: hun hartslag was hoger en hun huidgeleiding (een maat voor stress) was actiever dan bij de niet-gebruikers.

Het is alsof de cannabisgebruikers een gevoeligere stress-antenne hebben die constant meer ruis opvangt dan de niet-gebruikers.

4. De AI-Test: Kan een computer het zien?

Om te bewijzen dat deze data nuttig is, lieten ze een kunstmatige intelligentie (AI) proberen om te raden wie een cannabisgebruiker was en wie niet, puur op basis van de polsband-data.

• Het resultaat: De AI was een superheld. Ze had een 96% kans van slagen om de twee groepen van elkaar te onderscheiden.
• De "Geheime Ingrediënten": De AI keek vooral naar twee dingen om haar beslissing te nemen:
  1. Hartslag: Hoe snel het hart klopt.
  2. Huidgeleiding (EDA): Hoe de huid reageert op stress (net als wanneer je zweetpalmen krijgt).

Dit bevestigt wat we al wisten: stress is te meten in het lichaam, en bij cannabisgebruikers ziet dit patroon er anders uit.

5. Waarom is dit belangrijk?

Deze paper is niet alleen een rapport; het is een openbare bibliotheek. De onderzoekers hebben alle data (anoniem) gratis beschikbaar gesteld voor andere wetenschappers.

• Voor de wetenschap: Het is een nieuw gereedschap om te begrijpen hoe cannabis echt werkt in de echte wereld, niet in een laboratorium.
• Voor de toekomst: Het helpt bij het ontwikkelen van slimme horloges die misschien ooit kunnen waarschuwen: "Je bent erg gestrest, misschien helpt een ontspanningsoefening?" of het helpt artsen om beter te begrijpen hoe verslaving het lichaam beïnvloedt.

Kort samengevat:
CAN-STRESS is als het openen van de ramen in een gesloten kamer. Door mensen hun normale leven te laten leiden terwijl hun lichaam wordt gemonitord, krijgen we voor het eerst een helder, kleurrijk beeld van hoe cannabis en stress samenwerken in de echte wereld. En de data is zo goed, dat een computer er al bijna perfect in slaagt om te zien wie er cannabis gebruikt en wie niet.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "CAN-STRESS: A Real-World Multimodal Dataset for Understanding Cannabis Use, Stress, and Physiological Responses", vertaald en samengevat in het Nederlands.

Probleemstelling

Hoewel stressbewältiging een veelgenoemde reden is voor chronisch cannabisgebruik, ontbreekt er een publiek beschikbare dataset om de hypothese te testen dat cannabisgebruikers een ander fysiologisch stressrespons vertonen dan niet-gebruikers, vooral in realistische omstandigheden. Bestaande studies vinden voornamelijk plaats in gecontroleerde laboratoriumomgevingen, wat leidt tot een gebrek aan ecologische validiteit (de mate waarin resultaten vertaalbaar zijn naar het dagelijks leven). Er is een dringende behoefte aan data die de complexe wisselwerking tussen stressoren, contextuele factoren en cannabisgebruik in de natuurlijke omgeving van de gebruiker vastlegt.

Methodologie

1. Dataverzameling (CAN-STRESS Dataset)

• Deelnemers: 82 personen (39 cannabisgebruikers en 43 niet-gebruikers).
  • Gebruikers: Dagelijks of bijna dagelijks gebruik (≥4 keer per week gedurende minimaal één jaar).
  • Niet-gebruikers: Minder dan 10 keer in het leven gebruikt, geen gebruik in het afgelopen jaar.
  • Uitsluitingscriteria: Neurologische aandoeningen, psychose, autisme, bipolaire stoornis, zwaar alcoholgebruik, recent gebruik van andere drugs, nicotine of corticosteroïden.
• Hardware: Empatica E4 polsbanden (medische kwaliteit).
• Duur: 24 uur continue monitoring tijdens dagelijkse routines.
• Multimodale Data:
  • Fysiologische sensoren:
    • EDA (Electrodermal Activity): Huidgeleidbaarheid (4 Hz), gerelateerd aan stress en emotionele opwaking.
    • BVP (Blood Volume Pulse): Bloedvolume-puls (64 Hz), gebruikt voor hartslag en interbeat-interval.
    • HR (Heart Rate): Hartslag (1 Hz).
    • ACC (Accelerometer): Drie-assige beweging (32 Hz).
    • TEMP (Body Temperature): Huidtemperatuur (4 Hz).
  • Zelfrapportage (Self-Reported Questionnaire):
    • Tijdstippen van cannabisgebruik, slaap en beweging.
    • Perceptieve stressscores (schaal 1-10) op specifieke momenten.
• Datastructuur: De dataset is georganiseerd in een map per anonieme deelnemer met CSV-bestanden voor elke sensor en een centraal logbook.xlsx voor zelfrapportage.

2. Machine Learning Analyse

• Doel: Classificatie van deelnemers als cannabisgebruiker of niet-gebruiker op basis van fysiologische kenmerken.
• Preprocessing:
  • Analyse beperkt tot waakuren om slaapgerelateerde verstoringen te minimaliseren.
  • Segmentatie in 15-minuten vensters met 50% overlapping (ongeveer 180 vensters per deelnemer).
  • Extractie van 31 fysiologische kenmerken per venster (o.a. HRV-metrics zoals RMSSD, SDNN; EDA-tonische en fasische componenten; statistieken van versnelling en temperatuur).
  • Subject-specifieke standaardisatie (mean=0, std=1).
• Modelarchitectuur: Een Multi-Layer Perceptron (MLP) met drie verborgen lagen (128, 64, 32 neuronen), batch-normalisatie, ReLU-activering en dropout (0.2).
• Validatiestrategie: "Leave-one-subject-out" (LOSO) cross-validatie.
  • Transfer learning: Het model werd getraind op alle deelnemers behalve de testpersoon, vervolgens fine-ge-tuned op 50% van de data van de testpersoon, en geëvalueerd op de overige 50%.
• Interpretatie: Gebruik van SHAP (Shapley Additive Explanations) waarden om de belangrijkste kenmerken te identificeren.

Belangrijkste Resultaten

• Classificatieprestaties:
  • Het model bereikte een accuracy van ongeveer 96% (95,96%) en een F1-score van ongeveer 98% (95,92%) op de testdata.
  • Precision: 97,82%, Recall: 100%.
  • Dit toont aan dat het mogelijk is om gebruikers van niet-gebruikers te onderscheiden op basis van passief verzamelde fysiologische data.
• Fysiologische Verschillen:
  • Cannabisgebruikers rapporteerden gemiddeld hogere stressniveaus en vertoonden verhoogde waarden voor EDA en hartslag vergeleken met niet-gebruikers.
• Feature Importance (SHAP):
  • De meest invloedrijke kenmerken voor de classificatie waren Electrodermal Activity (EDA) en Hartslag (HR) gerelateerde metrics.
  • Specifiek: hr_max (maximale hartslag), eda_min, eda_mean, eda_phasic_mean, en HRV-metrics (hrv_sdnn, hrv_rmssd).
  • Dit bevestigt dat stressgerelateerde signalen cruciaal zijn voor het onderscheid tussen de groepen.

Bijdragen

1. Publicatie van CAN-STRESS: Een van de grootste publiek beschikbare multimodale datasets die fysiologische kenmerken van cannabisgebruikers in een natuurlijke omgeving vastlegt.
2. Gedetailleerde Datasetbeschrijving: Een volledig overzicht van de datastructuur, opnameprotocollen en de integratie van sensordata met zelfrapportage.
3. Baseline Machine Learning Pipeline: Een gepubliceerde benchmark voor het classificeren van gebruikers versus niet-gebruikers, inclusief een analyse van feature importance.
4. Nieuwe inzichten: Aanvullende analyses die de verschillen in fysiologische respons en stressregulatie tussen de groepen kwantificeren.

Significantie en Toekomstperspectief

De CAN-STRESS dataset vult een kritieke lacune in het onderzoek naar cannabisgebruik door de beperkingen van laboratoriumstudies te overbruggen. Het biedt onderzoekers de mogelijkheid om:

• De relatie tussen subjectieve ervaringen (stress) en objectieve fysiologische metingen in real-time te bestuderen.
• Ecologisch valide modellen te ontwikkelen voor stressdetectie en activiteitsherkenning.
• Medische diagnostiek en gedragswetenschappen te verrijken met data uit de echte wereld.

De dataset is vrij toegankelijk via Zenodo en wordt gezien als een waardevolle resource voor de gemeenschap op het gebied van draagbare technologie, stressonderzoek en cannabiswetenschap.