A system and method for stress monitoring using a mobile device

Abstract

A system for stress monitoring using a mobile device, comprising: at least one processor communicatively coupled with at least one computing device; a mobile device; at least one mechanical sensor embedded in the mobile device and the at least one mechanical sensor operatively connected to the at least one processor; a feedback means embedded in the mobile device and connected to the at least one processor; a memory configured to store multiple instructions and operatively coupled to the at least one processor, the multiple instructions causing the at least one processor to: record user's data signal during a calibration phase, a relaxation phase, and an intervention phase; upload the data signal to a cloud (S105); process the data signal (S106); analyze the data signal using an algorithm; and display the results on a user interface.

Description

A system and method for stress monitoring using a mobile deviceFIELD OF THE INVENTION

[0001] The present invention relates to a field of stress monitoring system. More particularly, the present invention pertains to a system and method for stress monitoring using a mobile device that utilizes mechanical sensors to capture body information to derive the user’s stress level.BACKGROUND OF THE INVENTION

[0002] Stress monitoring systems are designed to assess and track an individual’s physiological and psychological stress levels in real time. These systems utilize various sensors, data analytics, and machine learning techniques to detect stress indicators such as heart rate variability, skin conductance, cortisol levels, and behavioral patterns.

[0003] With advancements in wearable technology and artificial intelligence, stress monitoring systems are increasingly integrated into smartwatches, mobile applications, and workplace health programs. They play a crucial role in healthcare, occupational safety, and personal well-being, aiming to help individuals and professionals identify stress triggers, implement coping strategies, and improve overall mental health.

[0004] Despite significant advancements, stress monitoring systems face several challenges that limit their effectiveness and widespread adoption. Some stress monitoring systems rely on indirect physiological markers like heart rate variability and skin conductance, which can be influenced by factors unrelated to stress, such as physical activity or environmental temperature. This makes it difficult to obtain precise stress measurements. Other than that, current non-questionnaire-based stress measurement methods are limited by the need for additional devices (e.g., smartwatches, smart rings, EEG bands) and access to private data such as phone usage (GPS, screen time) , camera, and microphone. Furthermore, the current phone-based mechanical sensor methods for measuring body movements are less personalized due to the lack of calibration. Long-term actigraphy recordings on phones also often fail to capture fine movements of specific body parts and drain battery life significantly. Moreover, many existing stress monitoring devices require constant wear or manual input, which can be inconvenient for users. If the system is uncomfortable or too demanding, users may abandon it over time.

[0005] There are a few existing methods and systems in the market that assistin monitoring stress level of the users. Some of these examples are discussed in the following prior arts.

[0006] Japan patent publication no. 6160029B2discloses an invention that relates to sensors and sensor networks that monitor and analyze personal health. Said inventioncomprises the steps of measuring a person’s speed, acceleration and movement by a motion sensor; transmitting one or more data streams comprising the user’s body movement data to an analysis system; after taking the first reading, the user is asked to relax (i.e. self-relaxation) ; analyzing the body movement using a stress model that correlates the body movement with stress; and calculating a person’s stress index. However, the system may face noise or distortions in stress assessments, thus affecting the accuracy of stress index calculations.

[0007] WIPO publication no. 2016181148A2discloses an apparatus for determining and / or visualising and / or monitoring vital signs such as the respiratory rate and / or heart rate of a user. The apparatus comprises an accelerometer and a processor; wherein the accelerometer is contained within a housing and configured to generate, in use, when the housing is placed in contact with the user’s upper body, a signal in response to motion of the user’s body; and the processor is configured to receive the signal from the accelerometer and to process the signal to determine, and optionally cause display of, the vital sign. The apparatus is to be implemented by a suitably programmed mobile device (e.g. a smart phone having a built-in accelerometer) . However, the system may be affected by irrelevant fluctuations such as motion artifacts caused by random body movements like posture shifts or hand tremors, which introduce noise into the signal. Such interferencesmay hinder accurate assessment of stress levels or respiratory patterns, potentially leading to inaccurate stress index calculations. Said system may also have used traditional approaches of signal processing and predefined algorithms to determine the waveform data representative of the user’s respiratory cycle and segment the waveform emerging during breathing into different respiratory phases. Therefore, the system operates based on fixed rules or threshold values, rather than adapting or learning from patterns over time. Therefore, said method may lack flexibility or adaptability for recognizing trends or identifying complex patterns in the collected data.

[0008] United States patent publication no. 20220361759A1 discloses a smartphone heart rate and breathing rate determination using accuracy measurement weighting. The smartphone exercise app and an associated heart rate (HR) and breathing rate (BR) plugin provide biofeedback to a smartphone user in the context of a smartphone-based relaxation exercise to reduce mental stress. The system in this prior art employs a processing pipeline that combines inference biosignals (for example, heart rate and breathing rate) from the 3-axis accelerometer of asmartphone with an accuracy estimation method that enhances robustness of the estimate. The user needs to hold the smartphone in the user’s hand, or to place the smartphone on his or her chest when lying in a face-upward supine position for determining the estimated HR and estimated BR values. However, collecting data while lying in a face-upward supine position may limit the user’s accessibility and lead to inaccurate signal recordings when deriving vital information.

[0009] United States patent publication no. 10617308B2relates to adevice and method for estimating heart rate during motion. The prior art discloses a portable device for determining a heart rate of a person, said portable device comprising: a heart rate measurement unit for measuring the heart rate of the person over time to generate a heart rate signal, a motion measurement unit for measuring the motion of a body part of the person over time to generate a motion signal, and a processing unit which is adapted to measure a signal quality of the heart rate signal, to calculate the heart rate based on the heart rate signal if said signal quality is above a predefined threshold, and to estimate the heart rate based on the motion signal if said signal quality is below said threshold. However, the processing unit employed in the said device and method is adapted to measure only the signal quality of the heart rate signal of a user, which shows a limitation in monitoring and measuring of other vital information, such as stress levels or heart rate variability in a user.

[0010] Despite advancements in existing technology, there remains a need for improved systems to enhance stress monitoring accuracy.SUMMARY OF THE INVENTION

[0011] It is an objective of the present invention to provide a system and method to evaluate a user’s stress level by monitoring their chest movements to obtain heart rhythm heart rate, inotropy, breathing patterns including depth, duration of individual breaths, regularity, and breathing rate using a mobile device, thereby providing accurate stress index calculations.

[0012] It is also an objective of the present invention to provide asystem and method for stress monitoring that is more cost-efficient in usingonly a mobile device’s built-in sensors, without the need for additional hardwarefor population-wide screening of stress levels.

[0013] It is also an objective of the present invention to provide a system and method for stress monitoringusing a mobile device while ensuring users’ privacy by collecting only the minimum necessary sensor data.

[0014] It is further an objective of the present invention to provide a system and method for stress monitoring using a mobile device that provides personalized calibration and machine learning-based algorithm to derive a stress metric tailored to an individual user’s physiology and breathing patterns, thereby providing flexibility, adaptability and overcoming the limitations of one-size-fits-all approaches.

[0015] It is further an objective of the present invention to provide a system and method for stress monitoring using a mobile devicethat ensures wide accessibility and ease of use for the general public, while also providing insights into the user’s ability to self-regulate their stress levels.

[0016] Accordingly, these objectives may be achieved by following the teachings of the present invention. The present invention relates to a system for stress monitoring using a mobile device, comprising: at least one processor communicatively coupled with at least one computing device; a mobile device; at least one mechanical sensor embedded in the mobile device and the at least one mechanical sensor operatively connected to the at least one processor; a feedback means embedded in the mobile device and connected to the at least one processor; a memory configured to store multiple instructions and operatively coupled to the at least one processor, the multiple instructions causing the at least one processor to: record user’s data signal during a calibration phase, relaxation phase, and intervention phase; upload the data signal to a cloud; process the data signal; analyse the data signal using an algorithm; and display the results on a user interface.BRIEF DESCRIPTION OF THE DRAWINGS

[0017] The features of the invention will be more readily understood and appreciated from the following detailed description when read in conjunction with the accompanying drawings of the preferred embodiment of the present invention, in which:

[0018] Fig. 1 illustrates the flowchart of one of the representations of the steps in the system in the present invention.

[0019] Fig. 2 illustratesthe one of the approximate placements of the phone when the user is using it in an upright torso position.

[0020] Fig. 3 illustrates a graph of collected smartphone mechanical data of chest movement during controlled periodic breathing.

[0021] Fig. 4 illustrates the recordings of accelerometer signal taken when the user is in an upright position.

[0022] Fig. 5 illustrates the recordings of gyroscope signal of consistent breathing taken when the user is in an upright position.

[0023] Fig. 6 illustrates the recordings of accelerometer signal taken when the user is in a supine position.

[0024] Fig. 7 illustrates the recordings of gyroscope signal of consistent breath breathing taken when the user is in a supine position.

[0025] Fig. 8 illustrates the possible designs of the chest mount.

[0026] Fig. 9 illustratesdemonstration of the chest mount ability to follow the user’s body movement.

[0027] Figs. 10a-d illustratethe recording results of (a) calibration breathing, (b) normal breathing, (c) rapid deep breathing and (d) rapid shallow breathing by the user, where gyroscope Z is taken as an example.

[0028] Figs. 11a-b illustratethe calibration breathing using (a) gyroscope and (b) accelerometer where all three axes are combined.

[0029] Figs. 12a-d illustrate the recording resultsfor (a) calibration breathing, (b) normal breathing, (c) rapid deep breathing and (d) rapid shallow breathing, after a lowpass filter is applied.

[0030] Figs. 13a-c illustrate the comparison between the recordings of calibration and the recordings of (a) normal breathing, (b) rapid deep breathing, and (c) rapid shallow breathing. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENT

[0031] For the purposes of promoting and understanding of the principles of the invention, reference will now be made to the embodiments illustrated in the drawings and described in the following written specification. It is understood that the present invention includes any alterations and modifications to the illustrated embodiments and includes further applications of the principles of the invention as would normally occur to one skilled in the art to which the invention pertains.

[0032] The present invention teaches a system for stress monitoring using a mobile device, comprising: at least one processor communicatively coupled with at least one computing device; a mobile device; at least one mechanical sensor embedded in the mobile device and the at least one mechanical sensor operatively connected to the at least one processor; a feedback means embedded in the mobile device and connected to the at least one processor; a memory configured to store multiple instructions and operatively coupled to the at least one processor, the multiple instructions causing the at least one processor to: record user’s data signal during a calibration phase, relaxation phase, and intervention phase; upload the data signal to a cloudS105; process the data signalS106; analyse the data signal using an algorithm; and display the results on a user interface.

[0033] In accordance with a preferred embodiment of the present invention, the record of user’s data signal is conducted by having the user hold the mobile device towards their chest.

[0034] In accordance with a preferred embodiment of the present invention, the record of user’s data signal is conducted with the user in an upright position.

[0035] In accordance with a preferred embodiment of the present invention, the record of user’s data signal is conducted with the user in a lying down position.

[0036] In accordance with a preferred embodiment of the present invention, the user’s data signal comprises chest movement, heart rhythm, heart rate, inotropy, breathing pattern, including depth, duration of individual breath, regularity, and breathing rate.

[0037] In accordance with a preferred embodiment of the present invention, the calibration phase is configured to provide data signals to establish a baseline range of motion of the user and accommodate different mobile device methods, in order to derive metrics with the obtained data signals are used to establish a baseline for data analysis. The calibration phase accommodates the usage of the system in various mobile devices, as sensor placement may vary in each device, with some positioned closer to the base and others near the top.

[0038] In accordance with a preferred embodiment of the present invention, the relaxation phase comprises relax and stay still to capture the movement of the user in a natural relaxing position.

[0039] In accordance with a preferred embodiment of the present invention, the intervention phase is configured to display visual or audio intervention to the user.

[0040] In accordance with a preferred embodiment of the present invention, the process of the data signal comprises scale mechanical signal, derivation of cardiac parameters, derivation of respiratory parameters, derivation of non-cardiac or respiratory parameters, and performance of quality assurance.

[0041] In accordance with a preferred embodiment of the present invention, the algorithm optionally comprises a machine learning-based algorithm.

[0042] In accordance with a preferred embodiment of the present invention, the user interface is configured to display user’s stress history and trends over time and direction to the user for relaxation exercises or other mental health support.

[0043] In accordance with a preferred embodiment of the present invention, the system optionally comprises a chest-mounting apparatus that holds the mobile device on the anterior surface of the user’s chest..

[0044] In accordance with a preferred embodiment of the present invention, the chest-mounting apparatus is made of elastic material comprising a chest strap, harness, garment and the like and is configured to move along the mobile device with the user’s body movement.

[0045] In accordance with a preferred embodiment of the present invention, the user’s data signal comprises chest movement, heart rhythm, heart rate, inotropy, breathing pattern including depth, duration of individual breaths, regularity, and breathing rate for the maximized capture of body motion.

[0046] The present invention also discloses a method for a method for stress monitoring using a mobile device, comprising the steps of: recording user’s data signal during a calibration phase, relaxation phase, and intervention phase, wherein the order of the phases is arbitrary; uploading the data signal to a cloudS105; processing the data signalS106; analysing the data signal using an algorithm; anddisplaying the results on a user interface.

[0047] In accordance with a preferred embodiment of the present invention, the method further comprises the step of: recording the user’s data signal when the user is in an upright position.

[0048] In accordance with a preferred embodiment of the present invention, the method further comprises the step of: recording the user’s data signal when the user is in a lying down position.

[0049] In accordance with a preferred embodiment of the present invention, the recording of user’s data signal, comprises the step of: instructing user to perform at least one action such as breathing in and out with maximum effort, conducting spine flexion, extension, lateral flexion and rotation for calibration.

[0050] In accordance with a preferred embodiment of the present invention, the recording of user’s data signal further comprises the steps of: instructing user to relax and stay still to capture their movement in a natural relaxing position; orinstructing user to perform at least one action with visual and / or audio intervention.

[0051] In accordance with a preferred embodiment of the present invention, the processing of the data signalS106, comprises the steps of: scaling mechanical signal using the data obtained from the calibration phase; andremoving noise that are non-indicative of body movement using a denoising method, such as a bandpass filter.

[0052] In accordance with a preferred embodiment of the present invention, the processing of the data signalS106, further comprises the steps of: determining a decrease in heart rate during relaxation and an increase in heart rate when the user is in a stressful state; andobtaining the heart rate by counting the number of beats in the recorded duration and identifying the peaks in a frequency range; and deriving information on heart rhythm and heart amplitude; wherein the heart rhythm refers to a variability in heartbeats and the heart amplitude refers to an inotropy of the heart.

[0053] In accordance with a preferred embodiment of the present invention, the processing of the data signalS106, further comprises the steps of: determining a lower breathing rate during relaxation and a higher breathing rate when the user is in a stressful state; andcalculating the respiratory rate by counting the number of breaths in the recorded duration and identifying the rising and falling segments in a frequency range; and deriving information on breathing depth and breathing rhythm; wherein the breathing depth is derived from maximal inbreath and outbreath recorded during the calibration and the breathing rhythm refers to a variation in duration and depth of each breath.

[0054] In accordance with a preferred embodiment of the present invention, the processing of the data signalS106, further comprises the step of: determining the user’s chestmovement that is not indicative of respiration or cardiac activity.

[0055] In accordance with a preferred embodiment of the present invention, the processing of the data signalS106, further comprises the step of: checking calibration quality that includes all required movements to confirm they are of sufficient amplitude and that the user follows the instructions; calculating signal-to-noise ratio and checking timestamp of each recorded signal to monitor signal continuity and dropout rates; andvalidating parameters along with cross-parameter validation.

[0056] In accordance with a preferred embodiment of the present invention, the analysing of the data signal using an algorithm, comprises the steps of: utilizing calibration phase data signal and the algorithm to derive a stress metric tailored to the individual user’s physiology and breathing patterns; wherein the algorithm optionally comprises a machine learning-based algorithm; and estimating stress level indicators of the user.

[0057] In accordance with a preferred embodiment of the present invention, the displaying of the results on a user interface, comprises the step of: notifying the user of a set of indicators of their mental health condition; and generating action advice to the user.

[0058] In accordance with a preferred embodiment of the present invention, the displaying of the results on a user interface further comprises the steps of: allowing the user to review stress history and trends over time, and directing the user to relaxation exercises or other mental health support; and providing insights into the user’s ability to self-regulate the user’s stress levels.

[0059] In accordance with a preferred embodiment of the present invention, the method further comprises the steps of: capturing chest movements using an optional chest mounting apparatus that is closely attached to the user’s body; maximizing the capture of body motion; and removing noise.EXAMPLE

[0060] The invention is further described with reference to the drawings shown in Figs. 1 to 13.

[0061] The present invention involves three crucialsteps, which are data recording, data processing and displaying feedbacks. The flowchart of one of the representations of the steps in the system in the present invention are illustrated in Fig. 1.

[0062] The presentinvention has a mechanical signal recordingfunction. The system uses the mobile device’s built-in sensors to capture the user’s body movements and breathing, without requiring any additional hardware.

[0063] The recording of the user’s data signal takes place in an upright position, as this position ensures optimal assessment results. The upright position includes but is not limited to sitting and standing positions, as long as the user’s torso remains upright. The recording of the user’s data signals can optionally take place in a lying down position. Before recording data signals, the system requires access to the mobile device’s mechanical sensors. A request for mechanical sensor accessS101, including a 3-axis accelerometer and a 3-axis gyroscope, is sent to the mobile device before recording begins.

[0064] Compared to the conventional inventions which require microphone, camera, phone usage data, GPS, and long duration measurements to monitor the stress level of the user, the present invention only captures mechanical sensor data to protect the user’s privacy as the user only needs to provide minimal information.

[0065] The user holds the mobile device in one hand and presses it towards the chest close to the heart where the heartbeat can be felt by the hand. By placing the phone towards the chest near the heart for a certain period in an upright position or lying down position, information related to breathing pattern andbreathing rate as well as heart rhythm, heart rate, heart inotropy can be obtained, alongside movements of the muscles. Fig. 2 illustrates one ofthe approximate placements of the phone when the user is using it in a torso-upright position. It portrays one of the preferred approaches for phone placement. However, the placement is not fixed. As long as the phone is pushed toward the chest, any orientation is effective.

[0066] The orientation of the mobile device does not affect the recording of the signal data. Any orientation of the mobile device is deemed acceptable. The mobile device may also be positioned horizontally, vertically, or laidon the user’s chest as long as the mobile device is held in one hand and pressed towards the chest. Additionally, the user is not required to remove any clothing during the monitoring process.

[0067] Compared to conventional stress monitoring systems, the upright positioning of the mobile device enhances the accessibility of the present invention. It allows users to operate it in various scenarios without requiring a supine position. This design enables the recording of hand tremors, such as subtle muscle movements, by utilizing the mobile device’s accelerometer and gyroscope sensors, providing valuable data for stress assessment. Additionally, maintaining an upright position facilitates the mobile device tobetter recordthe data signals, thus leading to more accurate monitoring outcomes.

[0068] Fig. 3shows a sample graph of recordedmobile device mechanical data representing chest movement during controlled periodic breathing. The expected waveform is shown along with distinct visible features, including heart-associated clustered vibrations (arrows) , which indicate periodic oscillations from cardiac activity. Additionally, label A marks out-breath phases, where the waveform trends downward as the chest contracts, while label B marks in-breath phases, where the waveform rises as the chest expands. Fig. 4shows the recorded accelerometer signal taken when the user is in an uprightposition, with the axis chosen as the most indicative of user’s cardiac pattern. Meanwhile, Fig. 5 shows the recorded gyroscope signal during consistent breathing taken when the user is in an upright position, with the axis chosen as the most indicative of user’s respiratory pattern.

[0069] Further signals are recorded while the user is in a supine position. Fig. 6 shows the recorded accelerometer signal, while Fig. 7 shows the recorded gyroscope signal forconsistent breathing. The axes chosen in these figures are the most indicative of the user’s cardiac and respiratory patterns, respectively.

[0070] By observation, the cardiac patterns exhibit similar clarity in both position recordings. However, the respiratory pattern becomes distorted (i.e. the last two breaths in the figures) due to the inability of the mobile deviceto remain in a constant position and its tendency to slide on the chest during large movements, for instance, when taking deep breaths. When the mobile device is held upright, it is tightly secured in position, allowing respiratory patterns to be captured without distortion.

[0071] Despite the introduction of noises when holding the mobile device by hand in the upright position, it remains crucial because it prevents large-scale distortions caused by unexpected sliding of the mobile device when the mobile device rests on the chest. Therefore, the upright position makes thepresent invention more readily accessible than prior arts and provides a measurement method where the device is held ina consistent position. Moreover, when the user holds the mobile device, more muscle movement information is obtained, which is an important metric forevaluating stress in the user.

[0072] Alternatively, an optimal way to capture chest movements is by usingan optional chest mounting apparatusthat holds the mobile device on the anterior surface of the user’s chest and lies on the sternum. It is to be attached closely to the body. The primarypurpose of the mounting apparatus is not to secure the mobile device, but to ensure that the mobile device moves in sync with the user’s body to capture motion. This apparatus allows the mobile device to move with the user’s bodymaximizing the capture of body motion. This removes noise compared to the user holding the mobile device themselves and enableslonger measurements. Fig. 8demonstrates the ability of the chest mounting apparatusin following the user’s body movement andFig. 9 shows the possible designs of the chest mounting apparatus.

[0073] The mobile device is mounted on the anterior surface of the human chest and the caudal surface of an animal for maximal capture of the body movements. The material of the chest mounting apparatus is elastic with a degree of resistance to ensure its range of motion and stretch along with chest movements. The chest mounting apparatus is adjustable, allowing the mobile device housing to be positioned indifferent locations onthe body, including but not limited to positioning it more towards the left to capture better cardiac motion, or down to the xiphisternum to captureboth chest and abdominal motions. Using the optional chest mounting apparatus also similarly stabilizes the mobile device, enabling more accurate recording in the supine position compared to simply resting the mobile device on the chest as configured in the prior art, with the added benefit of collecting clearer cardiac signals than when held by hand.

[0074] Once the mobile device is correctly positioned by the user, the user may begin recording the data signal. The recording of the data signal involves three phases, which are calibration phase, relaxation phase and intervention phase. The three phases may be arranged in any sequence. The preferred embodiment of the present invention inherently permits reordering of the phases without affecting the scope of the invention.

[0075] The calibration phase in the present invention accounts for anatomical differences, helping to derive metrics such as the depth of breathing and the size ofsmall micromovements. The calibration process enablesthe application to understand the extent of body movements compared to the maximum range of motion.

[0076] The user begins recording with instructed movements for calibration S102. In the calibration phase, clear instructions are provided to the userto performactions that include but are not limited to breathing in and out with maximum effort, conducting spine flexion, extension, lateral flexion and rotation for calibration. The data signals obtained are used for establishing a baseline for data analysis and are used in conjunction with the relaxation and intervention phases for more accurate stress level derivation.

[0077] Further, the user continues recording in a relaxed upright position S103. The user is instructed to relax and stay still in the relaxation phase. No instructions on how to breathe are provided by the system. The user is free to breathe at their own pace while attempting to relax. This phase aims to capture the movement of the user in a natural relaxed position.

[0078] During the intervention phase, the system displays visuals or plays audio for the user. The user is required to continue recording with visual and / or audio intervention S104. Similar to the calibration phase clear instructions are provided to the user. However, the intervention phase aims to look for user’s response in conditions that encourage them to enter a ‘mindful’s tate. For example, the visual cues may instruct the user to breathe in and out, or the system may play relaxing music while the user is still instructed to remain still. This is also a key distinction from conventional inventions. Unlike existing systems, the present invention focuses on observing the user’s response rather than inducing a mindful state.

[0079] The recording process in thepresent invention is unique due to the calibration phaseand the availability of data when the user remains still under certain interventions. These steps are essential for providing personalized feedback on stress levels.

[0080] Current experiments show that calibration has successfully aided in differentiating breathing patterns. A demonstration procedure on respiratory signal recording and analysis is conducted to observe the results of different recordings. Preliminary results indicatethat the calibration phase provides important information for data processing by establishing a baseline, which is particularly useful for extraction of vital information. During this procedure, the data signal is recorded during calibration phase, where the user remains as still as possible, inhales for 3 seconds, exhales for 3 seconds, and continues for a maximum of 30 seconds. The recording is then taken at a normal condition, rapid shallow and rapid deep to show what the user’s recordings could be at relaxation phase. A rapid shallow or deep breath may indicate a stressful user’s condition. Figs. 10a-d show the recording results where gyroscope Z is taken as an example. Fig. 10a shows that the recording of calibration breathing, Fig. 10b shows a normal breathing, Fig. 10c shows a rapid deep breathing, and Fig. 10d shows a rapid shallow breathing by the user.

[0081] The raw data obtained are highly noisy and requires data signal processing to extract meaningful information from the recordings. Additionally, determining the most suitable axis for analysis is challenging. When all three axes are combined, the data becomes less distinct. This is illustrated in Figs. 11a and b, where Fig. 11a depicts the calibration breathing using gyroscope where all three axes are combined (x^2+y^2+x^2) , while Fig. 11b depicts the calibration breathing using accelerometer where all three axes are combined (x^2+y^2+x^2) .

[0082] Selecting a single axis for analysis significantly improves data clarity, as demonstrated by the reduction in noise. To further clean the data, a lowpass filter is applied in the present invention, where parameters are chosen based on the calibration phase. Lowpass filter keeps signals of lower frequencies than the defined frequency while signals of higher frequencies are all removed. Figs. 12a-d shows the result after a lowpass filter is applied to the recordings. Where gyroscope Z is taken as an example, Fig. 12a shows the calibration breathing, Fig. 12b shows the normal breathing, Fig. 12c shows the rapid deep breathing and Fig. 12d shows the rapid shallow breathing.

[0083] After the data signal processing, it is shown that the respiratory rate is obtained by peak finding. Additionally, the depth of the breathing is obtained by comparing the patterns with baseline of the combined analysis of calibration data signal and relaxation data signal.

[0084] By integrating the signal, the lung volume is obtained relatively, as the initial lung volume is unknown, i.e., a constant part is added in the integration. To demonstrate the significance, the calibration data signal and the recorded data signals are compared.

[0085] Fig. 13a shows the comparison between the recordings of calibration (solid line) and the recordings of normal resting breathing (dotted line) . The lower amplitude indicates that the user is not breathing at maximal volume. Fig. 13b shows the comparison between the recordings of calibration (solid line) and the recordings of rapid deep breathing (dotted line) . The similar amplitude between both lines indicates that the user is breathing at full depth. Fig. 13c shows the comparison between recordings of the calibration (solid line) and the recordings of rapid shallow breathing (dotted line) . The extremely low amplitude indicates that the user is breathing at a very low depth.

[0086] The above is an example for deriving respiratory patterns. Similar operations are done on deriving information related to the heart and other muscles. The experimentation also reveals that the ability to relax when prompted could possibly correlate to the stress level of the user, thus the intervention component would be a crucial step in the process.

[0087] Hence, this process of calibration-relaxation-intervention gives a more accurate reflection on vital information due to available baseline data, more information on the user’s natural state against when prompted to do mindfulness exercises and consequently, a more accurate model for predicting stress levels of the user.

[0088] Thepresent invention also involves short term measurements only. By limiting the measurement period, the system able to collect data more frequently fromthe mechanical sensors. The higher frequency in data collection allows the system to obtain granular movements. This approach helps in detecting small physiological changes that might be missed with lower-frequency or long-term recordings.

[0089] After the recording of data signal is completed, the data signal is uploaded to a cloud S105for data processing to derive parameters. The system includesdata signal processing and stress score derivation function. The recorded mechanical signals are analysed using personalized calibration and machine learning-based algorithmto derive a stress metric tailored to the individual user’s physiology and breathing patterns. An algorithm is applied along with the obtained processed data signalsS107, to derive a value in a custom stress metric, which should be positively correlated with anxiety and depression. This approach helps overcome the limitations of one-size-fits-all approaches.

[0090] The data signal processing involves recording mechanical signals when the user follows the instructed actions for calibration (calibration phase) , when the user is in a resting position with no intervention (relaxation phase) , and when the user is provided with visual / audio intervention / instructions (intervention phase) .

[0091] Under the data signal processing, the system also derives a few parameters according to the data signal obtained in the recordings.

[0092] By using the data signal obtained from calibration phase, which includes the range of movements such as spine movements, the mechanical signal is scaled accordingly. The system uses a bandpass filter to remove high frequency signals (>30Hz) that are non-indicative of body movement.

[0093] The system further derives cardiac parameters. A normal resting heart rate is 60-100bpm. Considering the possible decreased heart rate during relaxation and increased heart rate when the user is in a stressful state, the system identifies higher frequency signals in 0.8 –2.5 HzS108, corresponding to 48 –150bpm. By identifying the quasi-periodic sudden peaks within this frequency range, the heart rate isdetermined based on the number of beats in the recorded duration. The system then determines all identified heartbeats S109. Based on this, the system derives information on heart rate, heart rhythm and heart inotropy S110. The heart rhythm is described by the variability in heart beats, while the amplitude reflects the inotropy of the heart.

[0094] A normal resting respiratory rate is 12 –18 breaths per minute. By considering the lower breathing rate in relaxation and higher breathing rate when the user is in a stressful state, the system identifies low frequency signals in 0.1 –0.5HzS111, corresponding to 6 –30 breathes per minute. By identifying the rising and falling segments within the frequency range S112, each inbreath and outbreath is isolated. From this, the system derives information on respiratory rate, breathing depth, and breathing rhythmS113. The respiratory rate is calculated by counting the number of breaths within the recorded duration. While the breathing depth is determined from the maximal inbreath and outbreath recorded during the calibration phase, and the breathing rhythm is described by variations in the duration and depth of each breath.

[0095] Comparing traditional inventions which primarily focus on heart-related information derived solely from mechanical heartbeat signals, the present invention emphasizes the simultaneous recording of both heart-related and respiratory-related data to achieve more accurate assessments.

[0096] The system also derives non-cardiac or respiratory parameters based on the raw signalS114 to reflect the overall movement of the chest. This includes, but is not limited to, data such asacceleration mean and variance of the data signal, as well as parameters indicating movement irregularity (such as those derived from autocorrelation) . These parameters aim to quantify the chest movement that is not indicative of respiration or cardiac activity, such as shiveringor aninability to stay still, where there arelarge spikes in the data with each movement.

[0097] Further, to ensure quality assurance of the results, a few steps are conducted by the system. This includes calibration quality checks. All required movements are checked to confirm that they are in sufficient amplitude and that the user followed the instructions. In order to confirm the quality of the data signal, the system calculates signal-to-noise ratio as well as checking timestamp of each recorded signal to monitor signal continuity and dropout rates. The quality assessment is conducted to ensure that the recording reflects the body movement by measurement of noise S115. Besides, the parameters are validated both physiologically (for example, ensuring the heart rate falls within the expected range) and through cross-parameter validation, which involves comparing heart rate and respiratory rate based on established knowledge, such as respiratory sinus arrhythmia and the influence of breathing rate on heart rate variability.

[0098] Finally, the system derives stress level. The processed data signals, alongside the parameters, are inserted into an algorithmS116to obtain a value indicative of stress levels, ranging from very relaxed to very stressed, similar to the Perceived Stress Scale metric.

[0099] To describe more on the rationale behind the present invention, the parameters mentioned above correlate with mental stress and mental illness. For example, shallow breathing, low heart rate variability (HRV) , and high heart rate are commonly associated with stress. By utilizing the derived parameters along with the processed signal, which captures subtle intricacies in body movement, the system provides a reliable estimate of an individual’s stress level.

[0100] After the recordings and processing of the signal data, an estimated stress level is displayed for the user as reference. The result is displayed in the user interfaceS117, including the derived stress level and comparison between parameters (e.g. heart rate variability, respiratory rate) , during the natural relaxation / intervention. The system also compares the derived stress level and the difference between parameters in relaxation and intervention phase recordings to a threshold S118. If the stress level is higher than the threshold, the system is set to notify the user of their mental health condition and generate action advice to the userS119based on the stress level and difference in relaxed or intervention phases. This may include advising the user to reflect on whether they feel particularly stressed lately and take actions like seeking help. The comparison between parameters during natural relaxation or intervention phases also gives insights tothe user on the effectiveness of the intervention, and helps the user choose the best intervention suitable for oneself.

[0101] The system also provides feedback and guidance to the user. The present invention allows users to review the user’s stress history and trends over time and potentially directs them to relaxation exercises or other mental health support. By capturing the user’s state during relaxation, it also provides insights into their ability to self-regulate their stress levels.

[0102] Thecombination of objective biometric monitoring, personalized processing, and user feedback makes the presentinvention a promising tool for large-scale mental health screening and individual stress management. Unlike traditional self-reported methods, the present invention captures subtle physiological signals that are not easily controlled, thus provides a more objective and reliable indicator of the user’s mental state.

[0103] The present invention explained above is not limited to the aforementioned embodiment and drawings, and it will be obvious to those having an ordinary skill in the art of the prevent invention that various replacements, deformations, and changes may be made without departing from the scope of the invention.

Claims

1.A system for stress monitoring using a mobile device, comprising:at least one processor communicatively coupled with at least one computing device;a mobile device;at least one mechanical sensor embedded in the mobile device and the at least one mechanical sensor operatively connected to the at least one processor;a feedback means embedded in the mobile device and connected to the at least one processor;a memory configured to store multiple instructions and operatively coupled to the at least one processor, the multiple instructions causing the at least one processor to:record user’s data signal during a calibration phase (S102) , relaxation phase (S103) , and intervention phase (S104) ;upload the data signal to a cloud (S105) ;process the data signal (S106) ;analyse the data signal using an algorithm; anddisplay the results on a user interface (S117) .2.The system for stress monitoring using a mobile device, according to claim 1, wherein the record of user’s data signal is conducted by having the user hold the mobile device towards their chest.3.The system for stress monitoring using a mobile device, according to claim 1 or 2, wherein the record of user’s data signal is conducted with the user in an upright position.4.The system for stress monitoring using a mobile device, according to claim 1 or 2, wherein the record of user’s data signal is conducted with the user in a lying down position.5.Thesystem for stress monitoring using a mobile device, according to claim 1, 2, 3 or 4, wherein theuser’s data signal comprises chest movement, heart rhythm, heart rate, inotropy, breathing pattern, including depth, duration of individual breaths, regularity, and breathing rate.6.The system for stress monitoring using a mobile device, according to claim 1, wherein the calibration phase is configured to provide data signals to establish a baseline range of motion of the user and accommodate different mobile device methods, in order to derive metrics with the obtained data signals are used to establish a baseline for data analysis.7.The system for stress monitoring using a mobile device, according to claim 1, wherein the relaxation phase comprises relax and stay still to capture the movement of the user in a natural relaxing position.8.The system for stress monitoring using a mobile device, according to claim 1, wherein the intervention phase is configured to display visual or audio intervention to the user.9.The system for stress monitoring using a mobile device, according to claim 1, wherein the process of the data signal comprises scale mechanical signal, derivation of cardiac parameters, derivation of respiratory parameters, derivation of non-cardiac or respiratory parameters, and performance of quality assurance.10.The system for stress monitoring using a mobile device, according to claim 1, wherein the algorithm optionally comprises a machine learning-based algorithm.11.The system for stress monitoring using a mobile device, according to claim 1, wherein the user interface is configured to display the user’s stress history and trends over time and direction to the userfor relaxation exercises or other mental health support.12.The system for stress monitoring using a mobile device, according to claim 1, wherein the system optionally comprises a chest-mounting apparatus that holds the mobile device on the anterior surface of the user’s chest.13.The system for stress monitoring using a mobile device, according to claim 12, wherein the chest-mounting apparatus is made of elastic material comprising a chest strap, harness, garment and the like and is configured to move along the mobile device with the user’s body movement.14.The system for stress monitoring using a mobile device, according to claim 12 or 13, wherein the user’s data signal comprises chest movement, heart rhythm, heart rate, inotropy, breathing pattern including depth, duration of individual breaths, regularity, and breathing rate for the maximized capture of body motion.15.A method for stress monitoring using a mobile device, comprising the steps of:recording user’s data signal during a calibration phase, relaxation phase, and intervention phase, wherein the order of the phases is arbitrary;uploading the data signal to a cloud (S105) ;processing the data signal (S106) ;analysing the data signal using an algorithm; anddisplaying the results on a user interface.16.The method for stress monitoring using a mobile device, according to claim 15, wherein the method further comprises the step of:recording the user’s data signal when the user is in an upright position.17.The method for stress monitoring using a mobile device, according to claim 16, wherein the method further comprises the step of:recording the user’s data signal when the user is in a lying down position.18.The method for stress monitoring using a mobile device, according to claim 15, 16 or 17, wherein the recording of user’s data signal comprisesthe step of:instructing user to perform at least one action such as breathing in and out with maximum effort, conducting spine flexion, extension, lateral flexion and rotation for calibration.19.The method for stress monitoring using a mobile device, according to claim 18, wherein the recording of user’s data signalfurther comprises the steps of:instructing user to relax and stay still to capture their movement in a natural relaxing position; orinstructing user to perform at least one action with visual and / or audio intervention.20.The method for stress monitoring using a mobile device, according to claim 15, wherein the processing of the data signal (S106) comprises the steps of:scaling mechanical signal using the data obtained from the calibration phase; andremoving noise that are non-indicative of body movement using a denoising method, such as a bandpass filter.21.The method for stress monitoring using a mobile device, according to claim 20, wherein the processing of the data signal (S106) , further comprises the steps of:determining a decrease in heart rate during relaxation and an increase in heart rate when the user is in a stressful state;obtaining the heart rate by counting the number of beats in the recorded duration and identifying the peaks in a frequency range; andderiving information on heart rhythm and heart amplitude;wherein the heart rhythm refers to a variability in heartbeats andthe heart amplitude refers to an inotropy of the heart.22.The method for stress monitoring using a mobile device, according to claim 21, wherein the processing of the data signal (S106) further comprises the steps of:determining a lower breathing rate during relaxation and a higher breathing rate when the user is in a stressful state;calculating the respiratory rate by counting the number of breaths in the recorded duration and identifying the rising and falling segments in a frequency range; andderiving information on breathing depth and breathing rhythm;wherein the breathing depth is derived from maximal inbreath and outbreath recorded during the calibration and the breathing rhythm refers to a variation in duration and depth of each breath.23.The method for stress monitoring using a mobile device, according to claim 22, wherein the processing of the data signal (S106) further comprises the step of:determining the user’s chest movement that is not indicative of respiration or cardiac activity.24.The method for stress monitoring using a mobile device, according to claim 21, 22 or 23, wherein the processing of the data signal (S106) further comprises the step of:checking calibration quality that includes all required movements to confirm they are of sufficient amplitude and that the user follows theinstructions;calculating signal-to-noise ratio and checking timestamp of each recorded signal to monitor signal continuity and dropout rates; andvalidating parameters along with cross-parameter validation.25.The method for stress monitoring using a mobile device, according to claim 15, wherein the analysing of the data signal using an algorithm comprises the steps of:utilizing calibration phase data signal and the algorithm to derive a stress metric tailored to the individual user’s physiology and breathing patterns;wherein the algorithm optionally comprises a machine learning-based algorithm; andestimating stress level indicators of the user.26.The method for stress monitoring using a mobile device, according to claim 15, wherein the displaying of the results on a user interface comprises the step of:notifying the user of a set of indicators of their mental health condition; andgenerating action advice to the user.27.The method for stress monitoring using a mobile device, according to claim 26, wherein the displaying of the results on a user interface further comprises the steps of:allowing the user to review stress history and trends over time and directing the user to relaxation exercises or other mental health support; andproviding insights into the user’s ability to self-regulate the stress levels.28.The method for stress monitoring using a mobile device, according to claim 15, wherein the method further comprises the steps of:capturing chest movements using an optional chest mounting apparatus that is closely attached to the user’s body;maximizing the capture of body motion; andremoving noise.

Images