多输入CNN-LSTM深度学习模型用于基于EEG和外围生理信号的恐惧级别分类
Nagisa Masuda1, Ikuko Eguchi Yairi1
1Graduate School of Science and Engineering, Sophia University, Tokyo, Japan.
Frontiers in psychology
|June 16, 2023
概括
这项研究开发了一种深度学习模型,使用生理信号准确地分类人类恐惧水平. 多输入CNN-LSTM模型实现了超过98%的准确性,有助于焦虑和PTSD治疗的发展.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 机器学习 机器学习
背景情况:
- 准确的恐惧水平分类对于治疗PTSD和恐惧症等焦虑障碍至关重要.
- 目前的方法可能缺乏客观性或需要手动功能工程.
- 开发自动化,高精度的恐惧检测是一种重要的临床需求.
研究的目的:
- 开发和验证一个深度学习模型,用于自动,高精度的恐惧水平估计.
- 研究一种新的多输入卷积神经网络-长期短期记忆 (CNN-LSTM) 架构的有效性.
- 评估模型的性能,而不是手动的特征提取和其适应个体差异的适应性.
主要方法:
- 使用了DEAP数据集,包括多通道脑电图 (EEG) 和外围生理信号.
- 实现了多输入CNN-LSTM深度学习模型进行分类.
- 进行了10倍的交叉验证以评估模型性能.
主要成果:
- 多输入CNN-LSTM模型在分类四个不同的恐惧级别时实现了98.79%的准确性和99.01%的F1得分.
- 从原始生理信号直接证明了高精度情绪识别的可行性.
- 展示了模型在个体之间概括的潜力,以及进一步提高准确性的可能性.
结论:
- 深度学习,特别是多输入CNN-LSTM模型,提供了一种高度准确的方法,可以从生理数据中自动识别恐惧水平.
- 这种方法绕过了主观特征选择的需要,使客观的情绪评估成为可能.
- 该模型对诊断和管理与恐惧相关的焦虑障碍的临床应用有希望.
