基于心电图和脑电图的检测和使用特定性别的机器学习对压力的多层分类:一项初步研究

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 心理生理学 心理生理学

背景情况:

• 心理健康,特别是压力,显著影响生活质量.
• 妇女的压力反应可能会在月经周期的不同阶段有所不同,这可能会影响压力检测模型.
• 现有的应力检测设备缺乏广泛的科学验证.

研究的目的:

• 提出和评估用于压力检测和多层压力分类的机器学习模型.
• 通过使用心电图和脑电图信号,调查性别对压力检测和分类准确性的影响.
• 开发适用于未指定的和指定的性别的模型.

主要方法:

• 利用了40名参与者 (21名女性,19名男性) 的心电图 (ECG) 和脑电图 (EEG) 信号.
• 开发了用于压力检测的个别分类器,并用于多层压力分类的堆叠.
• 从心电图和脑电图信号中提取和分析特征,以训练和验证模型.

主要成果:

• 在RBF-SVM和kNN分类器中,女性 (79.81%) 和男性 (73.77%) 在低压和高压的组合中表现出最高的准确性.
• 结合心电图和脑电图,精度提高到至少87.58% (男性,高压力) 和高达92.70% (女性,高压力).
• 通过使用心电图和脑电图,多层次的压力分类在女性中达到62.60%的准确性,在男性中达到71.57%的准确性.

结论:

• 性别差异明显影响压力检测和分类模型的性能.
• 开发的模型为个人 (ECG) 和临床 (ECG和EEG) 压力监测提供了潜力.
• 模型可以适应性别特定或性别未指定的压力分析.