一种深度学习方法,通过使用严的游戏从EEG估计多层次的心理压力

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 心理学 心理学 心理学

背景情况:

• 压力会影响任务绩效和幸福感.
• 对感知压力的客观测量是具有挑战性的.
• 现有的压力检测方法存在局限性.

研究的目的:

• 评估使用脑电图 (EEG) 来估计用户在任务中感知到的压力的可行性.
• 整合一个EEG系统与一个严的游戏压力诱导和测量.
• 应用深度学习 (DL) 来根据EEG数据对压力水平进行分类.

主要方法:

• 一个严的游戏被开发出来,越来越难以引起压力.
• 一个脑电图 (EEG) 系统监测大脑活动.
• 一个循环神经网络 (RNN) 与封闭循环单元 (GRU) 被用于压力分类.
• 假设游戏难度与用户压力之间的相关性.

主要成果:

• 该RNN模型在分类压力水平方面表现出高准确性.
• 在某些场景中,准确度高达94%,超过了当前的最先进技术.
• 该系统成功地将游戏复杂性与用户压力检测相关联.

结论:

• 与严游戏和DL集成的EEG系统对于预测心理压力是有效的.
• 这种综合方法为压力级别的分类提供了一个有希望的,准确的方法.
• 进一步的研究可以探索各种以任务为导向的环境中的应用.