基于深度学习的压力检测用于日常生活使用,使用单通道EEG和GSR在虚拟现实采访范式中的单通道EEG和GSR
Hun-Gyeom Kim1, Solwoong Song1, Baek Hwan Cho2,3
1Department of Biomedical Engineering, Hanyang University, Seoul, Korea.
PloS one
|July 3, 2024
概括
这项研究开发了一种使用生理信号和深度学习的实际压力检测框架. 结合脑电图 (EEG) 和电磁皮肤反应 (GSR) 的多列深度学习模型在分类压力状态方面取得了高准确性.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
背景情况:
- 压力检测对于心理健康管理至关重要.
- 将生理信号与先进的人工智能集成,提供了新的诊断可能性.
- 现有的方法往往缺乏实用性,用于持续的,现实世界的监控.
研究的目的:
- 建立一个实际的压力检测框架,使用生理指标和深度学习.
- 使用单通道脑电图 (EEG) 和皮反应 (GSR) 数据对压力状态进行分类.
- 评估各种深度学习架构的有效性,包括多列模型,用于压力分类.
主要方法:
- 利用虚拟现实 (VR) 面试范式来诱导和模拟社会压力.
- 在VR采访期间记录了30名参与者的单通道EEG和GSR数据.
- 开发并比较了五个卷积神经网络 (CNN) 架构和一个视觉转换器模型,包括一个新的多列结构.
主要成果:
- 实验协议成功地引起了应激反应,通过应激视觉模拟尺度 (VAS),EEG和GSR指标进行验证.
- 单列ResNet-152实现了0.944的GSRAUROC,视觉变压器达到0.886.88的EEGAUROC.
- 多列式ResNet-50模型表现出卓越的性能,最高应力分类AUROC为0.954.
结论:
- 深度学习模型有效地根据生理数据对压力水平进行分类.
- 集成EEG和GSR的多列深度学习策略显著提高了压力检测的准确性.
- 这种框架,特别是在隐蔽的耳后EEG位置,为日常压力监测提供了方便和准确的方法.
