对多模式生理数据进行线性和非线性分析,以识别情感兴奋

科学领域:

• 物理计算的物理计算.
• 生物医学信号处理
• 人与计算机的互动.

背景情况:

• 准确的人类兴奋分类对于适应性系统至关重要.
• 外围生物信号提供了一种非侵入性方法来监测生理状态.
• 之前的研究已经探索了各种信号处理技术来检测兴奋.

研究的目的:

• 设计一个系统,将人类的兴奋分为五个压力级别.
• 从生物信号中评估不同特征提取方法 (线性和非线性) 的有效性.
• 为了确定生理特征的最佳组合来进行兴奋分类.

主要方法:

• 收集了四个外围生物信号:光聚体质谱 (PPG),电磁皮肤反应 (GSR) 和胸部和腹部呼吸 (TR,AR).
• 在98名参与者中使用Stroop测试诱导了五个级别的精神压力.
• 提取了统计,频率,几何,复发量化分析 (RQA) 和阻断波动分析 (DFA) 的特征.
• 使用一个纯粹的贝叶斯分类器分类的兴奋水平.

主要成果:

• 在结合线性和非线性特征时,分类精度达到69.13%.
• 综合的特征集平均准确率为69.13%,类内相关系数 (ICC) 为88.12%,F1得分为69.43%.
• 仅线性特征就达到58.45%的精度,而非线性特征达到57.1%.

结论:

• 结合线性和非线性动态分析方法,提高了唤醒水平识别的准确性.
• 未来的工作应该探索多式联络生物信号集成的最佳权重策略.
• 这些发现有助于开发更具响应性和个性化的人机交互系统.