使用机器学习对基于生理学的焦虑检测进行系统审查
Shikha Shikha1, Divyashikha Sethia2, S Indu3
1Computer Science and engineering, Delhi Technological University, Shahbad Daulatpur, Main Bawana Road, Delhi-110042, New Delhi, New Delhi, Delhi, 110042, INDIA.
Biomedical physics & engineering express
|May 9, 2025
概括
这篇评论探讨了使用机器学习与生理信号,如脑电图来检测焦虑障碍. 它突出了可穿戴设备,并提出了一种多模式的方法,以更好地分类焦虑.
科学领域:
- 神经科学和计算精神病学
- 专注于大脑活动,生理反应和人工智能的交集,用于心理健康诊断.
背景情况:
- 由于复杂的症状,诊断焦虑症是具有挑战性的,导致治疗延迟.
- 非侵入性的生理信号为客观的焦虑评估提供了一个有希望的途径.
研究的目的:
- 系统地审查生理传感器和机器学习 (ML) 以诊断和预测焦虑障碍.
- 使用ML模型探索生理特征和焦虑之间的关系.
- 为增强焦虑分类提出一种新的多式联络方法.
主要方法:
- 对生理传感器 (EEG,ECG,EMG,EDA,呼吸) 和ML技术进行系统的文献综述.
- 在焦虑检测研究中使用的可穿戴设备的分析.
- 探索ML模型在将生理数据与焦虑相关的性能.
主要成果:
- 机器学习有效地从生理信号中识别焦虑模式.
- 可穿戴设备越来越多地用于远程和持续的焦虑监测.
- 结合各种生理信号的多模式方法显示了提高准确性的潜力.
结论:
- 与生理信号的ML集成为客观焦虑检测提供了一个可行的途径.
- 需要进一步的研究来应对数据标准化和模型通用性的挑战.
- 拟议的多式联络战略可以显著推进焦虑障碍的诊断和管理.


