[論文レビュー] DASPS: A Database for Anxious States based on a Psychological Stimulation

Asma Baghdadi, Yassine Aribi+4 more|arXiv (Cornell University)|Jan 9, 2019

EEG and Brain-Computer Interfaces参考文献 49被引用数 14

ひとこと要約

本論文では、23名の参加者に対して対面の心理的刺激を用いて不安状態を誘発した、低価格のEmotiv Epocヘッドセットを用いた新しいEEGデータベースDASPSを紹介する。組み合わせ特徴を用いたスタックドスパースオートエンコーダー（SSAE）を用いることで、2段階の不安レベル分類で83.50%の正確性、4段階の分類で74.60%の正確性を達成し、低価格EEGによる信頼性の高い不安検出の可能性を示している。

ABSTRACT

Anxiety affects human capabilities and behavior as much as it affects productivity and quality of life. It can be considered as the main cause of depression and suicide. Anxious states are easily detectable by humans due to their acquired cognition, humans interpret the interlocutor's tone of speech, gesture, facial expressions and recognize their mental state. There is a need for non-invasive reliable techniques that performs the complex task of anxiety detection. In this paper, we present DASPS database containing recorded Electroencephalogram (EEG) signals of 23 participants during anxiety elicitation by means of face-to-face psychological stimuli. EEG signals were captured with Emotiv Epoc headset as it's a wireless wearable low-cost equipment. In our study, we investigate the impact of different parameters, notably: trial duration, feature type, feature combination and anxiety levels number. Our findings showed that anxiety is well elicited in 1 second. For instance, stacked sparse autoencoder with different type of features achieves 83.50% and 74.60% for 2 and 4 anxiety levels detection, respectively. The presented results prove the benefits of the use of a low-cost EEG headset instead of medical non-wireless devices and create a starting point for new researches in the field of anxiety detection.

研究の動機と目的

• EEG信号を用いた一時的な不安状態を非侵襲的かつ低コストで検出する手法の開発。
• ポータブルなEmotiv Epocヘッドセットを用いて心理的刺激下で記録された公開可能なEEGデータベース（DASPS）の構築。
• 試行時間、特徴量タイプ、特徴量の組み合わせ、不安レベルの数が分類性能に与える影響の評価。
• 特徴抽出およびディープラーニング（SSAE）が不安状態分類に有効であるかの検証。

提案手法

• 現実の不安誘発状況（例：失恋、経済的問題、締切）に基づく心理的刺激を用い、23名の健常参加者に不安状態を誘発した。
• 対面の制御された相互作用中に、低価格でワイヤレスなウェアラブル機器であるEmotiv Epocヘッドセットを用いてEEG信号を記録した。
• 時間領域（RMS、Hjorth）、周波数領域（パワースペクトル密度）、時間周波数領域（DWTベース）、定量的EEG（qEEG）の多様な特徴量を抽出した。
• 組み合わせ特徴集合から階層的表現を学習するためにスタックドスパースオートエンコーダー（SSAE）を用い、分類にはソフトマックス層を適用した。
• 分類性能の評価のために、SVM、k-NN、SSAEの3つの分類器を用い、特徴量タイプおよび試行時間（1秒、5秒、15秒）の違いを検証した。
• 刺激前後におけるHAM-Aスコアを用いて、データセットの妥当性を確認した。

実験結果

リサーチクエスチョン

• RQ1 対面の心理的刺激を用いて、非侵襲的かつ制御された方法で不安を信頼性高く誘発できるか？
• RQ2 EEGを用いた一時的な不安状態を検出する際、最適な試行時間（1秒、5秒、15秒）は何か？
• RQ3 時間領域、周波数領域、時間周波数領域、または組み合わせ特徴量のうち、どのタイプが不安状態分類の正確性を最も高めるか？
• RQ4 低価格EEGデータを用いた場合、スタックドスパースオートエンコーダー（SSAE）はどの程度の効果を示すか？
• RQ5 Emotiv Epocのような低価格でウェアラブルなEEGヘッドセットは、医療用高精度デバイスと同等の性能を達成できるか？

主な発見

• 心理的刺激を用いて1秒間で不安状態を成功裏に誘発でき、刺激後のHAM-Aスコアから有意な上昇が確認された。
• 2つの不安レベル分類において、最高の正確性83.50%が達成され、全組み合わせ特徴（277入力特徴、184-138隠れ層）を用いたSSAEで実現した。
• 4つの不安レベル分類では、同じ組み合わせ特徴とSSAE設定で最高74.60%の正確性を達成し、分類の複雑さが性能低下を引き起こすことが示された。
• 時間領域特徴（RMS）およびDWTベース特徴が他の特徴量タイプを上回り、RMSは1秒試行でSVMを用いて77.40%の正確性を達成した。
• 組み合わせ特徴を用いたSSAEは分類の区別能を顕著に向上させ、低価格EEG応用における階層的特徴学習の価値を示した。
• 本研究では1秒試行が最適であると確認された。5秒や15秒の長時間試行では複数の感情状態が含まれる可能性があり、分類正確性が低下するためである。