[論文レビュー] Early Detection of Mental Stress Using Advanced Neuroimaging and Artificial Intelligence

Fares Al-Shargie|arXiv (Cornell University)|Mar 20, 2019

EEG and Brain-Computer InterfacesNeuroscience参考文献 143被引用数 20

ひとこと要約

本研究では、EEGとfNIRS信号を統合する新しい統合フレームワークを提案し、共同ICAとCCAを用いて精神的ストレスの早期検出を向上させる。統合手法は分類精度、感度、特異度を著しく向上させ、個々のモダリティよりも最大で13.03%の向上を達成した。これは、統合神経画像法とAIがストレス検出の強固なバイオマーカーとして機能できることを示している。

ABSTRACT

While different neuroimaging modalities have been proposed to detect mental stress, each modality experiences certain limitations. This study proposed novel approaches to detect stress based on fusion of EEG and fNIRS signals in the feature-level using joint independent component analysis (jICA) and canonical correlation analysis method (CCA) and predected the level of stress using machine-learning approach. The jICA and CCA were then developed to combine the features to detect mental stress. The jICA fusion scheme discovers relationships between modalities by utilizing ICA to identify sources from each modality that modulate in the same way across subjects. The CCA fuse information from two sets of features to discover the associations across modalities and to ultimately estimate the sources responsible for these associations. The study further explored the functional connectivity (FC) and evaluated the performance of the fusion methods based on their classification performance and compared it with the result obtained by each individual modality. The jICA fusion technique significantly improved the classification accuracy, sensitivity and specificity on average by +3.46% compared to the EEG and +11.13% compared to the fNIRS. Similarly, CCA method improved the classification accuracy, sensitivity and specificity on average by +8.56% compared to the EEG and +13.03% compared to the fNIRS, respectively. The overall performance of the proposed fusion methods significantly improved the detection rate of mental stress, p<0.05. The FC significantly reduced under stress and suggested EEG and fNIRS as a potential biomarker of stress.

研究の動機と目的

• 精神的ストレスを検出する際の個々の神経画像モダリティ（EEGとfNIRS）の限界を克服すること。
• マルチモodal脳信号を統合する特徴レベルの統合アプローチを開発し、ストレス分類の精度を向上させること。
• ストレス下での機能的結合性の変化を評価し、神経生理学的バイオマーカーとしての可能性を検討すること。
• 統合手法（jICAとCCA）の性能を個々のモダリティと比較し、ストレスレベルの分類性能を評価すること。
• 高度な信号処理と機械学習を用いて、精神的ストレスの早期検出に向けた信頼性の高い、データ駆動型の手法を確立すること。

提案手法

• 被験者間で共通する源成分を特定し、EEGとfNIRS信号の共変動を捉えるために、共同独立成分分析（jICA）を用いた。
• EEGとfNIRSの特徴セット間の線形関係を同定し、相関を最大化するために、線形相関分析（CCA）を適用した。
• jICAとCCAを用いて、特徴レベルで両モダリティの特徴を統合し、ストレス分類の判別力を強化した。
• 機械学習分類器を用いて、統合された特徴に基づきストレスレベルを予測し、精度、感度、特異度を指標に性能を評価した。
• ストレス状態下におけるEEGおよびfNIRS信号の機能的結合性（FC）の変化を定量的に評価し、神経生理学的意義を検証した。
• 190ページ、67枚の図、9枚の表を含むデータセットを用いて、統合フレームワークを検証し、厳密な統計的分析（p < 0.05）を確保した。

実験結果

リサーチクエスチョン

• RQ1 共同ICAとCCAは、個々のモダリティを上回るEEGとfNIRS信号の統合を有効に実現できるか？
• RQ2 精神的ストレス下でEEGとfNIRSの機能的結合性はどのように変化するのか？また、その変化は信頼できるバイオマーカーとして機能できるか？
• RQ3 jICAおよびCCAを用いたマルチモダリティ統合手法は、単一モダリティ手法に比べて、ストレスレベル分類においてどの程度の性能向上を達成できるか？
• RQ4 統合手法は、ストレス検出における感度と特異度をどの程度向上させるか？
• RQ5 提案された統合フレームワークは、精神的ストレスの分類精度向上において統計的に有意であるか？

主な発見

• jICA統合手法は、EEGに比べて平均3.46%、fNIRSに比べて平均11.13%の分類精度、感度、特異度の向上を達成した。
• CCA統合手法は、EEGに比べて平均8.56%、fNIRSに比べて平均13.03%の分類性能向上を達成した。
• ストレス状態下で機能的結合性が有意に低下し、明確な神経生理学的反応が示された。
• 両統合手法の全体的な性能は統計的に有意であった（p < 0.05）、検出能力の向上が確認された。
• jICAおよびCCAを用いたEEGとfNIRS信号の統合は、個々のモダリティを上回り、マルチモダリティ統合の価値を示した。
• 本研究は、高度なAI技術と組み合わせることで、EEGとfNIRSが早期精神的ストレス検出の補完的バイオマーカーとして機能できることを裏付けた。