[論文レビュー] Electroencephalography based Classification of Long-term Stress using Psychological Labeling

Sanay Muhammad Umar Saeed, Syed Muhammad Anwar+3 more|arXiv (Cornell University)|Jul 17, 2019

EEG and Brain-Computer Interfaces参考文献 43被引用数 5

ひとこと要約

本研究では、心理的ラベリングを用いたEEGを用いた長期的ストレス分類を提案する。ストレスレベルは専門家による評価とPSSスコアを用いてラベリングされた。5チャネルEEG記録を用い、アルファ不均衡が主要な判別特徴として浮き彫りとなり、専門家によるラベリングでSVMを用いた際の正答率は85.20％に達し、慢性ストレス検出の強固なバイオマーカーとしての可能性を示した。

ABSTRACT

Stress research is a rapidly emerging area in thefield of electroencephalography (EEG) based signal processing.The use of EEG as an objective measure for cost effective andpersonalized stress management becomes important in particularsituations such as the non-availability of mental health facilities.In this study, long-term stress is classified using baseline EEGsignal recordings. The labelling for the stress and control groupsis performed using two methods (i) the perceived stress scalescore and (ii) expert evaluation. The frequency domain featuresare extracted from five-channel EEG recordings in addition tothe frontal and temporal alpha and beta asymmetries. The alphaasymmetry is computed from four channels and used as a feature.Feature selection is also performed using a t-test to identifystatistically significant features for both stress and control groups.We found that support vector machine is best suited to classifylong-term human stress when used with alpha asymmetry asa feature. It is observed that expert evaluation based labellingmethod has improved the classification accuracy up to 85.20%.Based on these results, it is concluded that alpha asymmetry maybe used as a potential bio-marker for stress classification, when labels are assigned using expert evaluation.

研究の動機と目的

• EEG信号を用いた客観的で費用効果の高い長期的ストレス検出法の開発を目的とする。
• 自己報告のPSSスコアと比較して、専門家による評価による心理的ラベリングが分類精度を向上させるかどうかを調査すること。
• 特に周波数領域および不均衡測定値における統計的に有意なEEG特徴量を同定し、慢性ストレス分類に用いること。
• 複数の機械学習分類器が、EEGデータを用いて長期的ストレス状態とコントロール状態を区別する性能を評価すること。
• 教師あり学習を用い、専門家による確認済みラベルを用いて、アルファ不均衡を長期的ストレスの潜在的神経生理学的バイオマーカーとして確立すること。

提案手法

• 33名の被験者から、閉眼状態の静止状態で5チャネルヘッドセットを用いてEEG信号を収集した。
• EEG信号から周波数領域特徴量を抽出し、デルタ、テータ、アルファ、ベータ、ガンマ帯域のパワーを含めた。
• 前頭部および側頭部のアルファおよびベータ不均衡を追加の特徴量として計算し、アルファ不均衡は4つのチャネルから導出された。
• ストレス群とコントロール群の差を特定する統計的有意特徴量を同定するためにt検定を適用した。
• 選択された特徴量を用いて、SVM、ナイーブベイズ、KNN、ロジスティック回帰、MLPの5つの分類器を訓練および評価した。
• ラベリングは2つの方法を用いた：(1) PSSスコア、(2) 専門家の心理的評価。後者を主な真のラベルとした。

実験結果

リサーチクエスチョン

• RQ1 自己報告のPSSスコアと比較して、専門家の心理的評価によるラベリングがEEGベースの長期的ストレス分類の精度を向上させるか？
• RQ2 周波数バンドパワーおよび不均衡測定値を含む、どのEEG由来の特徴量が長期的ストレスに対して最も判別的か？
• RQ3 異なる機械学習分類器は、ベースラインEEG信号からの慢性ストレス分類において、どのように性能を発揮するか？
• RQ4 専門家によるラベリングを用いた場合、アルファ不均衡は長期的ストレスの信頼できる神経生理学的バイオマーカーとして機能するか？
• RQ5 PSSスコアと専門家確認済みラベルを真のラベルとして用いた場合、分類性能に有意な差が生じるか？

主な発見

• 専門家の心理的評価によるラベリングを用いることで、分類精度が著しく向上し、85.20％に達した。一方、PSSスコアのみを用いた場合、有意な特徴量は得られなかった。
• サポートベクターマシン（SVM）は、アルファ不均衡を特徴量として用いた際、85.20％の最高正答率を達成し、他の分類器を上回った。
• アルファ不均衡は、専門家によるラベリング時において、統計的に有意かつ判別的特徴量として特定された。
• SVMはロジスティック回帰（0.22）と比較して、平均絶対誤差（0.15）が低く、予測精度が優れていた。
• SVMのRMAE（0.38）はロジスティック回帰（0.36）とわずかに高かったが、全体的な性能は両モデルで同等であった。
• 本研究は、EEGベースの慢性ストレス分類研究において、心理学的専門家によるラベリングを初めて用いたものであり、この分野における教師ありラベリングの新しい基準を確立した。