[논문 리뷰] DASPS: A Database for Anxious States based on a Psychological Stimulation

Asma Baghdadi, Yassine Aribi외 4명|arXiv (Cornell University)|2019. 01. 09.

EEG and Brain-Computer Interfaces참고 문헌 49인용 수 14

한 줄 요약

이 논문은 23명의 참가자로부터 얼굴 마주침 심리적 자극을 통해 유도된 불안 상태를 기록한 DASPS라는 새로운 EEG 데이터베이스를 소개한다. 저비용 Emotiv Epoc 헤드셋을 사용하여 수집된 데이터를 바탕으로, 병합된 특징을 활용한 스택드 스퍼스 오토에인코더(스스)를 적용한 방법은 두 가지 불안 수준 분류에서 83.50%의 정확도를 달성하였고, 네 가지 수준 분류에서는 74.60%의 정확도를 기록하여 저비용 EEG를 통한 신뢰할 수 있는 불안 감지의 가능성을 입증한다.

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.

연구 동기 및 목표

• EEG 신호를 이용한 비침습적이고 저비용의 일시적 불안 상태 감지 방법 개발.
• 면밀한 심리적 자극 동안 이동식 Emotiv Epoc 헤드셋으로 기록된 공개 가능한 EEG 데이터베이스(DASPS) 구축.
• 시험 지속 시간, 특징 유형, 특징 조합, 불안 수준 수가 분류 성능에 미치는 영향 평가.
• 특징 추출 및 딥러닝(스스)의 효과성 검증을 통한 불안 상태 분류 성능 향상

제안 방법

• 실생활 불안 유발 상황(예: 실직, 재정 문제, 마감 기한 등)을 기반으로 한 심리적 자극을 사용하여 23명의 건강한 참가자에게 불안을 유도.
• 제어된 얼굴 마주침 상호작용 동안 저비용, 무선, 착용형 장치인 Emotiv Epoc 헤드셋을 사용해 EEG 신호를 기록.
• 다양한 특징을 추출: 시간 도메인(RMS, 히어르트), 주파수 도메인(파워 스펙트럼 밀도), 시간-주파수 도메인(DWT 기반), 정량적 EEG(qEEG).
• 병합된 특징 세트에서 계층적 표현을 학습하기 위해 스택드 스퍼스 오토에인코더(스스)를 활용하고, 분류를 위해 소프트맥스 레이어를 사용.
• 다양한 특징 유형과 시험 지속 시간(1초, 5초, 15초)에서 성능 평가를 위해 SVM, k-NN, 스펙트럼 분석 기반 분류기(SAE)를 사용.
• 자극 전후 HAM-A 점수를 사용하여 데이터셋의 유효성을 검증하여 불안 유도의 성공 여부 확인.

실험 결과

연구 질문

• RQ1 얼굴 마주침 심리적 자극을 통해 비침습적이고 제어된 방식으로 불안을 신뢰성 있게 유도할 수 있는가?
• RQ2 EEG를 이용한 일시적 불안 상태 감지에 최적의 시험 지속 시간(1초, 5초, 15초)은 무엇인가?
• RQ3 시간, 주파수, 시간-주파수 또는 병합된 특징 중 어떤 특징 유형이 불안 상태 분류 정확도를 가장 높이는가?
• RQ4 저비용 EEG 데이터를 사용할 때 스택드 스퍼스 오토에인코더(스스)가 불안 감지 정확도 향상에 얼마나 효과적인가?
• RQ5 Emotiv Epoc과 같은 저비용 착용형 EEG 헤드셋이 의료용 고성능 장치와 비교해도 불안 감지 성능에서 유사한 성능을 낼 수 있는가?

주요 결과

• 심리적 자극을 통해 1초 내로 불안이 성공적으로 유도되었으며, HAM-A 점수를 통해 자극 후 유의미한 증가가 확인되었다.
• 두 가지 불안 수준 분류에서 최고의 정확도 83.50%를 달성하였으며, 이는 모든 병합 특징(277개 입력 특징, 184-138 은닉층)을 사용한 스펙트럼 분석 기반 분류기(SAE)를 적용한 결과였다.
• 네 가지 불안 수준 분류에서는 동일한 병합 특징과 스펙트럼 분석 기반 분류기(SAE) 설정을 사용했을 때 최고 정확도 74.60%를 기록하여, 복잡도 증가로 인한 성능 저하가 발생했음을 시사했다.
• 시간 도메인 특징(RMS)과 DWT 기반 특징이 다른 특징 유형보다 뛰어난 성능을 보였으며, RMS는 1초 시험에서 SVM을 사용할 경우 77.40%의 정확도를 기록했다.
• 병합 특징을 사용한 스펙트럼 분석 기반 분류기(SAE)는 분류 성능 향상에 크게 기여하여, 저비용 EEG 응용 분야에서 계층적 특징 학습의 가치를 입증했다.
• 1초 시험 지속 시간이 최적임을 확인하였으며, 더 긴 지속 시간(5초, 15초)은 여러 감정 상태를 포함할 수 있어 분류 정확도를 떨어뜨릴 수 있음을 시사했다.