[논문 리뷰] Electroencephalography based Classification of Long-term Stress using Psychological Labeling

Sanay Muhammad Umar Saeed, Syed Muhammad Anwar외 3명|arXiv (Cornell University)|2019. 07. 17.

EEG and Brain-Computer Interfaces참고 문헌 43인용 수 5

한 줄 요약

이 연구는 전문가 평가와 자기 보고된 스트레스 척도(PSS) 점수를 통해 심리적 레이블링을 이용한 뇌파 기반 만성 스트레스 분류를 제안한다. 다섯 채널 뇌파 기록을 통해 알파 비대칭성이 주요 분류 특징으로 부각되었으며, 전문가 레이블링을 사용할 경우 SVM를 활용해 85.20%의 정확도를 달성하여 만성 스트레스 탐지에 있어 견고한 생물학적 지표로 입증되었다.

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.

연구 동기 및 목표

• EEG 신호를 이용한 객관적이고 비용 효율적인 장기 스트레스 탐지 방법 개발.
• 자기 보고된 PSS 점수에 비해 전문가 평가를 통한 심리적 레이블링이 분류 정확도를 향상시키는지 조사.
• 특히 주파수 도메인 및 비대칭성 측정치에서 통계적으로 유의미한 EEG 특징을 특정하여 만성 스트레스 분류에 활용.
• 여러 기계학습 분류기의 성능을 평가하여 기저 상태의 EEG 신호와 장기 스트레스 상태를 구분하는 데에 활용.
• 감독 학습을 통해 전문가가 확인한 레이블을 기반으로 알파 비대칭성이 장기 스트레스에 대한 잠재적 신경생리학적 생물학적 지표로 자리매김할 수 있도록 설정.

제안 방법

• 33명의 참가자로부터 닫힌 눈 상태에서의 휴식 상태에서 다섯 채널 헤드셋을 사용해 EEG 신호를 측정.
• EEG 신호에서 델타, 테타, 알파, 베타, 감마 대역의 파wer를 포함한 주파수 도메인 특징을 추출.
• 전두엽 및 측두엽의 알파 및 베타 비대칭성을 추가 특징으로 계산하였으며, 알파 비대칭성은 네 개의 채널에서 유도.
• 스트레스 그룹과 대조 그룹 간의 유의미한 특징을 식별하기 위해 t-검정을 적용하여 특징 선택.
• 선택된 특징을 사용해 다섯 분류기(SVM, 나이브 베이즈, KNN, 로지스틱 회귀, MLP)를 훈련 및 평가.
• 레이블링은 두 가지 방법을 사용: (1) 자기 보고된 스트레스 척도(PSS) 점수, (2) 전문가 심리 평가로, 후자가 주된 기준값으로 사용됨.

실험 결과

연구 질문

• RQ1 자기 보고된 PSS 점수에 비해 전문가 심리 평가를 통한 레이블링이 EEG 기반 장기 스트레스 분류 정확도를 향상시키는가?
• RQ2 주파수 대역 파wer 및 비대칭성 측정치를 포함한 EEG 유래 특징 중에서 장기 스트레스에 가장 유의미한 분류 특징은 무엇인가?
• RQ3 여러 기계학습 분류기의 성능은 기저 EEG 신호와 장기 스트레스 상태를 구분하는 데 어떻게 다를까?
• RQ4 전문가 평가로 레이블링된 경우 알파 비대칭성이 장기 스트레스에 대한 신뢰할 수 있는 신경생리학적 생물학적 지표로 기능할 수 있는가?
• RQ5 기준값으로 PSS 점수를 사용할 경우와 전문가가 확인한 레이블을 사용할 경우 분류 성능에 유의미한 차이가 있는가?

주요 결과

• 전문가 심리 평가를 통한 레이블링이 자기 보고된 PSS 점수만을 사용할 경우와 비교해 분류 정확도를 유의미하게 향상시켜 85.20%에 도달.
• 알파 비대칭성을 특징으로 사용할 경우 SVM가 85.20%의 최고 정확도를 기록하며 다른 분류기들을 압도.
• 알파 비대칭성은 전문가 레이블링을 기반으로 하여 장기 스트레스 분류에 통계적으로 유의미하고 분류 능력이 뛰어난 특징으로 확인됨.
• SVM의 평균 절대 오차는 0.15로 로지스틱 회귀(0.22)보다 낮아 보다 정밀한 예측 성능을 보임.
• SVM의 RMAE는 0.38로 로지스틱 회귀(0.36)보다 略로 높지만, 전반적인 성능은 두 모델 간 유사하게 유지됨.
• 본 연구는 EEG 기반 만성 스트레스 분류 연구에서 심리학 전문가를 활용한 레이블링을 처음으로 도입하여 이 분야에서 감독 레이블링의 새로운 기준을 설정함.