[论文解读] 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 14

一句话总结

本论文提出DASPS，一个新颖的EEG数据库，包含23名受试者在面对面心理刺激下诱发的焦虑状态，采用低成本Emotiv Epoc脑电设备采集。通过结合特征的堆叠稀疏自编码器（SSAE）方法，该方法在分类两种焦虑水平时达到83.50%的准确率，在分类四种焦虑水平时达到74.60%的准确率，证明了低成本EEG在可靠焦虑检测中的可行性。

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.

研究动机与目标

• 开发一种非侵入性、低成本的EEG信号检测方法，用于检测短暂焦虑状态。
• 创建一个公开可用的EEG数据库（DASPS），记录于面对面心理刺激过程中，使用便携式Emotiv Epoc脑电设备。
• 评估试验时长、特征类型、特征组合以及焦虑水平数量对分类性能的影响。
• 验证特征提取与深度学习（SSAE）在焦虑状态分类中的有效性。

提出的方法

• 基于真实生活中的焦虑诱发情境（如损失、财务问题、截止日期等）的心理刺激，用于在23名健康受试者中诱发焦虑。
• 在受控的面对面互动过程中，使用Emotiv Epoc脑电设备（一种低成本、无线、可穿戴设备）记录EEG信号。
• 提取了多种特征：时域特征（RMS、Hjorth）、频域特征（功率谱密度）、时频域特征（基于DWT）、以及定量EEG（qEEG）特征。
• 采用堆叠稀疏自编码器（SSAE）从组合特征集中学习分层表征，并使用Softmax层进行分类。
• 使用三种分类器——SVM、k-NN和SSAE——在不同特征类型和试验时长（1秒、5秒、15秒）下评估性能。
• 通过刺激前后HAM-A评分对数据集进行验证，以确认焦虑状态的成功诱发。

实验结果

研究问题

• RQ1 能否通过面对面心理刺激，在非侵入性、受控的条件下可靠地诱发焦虑？
• RQ2 使用EEG检测短暂焦虑状态时，最优试验时长（1秒、5秒、15秒）是什么？
• RQ3 哪种特征类型（时域、频域、时频域或组合）在焦虑状态分类中能获得最高准确率？
• RQ4 在使用低成本EEG数据时，堆叠稀疏自编码器（SSAE）在提升焦虑检测准确率方面的有效性如何？
• RQ5 像Emotiv Epoc这样的低成本可穿戴EEG头戴设备，能否在焦虑检测中实现与医疗级设备相当的性能？

主要发现

• 通过心理刺激在1秒内成功诱发了焦虑，HAM-A评分显示刺激后显著上升。
• 在使用所有组合特征（277个输入特征，184-138隐藏层）的SSAE下，两种焦虑水平的分类准确率最高，达到83.50%。
• 对于四种焦虑水平，最佳准确率为74.60%，采用相同的组合特征与SSAE设置，表明复杂度增加会降低性能。
• 时域特征（RMS）和基于DWT的特征优于其他特征类型，其中RMS在1秒试验中使用SVM达到77.40%的准确率。
• SSAE结合组合特征显著提升了分类性能，证明了在低成本EEG应用中分层特征学习的价值。
• 研究证实1秒试验时长为最优，因为更长的时长（5秒、15秒）可能包含多种情绪状态，从而降低分类准确率。