[论文解读] 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 5

一句话总结

本研究提出一种基于脑电图（EEG）的长期压力分类方法，采用心理标签进行标注，其中压力水平通过专家评估和感知压力量表（PSS）得分进行标注。利用五通道EEG记录，α波不对称性成为关键区分特征，在专家标注下使用支持向量机（SVM）实现85.20%的准确率，表明其作为慢性压力检测的稳健生物标志物潜力。

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.

研究动机与目标

• 开发一种基于脑电信号的客观、低成本的长期压力检测方法。
• 探究通过专家评估进行心理标签是否能提升分类准确率，相较于自报的PSS得分。
• 识别在频域和不对称性测量方面具有统计显著性的EEG特征，用于慢性压力分类。
• 评估多种机器学习分类器在区分长期压力与对照状态时的性能表现，基于EEG数据。
• 通过使用经专家验证的标签进行监督学习，确立α波不对称性作为长期压力潜在神经生理生物标志物。

提出的方法

• 使用五通道耳机在闭眼静息状态下从33名参与者采集脑电信号。
• 从脑电信号中提取频域特征，包括δ、θ、α、β和γ频带的功率。
• 计算额叶和颞叶的α波与β波不对称性作为附加特征，其中α波不对称性基于四个导联计算。
• 采用t检验进行特征选择，以识别在压力组与对照组之间具有统计显著差异的特征。
• 使用选定特征训练并评估五种分类器：SVM、朴素贝叶斯、K近邻（KNN）、逻辑回归和多层感知机（MLP）。
• 采用两种标注方法：(1) 感知压力量表（PSS）得分，(2) 专家心理评估，后者作为主要真实标签。

实验结果

研究问题

• RQ1 与自报的PSS得分相比，专家心理评估是否能提升EEG基长期压力分类的准确率？
• RQ2 哪些EEG衍生特征，包括频带功率和不对称性测量，对长期压力最具区分性？
• RQ3 不同机器学习分类器在基于基线EEG信号区分慢性压力与对照状态时的性能表现如何？
• RQ4 当使用专家评估进行标注时，α波不对称性能否作为长期压力的可靠神经生理生物标志物？
• RQ5 当使用PSS得分与专家验证标签作为真实标签时，分类性能是否存在显著差异？

主要发现

• 使用专家心理评估进行标注显著提升了分类准确率至85.20%，而单独使用PSS得分时未发现显著特征。
• 当使用α波不对称性作为特征时，支持向量机（SVM）达到最高准确率85.20%，优于其他分类器。
• α波不对称性被确定为长期压力分类中具有统计显著性且具有区分力的特征，尤其在专家标注下表现突出。
• SVM的平均绝对误差（0.15）低于逻辑回归（0.22），表明其预测精度更优。
• SVM的RMAE（0.38）略高于逻辑回归（0.36），但两模型整体性能相近。
• 本研究首次在EEG基慢性压力分类研究中采用心理学专家进行标注，为该领域监督标注建立了新基准。