文摘
在这次大流行情况下,重要性和对心理健康的认识越来越关注。压力等多通道传感器基于生理信号的识别脑电图(EEG)与心电图(ECG)信号是一个非常具有成本效益的方式由于其侵入性性质。数据集,记录在心算任务,组成的脑电图+ ECG信号的36个参与者使用。它包含两个类别的性能,即“好”(相应的)和“坏”(强调)(古普塔et al . 2018和Eraldeir et al . 2018年)。提出了一个有效的方法来识别压力标记在额叶,颞,中央和枕叶。It过程的多峰性生理信号。变分模式分解(VMD)策略是用于数据预处理和信号的分解成不同的振荡模式的功能。庞加莱图(PP)来自前八变分模式和特性等这些情节已经提取的意思是,椭圆的面积,集中趋势测量区域。提取的特征的统计学意义 使用Wilcoxson测试已经完成。多层感知器(MPLN)和支持向量机(SVM)算法用于压力和nonstress的分类类别。MLPN取得的最大精度为100%额叶和颞叶。建议方法可以纳入非侵入式脑电图信号处理为基础的自动压力识别系统。
1。介绍
工作区中的短期心理疲劳导致效率降低,而长期精神疲劳可能导致大脑损伤。因此,及时了解合理的心理疲劳的速度非常重要。压力管理是非常必要的对于成功和幸福的生活。人可以轻松地管理压力并展示他们的行为在大脑和很容易被非侵入性的方法。采集的数据在实时环境中是非常艰难的;因此,诱导技术行为研究中起着非常重要的作用。三个级别的心算任务主要用于文学很简单,中等,困难,这是一个适当的方法诱导应力在虚拟环境1]。如今,在每一个工作领域和文化、性能设置标记和压力管理是一个关键的成功和nonmanagement压力不仅导致失败,而且是抑郁症的主要原因,挫折,和消极的对待生活。因此,压力管理是一个重要的技能学习和帮助这个兄弟会的早期识别标记非常重要。
在文学,已经进行了很多尝试在这个方向。首先,为了了解压力和nonstress兄弟会的标记,各种类型的研究已经进行算术测试是最常见的技术已被广泛采用。然而,心算任务是一个适当的应力诱导技术,但它有一定的局限性和根据年龄显示不同的影响2]。捕获的反应不同类型的对象,以应对各种压力诱导技术,多峰性方法表现出重要作用及其影响是值得注意的3]。各种类型的研究在这一领域和很有趣的研究进行了实验的算术任务已经完成数字有序和无序(4]。大脑各叶和它给各种活动,有时,它可能是依赖和独立,这种相关性已被确定通过研究不同的大脑区域在执行活动abacus [5]和半球激活研究[6]。思维也充当一个重要角色在大脑信号的生成;因此,沉默的文本的阅读和研究大脑信号以响应沉默文本阅读进行了(7- - - - - -9]。
捕捉生理信号诱导技术,脑电图(EEG)、肌电图(EMG)、electrooculography(小城镇)与心电图(ECG)大多被使用而photoplethysmography (PPG)也提供了一个很重要的角色在捕捉生理信号(3,10]。单通道虽然侧重于单一的任务而多通道的研究重点和捕捉来自各个部分的反应;因此,多峰性信号和心理工作负荷的相关性研究[11,12]。每个重大活动都包含不同的大脑区域的重要性及其协会细节提出了(13]。尽管行为影响是可用的,某些叶显示突出的变化;具额地区展览突出信号的变化而进行心算任务(14]。数据采集通过诱导相关技术/协议及其系统分析导致设计一个适当的研究方案和普遍使用的方法是合适的选择渠道(15]。只分析EEG信号的可视化是一门实证科学,需要在神经领域专业知识,因此,它是非常耗时且乏味的过程16]。因为有压力诱导技术,同样应力消除技术和他们的认知影响也是伟大的理解17]。调用和补贴的情绪压力重大的影响18在癫痫患者中并产生不同的行为反应19,20.]。生理信号也有助于学习行为模式在特殊类别21]。为了更好地可视化信号分解方法,特征提取中扮演非常重要的角色。分解的信号以实证方式已广泛应用(22),但高频研究VMD的支持;因此作者提出使用VMD技术更好地可视化时域信号,同时保留其频率成分。这种方法已被证明其重要作用的发作(23,24]。理解大脑区域之间的连接会给出清晰的了解起源和出口之间的电气连接区域(20.]。然而,有卷积的方法21)阅读EEG信号,但他们没有阅读信号在时频域的灵活性,有时因为脑电图信号的非平稳的行为他们需要妥协的准确性(25]。有无限的地方压力被唤起,原因可能是噪声触发或不愉快的视觉26]。据说每个任务是时间有限和被证实在学习相关的活动和时间(24]。纯粹的干净数据采集并不能解决的目的,除非相关特性提取和它的重要性是可行的1,23]。捕获的信号从大脑区域是非常乏味的;因此,只有额地区进行了研究[27]。脑电图信号是非常有效的在各种有节奏的信号之间的相关性(28]。激活特定的地区和乐队取决于类型的活动执行的对象(29日,30.]。由于缺乏专业的自动化和半自动化,分析多通道信号如脑电图+心电图是非常重要的31日]。在现实生活中,引起压力和时间要求分析其耐药能力各种约束(32- - - - - -34]。
这项工作的主要目的是提取相关特性的多峰性生理信号和设计一个分类器,这可以很容易地检测压力(坏的管理者)和nonstress(好)表演者,信号被捕获,主题表现沉默的数学活动以及在熟悉的环境。因此,本研究工作的主要贡献如下:(我)提出一种有效的自动分类方法的抗压力能力而进行短时间心算任务。(1)VMD用于分解多通道生理信号。(2)PPs情节来源于第一个八变分模式。(3)识别功能等已确定区域,从每个页的意思是,和集中趋势测量。(4)提取的特征传递给被认为是好的和坏的类的自动识别分类器。
剩下的纸是组织如下:部分2描述材料和方法部分3讨论结果和结论提出了部分4。
2。材料和方法
本节的讨论了方法包括四个部分:(i)的描述数据集用于实验,(2)选择渠道一个实验目的,(iii) VMD (iv) PPs和特征提取、分类器(v), (vi)评价措施。
建议的工作流程如图1。在接下来的部分将描述不同阶段。
2.1。数据集
在这个工作中,数据集用于实验的目的和评价应力分类器是可用的公开(15]。对于每一个主题,两个轨迹进行生理信号(EEG +心电图)已经被抓获。跟踪1基线活动180秒让受试者熟悉环境和60秒的数据为实际认知任务的性能。数据采集的采样率是516赫兹。因此,每个主题认知任务有原始文件数据维度(21频道516个样本x时间结果)到(650160×516×60 = 21日)数据点和(1950480×516×180 = 21日)数据点为基线活动。独立分量分析(ICA)进行了噪声去除的目的。然而,数据集受试者执行时捕捉到沉默的数学活动,没有肌肉运动预计但噪声通常被介绍和消除工件的眼睛运动和心脏重叠的心脏位置已经完成。任务是由研究对象包括两个数字没有做任何运动的减法。每个试验已经开始的口头沟通便是(减数)和4(被减数)数字42和3141年,分别。数据集的更多细节可以在[15]。地面实况标签的数据集的基础上完成性能报告卡的形式可以excel表与数据集。在数据采集受试者被要求执行算术活动和相应的演员表现大约21倍并强调演员表现的7倍。nonstress演员数量数据集是26,压力的表演者是10。虚拟参与者已经添加到数据集nonstress类别通过复制数据channelwise实验目的与目标的平衡两个类别的数据。年龄段的主题是第16 - 26页的范围内;包括男性和女性类别。
36个受试者的数据总量已经评估,给分类器由一个健壮的和适当的特征提取方法。文档标签的数据集(1),性能报告的主题与符号主题0到35主题包括姓名、年龄、性别、减法,数量和质量“G”表示好,“B”表明坏,如前所述的excel文件。加入主题与脑电图数据文件和名称属性创建一个标签数据集文件和这些标签用于地面实况二进制分类。
2.1.1。通道选择
渠道包括研究涵盖完整的头骨半球从额枕地区:额位置,6 + 1通道;时间的位置,4通道;中心位置,2 + 1渠道;壁的位置,2 + 1渠道;枕的位置,2通道;在耳朵后面,1通道;心电图和1频道。频道选择记住目标完成调查受灾地区,以便精确标记可以确定在每个类别中显然可以帮助识别歧视的压力和nonstress生物标记的目的。通道位置考虑如图2。
2.2。变分模态分解(VMD)
这种分解方法是健壮的噪声处理(35]。这是一个实值输入信号分解的过程f成离散的subsignals也称为模式uk。每个模式都是人口面向其中心频率 ,这是在分解过程中确定。每个模式都有一个使用稀疏属性,而重建信号。稀疏分解之前,每个模式都有在光谱域由带宽。确定带宽,需要遵循三个步骤,给出了如下:(1)从每个模式,希尔伯特变换被用来获得单边频域。(2)随后,将频谱在步骤1中已获得的基带结合指数调整各自的中心频率。(3)然后,应用H1高斯平滑的解调信号获取带宽了 在哪里 和 。
变分的具体行为模式分解算法(VMD)所示1。
|
2.3。庞加莱图(PPs)
后页的模式获得VMD的脑电图信号可以提供有利的特征模式分类的目的。人民党信号定义为给定的方程如下:
的策划对见以下方程:
这个图表示连续的相互比例(36]。合成椭圆形状的情节描述模式意味着强烈的连续数据点之间的正相关,可变性和随机性质。作为模式源自倾斜向中央信号频率、不对称区域范围在PPs是可见的。区域覆盖前八的情节模式明显高于其他的模式。十模式从信号和评估,但只有获得前八模式考虑实验和剩下的两个被排除在外的基础上显著的区域范围比其余中央模式。
2.4。特征提取
由于没有固定行为的生理信号,捕获特性从PPs获得椭圆区域的面积,平均距离和集中趋势测量。PPs设计从每个模式从变分模式分解,和区域范围的计算椭圆形状的情节,所使用的方程如下: 在哪里 ), ),和 。
面积计算从心电图和脑电图的PPs信号作为区别的特性有95%的信心。面积计算的细节包括计算平均值和如前所述在方程(2)和(3)。计算图参数计算平均值从方程(4)- (6)。椭圆面积可以通过方程计算(7)。均值和集中趋势测量(CTM) PPs的派生。
2.5。分类器中使用的研究
分析该方法的鲁棒性,两个分类器检测多层感知器神经网络(MLPN)和支持向量机(SVM)。第一个实验用支持向量机进行了。类别的监督学习的目的,可用于数据分类在二进制或多类类型。每个数据点表示n我并要求 - - - - - -维空间策划所有数据点在考虑。分类算法的目的目标是寻找一个适当的超平面,歧视和隔离的正确的数据点是可能的。在分类的条件是不容易实现的内核是一个选项选择支持向量机,这是一个方法,把低维输入空间提升到更高的水平。与SVM MLPN有能力执行更复杂的操作,它有一个趋势近似输入是结合非线性激活函数。
作为数据不是所有时间线性可分MLPN纠错的通过使用反向传播方法,初始重量和偏见得到纠正以减少之间的差异水平和预期结果。它是非常有用的图像分类方法。作者的数据转换成标签版本通过地面真值节中描述2。不同数量的层试验和合适的隐藏层固定10神经元和3层每一层。激活函数的使用是解决线性单元(ReLU),各种学习参数设置为正规化,α是决定0.0001值大多数研究报道这个值和它认为适合我们的实验目的。迭代次数设置为200。亚当优化器是用于优化目的,帮助我们达到预期的精度水平的子集。为了避免非常快和非常缓慢的学习过程中,我们选择了价值0.001和保持常数的实验。对支持向量机参数选择的细节 , , , , ,和 。
2.6。绩效评估措施
绩效评估主要使用敏感性、特异性和准确性使了解培训、验证和测试阶段为了计算方差和偏差的分类器。在这个工作中,提出了分类器的性能评估了使用三个评价指标如准确性、特异性、灵敏度如下方程来表示: 在哪里和是通知多少的指标数据点被正确预测的分类器和和是通知多少的指标数据点提出错误分类的分类器。
3所示。结果与讨论
在这个工作中,数据集用于实验的目的和评价应力分类器是可用的公开(15]。这些记录脑电图信号在执行有限的心算任务持续时间。图3显示信号的分解利用VMD方法及其模式的倾斜对原始输入信号的中心频率证明的方法更好的噪声处理的重要性和它的恰当处理较低的频率相比更高的频率成分。
前八的PPs变分模式如图4。情节模式显然是代表不同的覆盖面积和它更倾向于较低的频率分量模式相比更高的频率分量模式。这些PPs的EEG信号,主题1(女,好演员)记录频道 ,在进行心算活动持续时间1分钟。
第二节中描述的特征提取,“材料和方法”,特征空间的设计起到了推波助澜的作用。提取特征从PPs贡献提供了功能空间和它的设计作为一个支持向量机和多层感知器神经网络的输入。统计学意义的特征进行了提取Wilcoxon统计显著性检验 。提取的特征集中趋势测量,平均距离和面积。数据生成的和好的表现女性频道和列在表1。中间区域范围的最高模式相比初始和结束位置。
的Wilcoxon符号秩检验已经完成验证的统计显著性特征提取的置信区间 。
检查分类器的鲁棒性和更可靠的性能评估提供数据为第一次分类器在两个方面 培训、验证和测试已经被分割策略将使用数据和后来k-fold数据的价值k= 10被选中。只有前八模式被用于提取的结果。通过考虑所有这三个特性测试数据的20%来自36个主题,第一个八模式,二进制分类结果根据群体选择的频道表中列出2。表3总结了结果k-fold交叉验证的情况。
模式从EEG信号中提取显示变频行为和因为倾向中央波动频率模式从低到高,反之亦然。中央模式表现出更高的频率成分相比,初始和结束。初始信号分解成10模式但在8日模式已经停止展示任何行为的变化,似乎在本质上是静态的。因此,只有首先8模式被认为是一个实验的目的。剩余的8节点也表现出一些分组特征;因此3组与1 - 4的组合模式,5 - 8模式,和1 - 8模式创建和相应处理。每个主题包括21个通道分解已经完成subjectwise trialwise。对信号的分解模式需要大约2 - 3分钟,PPs设计模式为每个主题花了约3 - 4分钟。提到的范围是由于不同大小的数据点为试验1和试验2中解释部分2。分类的目的有两种算法,支持向量机和MLPN。支持向量机所花费的时间是更比MLPN二进制分类不同的子集。通过使用k-fold,改善了分类器的性能,比预期的比例分割基础研究。特别值得注意的模式1 - 4和1 - 8,但边际模式5 - 8除了第一组,好的演员和坏的表现。更好的性能,在k-fold交叉验证,达到是因为更高比例的数据用于训练目的相比比例分割情况。作者的主要目标是识别特定的大脑区域展示重大行为和可作为歧视的标志,从而设计相应的子集。
第一个子集是好与坏(1 20脑电图和心电图频道),随后4子集地区额,颞叶,中部和枕叶。除了这五个子集两个子集进行测试好的和坏的男性和女性,但没有取得任何好按性别分类精度,并因此得出一个结论,性别歧视对于性能是不可能通过的设计方法和需要其他方法一样什么也发生在顶叶区域子集和已经被排除在一个实验。提取模式表现出不一致的和突然的高潮和/或下降,可以照顾的检测和去除离群值确定PPs之前。椭圆的情节变化/减少不同模式,但只有那些情节显示的模式被认为是良好的椭圆曲线和其他被排除在外的实验目的。土地覆盖的区域成为真正的虚数和我们对待一种绝对的版本。复杂的自然出现的原因是正确的方程(4)- (6)涉及根功能,很可能结果成负数出现复数。
数据集由21频道但对于一个实验目的最初只额频道被认为和随后时间,中央,顶叶的评估。最后20脑电图通道心电图和1通道被认为是实验。特征映射由通道、小道,模式,区域,意思是,和中医的维度8×3为每个通道和主题。第一块8模式及其生成的每个通道。后来3功能已经从每个连续的情节。Wilcoxson符号秩检验已经完成验证派生特征的统计学意义 。情节地区已大大减少初始和结束位置的模式,这是一个潜在的信号的频率内容少的迹象。相比之下,意味着来自PPs显示甚至上升和稳定,可以明显的集中趋势测量。
实验结果是明显的大约所有子集用于分类。大多数压力相关研究报道为特定/有限的通道(37- - - - - -39]。应力分类的建议的方法优于现有的其他方法(3,40- - - - - -43)达到100%的准确率与最低的时间心算活动,也有洞察力的识别标记lobewise(额、颞、中央和枕)而不是通用的方式选择渠道。我们的大脑活动由神经元之间的离子交换,结果到通过突触电流模式。压力和情绪自然产生或诱导环境倾向于保留以电流的形式。脑电图装置是用来测量电压波动,是因为神经元的运动,因为它已经倾向于保留一些时间;这是非常有效的方法措施的积极的和消极的环境状况对人类大脑的影响(44- - - - - -46]。因此,在本研究工作中,提出了一个高效、准确的分类器异常应力分类的结果与采用VMD EEG信号,支持向量机,多层感知器。的最大精度达到在时间和额叶(47]报道类别激活和识别区域观察到颞叶与演讲和nonspeech活动密切相关,数据集(15]研究使用原型包括沉默的精神计数活动没有任何运动;提取的结果是相关的。提取结果更加突出在额叶和颞区与自然的集中和聚焦模式密切相关。目标数据集的方式是不错的。在未来的表现方法为其他生物医学信号将受到考验。事件驱动方法的结合可以提高性能的建议解决方案的计算效率,压缩和功耗(48- - - - - -51]。这种方法的调查是另一个前景。
4所示。结论
在这工作,尝试提出和探索VMD的方法及其分类的庞加莱图压力管理能力从沉默的心算活动。VMD是一种很有前途的方法提取心电图+脑电图信号的相关特性。合成的庞加莱地区情节已经表现出不同的性质和不同压力和nonstress类别。只有第一个六、七模式提供了更好的分类精度比较分析的压力。信号伴随活动显示显著差异比较基线活动好演员虽然已经显示出稳定的表现不佳,因此有一个直接对庞加莱图更广泛的影响。好的表现女性的面积已显著提高。设计方法实现了额叶和颞叶的最大精度为100%。该方案可以是有益的临床识别低收入和high-dominance地区主题。在未来的范围,该方法可以扩展到研究的分类其他大脑疾病如癫痫、阿尔茨海默氏症和抑郁症。因为识别标记在额叶和颞叶这种方法可以作为有前途的方法来实现实时情况。
数据可用性
本文使用的数据集是公开的https://physionet.org/content/eegmat/1.0.0/。
的利益冲突
作者宣称没有利益冲突有关的出版。