抽象性
COVID-19由卫生组织宣布为全世界关注的公共卫生紧急事件迅速遍历世界,对身心健康构成危险。CoVID-19导致世界最大世界锁闭之一,影响人的精神健康在这次研究工作中,提议以修改短期内存为基础的深学习模型框架,使用电脑图信号分析COVID-19对大流行病期间情感和心理健康的影响研究参与者为从COVID-19恢复过来的志愿者EEG数据集由40人组成,用于预测情感和心理健康MLSTM模型结果还与其他文献分类器比较精度为91.26%,MLSTM使用70-30分治技术比现有分类器强
开工导 言
CoVID-19流行病迅速遍及全球,使世界停顿国家政府必须实施锁住以阻止病毒传播,这导致社会普遍隔离,可能产生严重精神病反应一号..世界性锁住影响了人们的生计并给他们的心理健康造成巨大损害然而,流行病对精神疾病的影响相似性尚未得到广泛研究,只发现微小后果压力与人们子孙因情感问题启动之间的重要联系,因此关键是要研究指令隔离并待在家里对其精神疾病的影响2..在此期间,关键是要研究个人如何关注受感染或受COVID-19相关影响,以及这种风险感正如何改变[3,4并影响他们的情感,最终导致心理健康问题5..
通过研究发现,大流行病对心理疾病的副作用受各种因素制约,如年龄、社会网络、职业、职责、经济条件、心理健康问题、健康问题和个性行为[6,7..优先调查这些关联性,因为这些关联性对于向规则提供资讯和保健选择以及指导学者和医生都至关紧要。然而,关于流行病如何影响心理疾病的信息很少。先前关于COVID-19与精神疾病关联的研究侧重于约受限的心理健康领域,未包括预期会改变影响的许多心理社会经济因素以及该大流行病的负阳性效果8,九九..
为了克服这一问题,本研究论文建议修改短期内存基础深学习模型框架,使用电子脑图信号研究COVID-19对流行期间情感和心理健康的影响这项研究由使用COVID-19检测并取出研究个人情感时使用EEG信号学习脑波描述个人在流行病期间的心理健康情感识别行为分析有益于社会,也是一个进化研究领域10,11..情感识别指人识别各种日常交互成功响应的能力情感状态感知在许多方面帮助社会举例说,有负情感状态者可在需要时得到情感帮助或药剂,情感状态可改善,这可进一步提高他们在社会和工作场所的性能[12..同时,有正面情感状态者可以为社会福利而工作部署EEG信号预测心理健康最近引起极大关注13..
EEG信号更受欢迎 因为它们无法假冒14..EEG信号反映神经元脑电活动,并经常使用这些信号研究脑工作15-18号..
难以伪造脑信号,在本论文中,我们建议使用EEG分析大流行期间心理健康的方法在这次研究中,我们使用EEG设备收集数据集EEG帮助采集数据非操作性,这是研究的一大长处19号..COVID-19期间对心理健康和情感的清晰调查分析耗时很多,所以这一过程需要自动化化,以便人能最充分地利用自己的潜力并向他们提供帮助改善他们的心理健康脑信号直接记录不可变换或干扰帮助检测心理健康实现合理精度,因为EEG廉价、成本效益高、非入侵性快速化,使其成为测试脑情感变化常用工具使用NeuroSkyMindWave移动2设备,我们通过将电极定位FP1创建数据集,因为频率小于或大于0.5赫兹至50赫兹不正确20码,21号..
MLSTM基础框架开发使用EEG信号分析COVID-19对大流行病期间情感和精神疾病的影响70-30分治策略用于判定模型性能结果显示模型性能优于所有其他分类器研究内容包括及早检测个性失常、情感痛苦和其他精神疾病22号,23号..大流行期间心理后果是提高人民生活质量并最大限度地提高他们的性能24码,25码..
短期研究概述如下:(一) 利用EEG信号分析COVID-19对情感和精神疾病的影响时,建议采用新框架深学习修改MLSTM方法开发一个新的EEG信号数据收集程序(Dataset),EEG便携式单通道计算机高效平台使用印地语处理印度情感集群问题
二叉推荐工作
本节详细介绍设备使用、数据集创建和拟议算法
2.1.设备刺激描述
NeuroSkyMindWave移动2设备成本效益高、可移植易操作捕捉脑信号 设备中的组件灵活持久工作需要的数据集基于脑波或EEG信号这些数据自取使用NeuroSkyMindWave移动2设备,单通道EEG可调整头带设备输出12位原脑波(1-100赫兹)采样率512赫兹并输出不同频率和形态波段EEG功率谱
数据集使用eegID应用记录,FFT技术作为特征提取法实施共提取10个特征,称F1F2F.F10
EEG信号生成时,个人通过视觉内容接触情境或场景时经历不同的情感或情感通过分析脑波同时观察情感或情境素材并分解情感二类,即正或负分解,我们识别个人心理健康启发素材包括约40段视频(Hindi-English语言)。定义数据采集过程约40名参与者观看8段视频片段,描述真实情感体验分析心理健康记录脑波数据处理后再应用深学习机学习算法研究和分析大流行病期间的心理健康并精确预测情感状态
2.2.数据集
40名(20名男性和20名女性)非临床参与者被考虑参加这项研究研究由参与者自愿完成并恢复使用COVID-19参与者还签署了知情同意表非临床参与者来自各种文化教育类,5个数据样本因设备故障或EEG信号件归结过多而下降因此,35个样本留作可信对象(17个男性和18个女性)。参加者年龄组划分为三个年龄组:15至20岁、21至26岁和27至35岁参与者按本科生、研究生和工作专业人员的教育背景划分健康视觉的非临床居民中,二人左手,其余33人右手实验前24小时指令参与者不要喝尼古丁或咖啡因跨步时,首先以与《赫尔辛基宣言》定义一致的方式向全体参与者介绍研究上下文和过程一周内两次用同非临床人口进行实验
图一号解释实验协议创建脑信号数据集向参与者提供10秒提示启动实验观察导出剪片后,主体必须填表三点自评表(1=Agreee,2=Servicee,3=Disagree)评分情感由二进制情感类组成论坛敦促与会者回答所有问题的真实情感
2.3分类分类
MLSTM模型使用EEG信号分类二类情感(正负)分析COVID-19对心理健康的影响
2.3.1MLSTM架构
图2显示基础LSTM设计修改LSTM网络有三个门:忘记输入输出MLSTM网络使用这些门决定保留和清除内存的信息除隐藏状态外,别无可回想图2显示网络秘密显示忘记门选择信息保留和单元格状态丢弃选择由sigmoid层帮助完成
二门带二层图案输入门决定修改值和层 ,生成新更新值
长 EEG序列难从循环神经网络学习,因为他们接受时间回推训练(BPTT),导致梯度消减要解决这一问题,常用神经网络单元格代之以称为LSTM单元的端口单元格由于其依赖主观评价和EEG数据分类,MLSTM没有差长概念学习长期时序依赖关系并研究EEG信号时间相关性帮助MLSTM在EEG信号分类难点上实现更好的结果MLSTM至高无上还由于模型的清晰性防止长期依赖问题
MLSTM1、MLSTM2和MLSTM3架构显示图3.Python3.8和TensorFlow2.2.0用于后端建设MLSTM网络最简单选择MLSTM1设计,单层内有164内存单元内存存储信息块和这些块由三大进程修改,即门控内存使用忘记门, 有可能做细胞状态中遗漏的东西 以建议方式EEG信号数据集使用忘记门清除,该门乘法滤镜MLSTM网络必须通过修改优化
MLSTM_2设计中只有一个LSTM层和最大268内存单元总计732,564和236内存单元可用MLSTM_3架构三级下层概率为0.4和0.2退学规范化MLSTM模型的长处是更好地记住而不失去核心特征超配率下降,模型培训速度加快,MLSTM模型预测性能提高,使用0.4和0.2的退学率激活函数称 " ,用于模型内部层MLSTM三大网络各输出32 5664单元 激活函数
软化激活函数用于输出层分类两种情感
三种MLSTM设计中,超配因限制单元适配退层而减少分类交叉机密是指各种网络配置在稠密层中的损函数自适应运动估计优化器(Adam)使用时学习速率为0.001使用Minmax标度函数,数据集输入属性正常化每一特征的贡献都一致 多亏此法规范化网络参数在训练期间变化不定,减少内部共变转换和移动网络激活分布内部差因网络正常化而减少平面权值也受限,以防止因优化程序而在整个网站扩展机制因正常化而变得更加正规化,这并非理想结果。1,000迭代40批量评价模型输出EEG数据集被用于评价MLSTM原型基于对邻近架构的测试,我们选择这些架构和素质(层次和节点方面)。因为它们超前近端设计精度达500个时代, 这三个结构在我们分析中得到了考虑显示MLSTM_3架构正确性表一号显示几个时代的评估结果下一节将解释性能评价参数
3级性能度量
MLSTM架构通过计算精度、回溯性能精度和曼-惠特尼测试性能尺度分析
3.1.准确性
校正样本与总样本之比
3.2召回精度
召回精度可评为
3cm3特性性
正负加假正比
3.4.Mann-Whitney测试
曼和惠特尼26测试能提供样本的重大差分计算 值模型描述效果
4级结果
拟建架构结果见本节介绍MLSTM_1、MLSTM_2、MLSTM_3、MLP、KNNN、SVM、LibSVM和CNNMLP、KNN、SVM、LibSVM和CNN模型的参数值取自[27号-31号.....执行MLSTM架构时使用的参数值为0.2和0.4退约者、Adam优化者、0.001学习率和500ops
70-30分区用于评价性能70%样本保留在培训数据中,30%用于测试架构所有性能度量法均使用分治法计算,显示结果
4.1.MLSTM架构评价
三大深学习MLSTM架构应用为两类情感分类研究,用EEG信号分析大流行病期间的精神状态显示LSTM主控11架构比较ML模型文献证明,由于计算和分类单元的存在,LSTM结构显示优于ML模型,这也从结果中确认处理顺序和时间序列数据的能力使数据成为情感识别最佳选择之一
表22描述两种情感分类精度分析3 MLSTM架构中EEG信号流行期间的精神状态MLSTM_1分治法最大值、平均值和最小精度分别为63.76%、60.24%和57.87%
MLSTM_2分别获取77.43%、74.34%和70.19%最大精度、平均精度和最小精度远高于MLSTM_1架构
MLSTM_3架构在所有架构中最精准最大、平均和最小精度分别为91.26%、88.92%和85.18%MLSTM3确认三大架构中最优
图4表示精度比培训损耗计算损失时计算实际值与预测值之差此处使用的损失函数绝对交叉性,因为它是最常用损失函数之一图5表示精度比测试损耗从图中可以清楚地看出模型平均精度近90%而最小损耗,这表明模型优于情感识别
5级讨论
表23描述模型性能精度结果显示MLSTM_3架构优于另外两个架构
比较拟建架构与其他机器学习模型本研究使用的所有模型使用同组特征实现开发模型环境与公平比较工作环境相同。
MLP精度为75.34%,KNN精度72.42%,SVM精度78.23%,LibSVM精度81.72%,CNN精度79.72%,MLSTM3精度91.26%拟建架构精度比显示MLSTM_3架构有效性的二流模型高近10%
表格描述其他性能度量4.从结果可见MLSTM_3架构极低假阳性负率这对于衡量模型性能也非常重要。
表25曼-惠特尼测试26..上头 值描述模型与其他模型的重要性if 值大于高值,低 值描述架构无足轻重在此所有值都非常重要,这对测量模型非常重要。
6级结论
本文建议MLSTM结构分二类情感分类分析大流行期间的精神状态收集40人的数据集 做情感分类并开发MLSTM架构对正负情感分类结果保证性能优于所有其他情感分类方法这项工作的局限性在于我们已经使用一通道EEG设备收集资料分析EEG设备的结果会很有趣,如4通道、14通道和16通道未来,我们想创建范围更广的数据集 分析更多参与者的结果 帮助分类器提高
数据可用性
数据可应请求从相关作者获取
利益冲突
作者声明不存在利益冲突