38、COVID-19 场景下用于认知康复的压力检测

COVID-19 场景下用于认知康复的压力检测

在当今时代，新兴技术如物联网与机器学习的融合在工业和学术界的需求日益增长，医疗保健领域的脑机接口工具，如脑电图（EEG），受到了全球关注。特别是在 COVID - 19 大流行期间，人们面临着诸多挑战，包括身体健康问题和心理压力，这对人类的心理健康产生了巨大影响。

1. 研究背景与动机

• 压力的普遍性与影响 ：压力是每个人都会遇到的常见情况，在大流行时期，由于恐惧、慢性健康问题、孤独感等因素，心理压力会增加，这不仅损害心理健康，还会影响身体健康。此前针对中东呼吸综合征、严重急性呼吸综合征和埃博拉等疫情的研究表明，这些疫情会给心理健康带来诸如抑郁、恐慌、焦虑等负担。
• 现有研究的不足 ：大多数近期研究仅关注疫情对学生和学术人员的心理影响，而本研究旨在通过检测脑电图记录的大脑活动异常或退化，来检测普通人群中的压力。同时，现有的一些基于人工智能和智能系统的医疗检测方法，如基于 CNN 的 COVID - 19 检测模型，由于训练数据样本较少，长期效果不佳。
• 研究动机
  1. 研究基于安卓游戏的玩家压力状况。
  2. 克服现有文献中的不足，逐步提高压力检测的性能。
  3. 检测基于游戏调节心理状态的三个因素，即关联性（玩家与社会中其他人的交往能力）、完成必要游戏关卡的能力和自主性。

2. 相关工作

为了更好地理解压力检测和认知康复领域的现状，我们回顾了一些相关研究：
| 参考文献 | 动机 | EEG 设备 | 受试者 | 预处理 | 特征提取 | 分类/聚类 | 贡献 | 不足之处 |
| — | — | — | — | — | — | — | — | — |
| Asif 等 [32] | 响应音乐曲目检测压力水平 | 四通道 MUSE 头带 | 13 名女性和 14 名男性 | 陷波带阻滤波器，拒绝 45 - 64 Hz 频率 | 绝对功率、相对功率、相干性、相位滞后和幅度不对称性 | 顺序最小优化、随机梯度下降、逻辑回归、多层感知器 | 逻辑回归获得最高准确率（两级为 98.76%，三级为 95.06%） | 未来可增加受试者和特征数量以提高深度学习的准确率 |
| Saeed 等 [33] | 通过 PSS - 10 问卷进行静息状态下的长期压力识别 | EMOTIV Xavier 测试台版本 3.1.21 头戴式设备 | 13 名女性和 20 名男性 | 使用快速傅里叶变换去除直流偏移，闭眼状态下最小化眨眼 | 五个通道的功率谱密度、α 和 β 不对称性，使用 t 检验进行特征选择 | 支持向量机、朴素贝叶斯、k 近邻、多层感知器、逻辑回归 | 心理学专家参与标记压力强度，SVM 和 LR 具有 α 对称特征时准确率最高 | 未来可增加受试者和特征数量以提高深度学习模型的准确率 |
| Ahn 等 [34] | 使用心理算术、Stroop 颜色 - 单词测试进行压力评估 | 两通道 EEG 和一通道 ECG | 仅 14 名男性受试者 | 使用快速傅里叶变换去除 EOG 信号 | 左右归一化的 α 和 β 波段功率，以及各波段的功率不对称性 | 方差分析确认统计显著性，支持向量机分类压力情况 | EEG 和心率变异性的结合提高了压力评估分类器的性能 | 可将湿电极替换为干电极以提高佩戴便利性，增加训练样本大小以提高准确率 |
| Kalas 和 Momin [35] | 压力水平估计和降低 | RMS MAXIMUS 24 通道 EEG | 仅十名受试者 | 使用离散小波变换进行降噪 | 从基线和任务负载两个阶段提取特征 | 计算压力指数，使用 K 均值聚类根据阈值分为高压力和低压力 | 有助于压力管理，节省时间和人力 | 未来可进行敏感性分析和干预以检查压力降低情况 |
| Priya 等 [36] | 串行减法任务期间的压力检测 | 具有 10 - 20 电极定位系统的 EEG | 共 36 名受试者 | 考虑无伪影的 EEG 信号，包含 182 秒的放松状态和 62 秒的压力状态 | 通过功率谱密度使用快速傅里叶变换提取 64 个功率比特征 | SVM 和 k 近邻作为分类器，k 折交叉验证检查泛化和无偏性能 | 高斯 SVM（KS > 2.5）表现更好，kNN 单邻域表现良好 | 未来可对高阶多项式 SVM 进行更多评估 |
| Liao 等 [37] | 通过听音乐预测压力并使心情平静 | NeuroSky Mind - wave Mobile | 仅七名受试者 | 未提及 | 使用快速傅里叶变换获取 EEG 频率 | 使用带 ReLU 激活函数的深度学习模型进行二分类，分为冥想和注意力两类 | 最高验证准确率为 80.13%，冥想类精度高，注意力类 F1 分数和召回率高 | 未来可添加点击按钮以控制动作 |
| Sharma 和 Chopra [38] | 能力测试期间的压力识别 | 未提及 | 未提及 | 五阶巴特沃斯滤波器优于 45 Hz 有限脉冲响应（FIR）滤波器和 0.75 Hz 高通滤波器的组合 | EEG 信号分解为固有模态函数，使用希尔伯特 - 黄变换提取频率特征 | 支持向量机在提出的模型中优于 k 近邻、二次判别分析和线性判别分析 | α 频段最高准确率为 94%，平均为 90%，SVM 准确率最高 | 未提及训练样本大小，未来可整合深度学习方法以提高性能 |
| Peng 等 [39] | 慢性压力检测和监测 | 10 - 20 电极定位系统的 EEG | 11 名受试者 | 使用 40 Hz 截止频率的低通滤波器去除伪影，使用小波方法去除 EOG | 共 20 个特征，如最大功率、绝对功率、相对功率、中心频率、熵、相关维度、α 不对称性 | 使用 SPSS 17.0 中的方差分析和配对样本 t 检验进行统计分析，区分大脑左右半球活动 | 非线性 EEG 分析中，控制组和压力组的特征有显著差异；线性 EEG 分析中，仅 α 波段的相对功率有显著差异 | 控制组和实验组样本数量不同，应增加样本，使用敏感性和特异性评估性能 |
| Virmani 等 [40] | 使用 ECG 和 EEG 对音频和视觉刺激进行压力识别 | 10 - 20 电极放置系统的 EEG | 23 名受试者 | 未提及 | 使用功率谱密度提取两个情感特征，即唤醒和效价 | 基于罗素环形模型的 k 近邻和决策树对压力和非压力受试者进行分类 | k 近邻总体准确率为 68%，决策树为 75% | 准确率有待提高，可增加训练样本大小并测试其他模型 |
| Al - Shargie 等 [41] | 三个算术任务水平下的压力量化 | BrainMaster 24E 系统 | 仅 12 名受试者 | 通带频率 0.5 - 30 Hz 的三阶巴特沃斯滤波器，使用独立成分分析去除伪影 | 小波变换进行五级分解和一级近似，频率范围 0 - 30 Hz | 两样本 t 检验，一级、二级和三级的平均 p 值分别为 0.03、0.042 和 0.05 | SVM 准确率随算术任务难度增加而降低 | 确定右前额叶皮质为压力相关脑区，但可通过增加训练大小改进结果 |

从这些相关工作可以看出，现有的压力检测和认知康复研究在方法、样本数量和性能等方面存在一定的局限性，这也为我们的研究提供了改进的方向。

3. 提出的框架

本研究提出了一种用于检测大流行期间人类压力的框架，以下是具体步骤：
1. 数据采集 ：使用脑电图从人类大脑收集数据集，并生成脑图以检测哪个脑叶更活跃。通过 sLORETA 软件生成脑图后，选择 AF3、AF4、T8、T7、P8、P7、O2、O1、FC6 和 FC5 通道。
2. 特征提取 ：使用离散小波变换（DWT）进行特征提取，其中 Haar 作为小波基函数在特征提取中表现优于现有文献中的其他小波基函数。
3. 分类 ：使用支持向量机（SVM）对受试者的心理状态进行分类，判断其是否处于压力状态。同时，进行了超参数调整以选择最佳参数，实现了 92.79% 的分类准确率。
4. 性能评估 ：使用召回率、错误率、精度、F1 分数和准确率等性能评估指标，评估该方法在实时场景中检测游戏玩家压力的效率和适用性。

下面是该框架的流程图：

graph TD;
    A[数据采集] --> B[生成脑图];
    B --> C[选择通道];
    C --> D[特征提取（DWT）];
    D --> E[分类（SVM）];
    E --> F[性能评估];

通过以上步骤，本研究提出的框架在认知康复的广泛应用领域中表现出了有效性和高效性，能够准确检测普通人群在大流行期间的压力水平，为压力检测和认知康复提供了一种新的方法。

4. 实验结果与分析

为了验证所提出框架的有效性，进行了一系列实验，并使用多种性能评估指标进行分析。
| 评估指标 | 含义 |
| — | — |
| 召回率 | 衡量模型正确识别出正样本的能力，即实际为压力状态被正确识别为压力状态的比例。 |
| 错误率 | 模型分类错误的样本占总样本的比例。 |
| 精度 | 模型预测为正样本中实际为正样本的比例。 |
| F1 分数 | 综合考虑精度和召回率的一个指标，用于平衡两者之间的关系。 |
| 准确率 | 模型正确分类的样本占总样本的比例。 |

实验结果显示，所提出的框架在各项评估指标上都表现出色。具体而言，分类准确率达到了 92.79%，这表明该框架能够准确地检测出游戏玩家是否处于压力状态。与现有相关研究相比，本框架在多个方面具有优势：
- 特征提取方面 ：使用 Haar 作为小波基函数的离散小波变换（DWT）在特征提取中表现优于现有文献中的其他小波基函数，能够更有效地提取与压力相关的特征。
- 训练样本方面 ：训练集大小大于现有相关领域的基准，这使得支持向量机（SVM）模型能够学习到更丰富的信息，从而提高了分类的准确性。
- 超参数调整方面 ：通过进行超参数调整，选择了最佳的参数组合，进一步提升了模型的性能。

以下是本框架与部分相关研究在分类准确率上的对比：
| 研究 | 分类准确率 |
| — | — |
| 本框架 | 92.79% |
| Asif 等 [32]（逻辑回归） | 两级为 98.76%，三级为 95.06% |
| Saeed 等 [33]（SVM 和 LR 具有 α 对称特征） | 未明确提及整体准确率 |
| Ahn 等 [34] | 未明确提及整体准确率 |
| Kalas 和 Momin [35] | 未明确提及整体准确率 |
| Priya 等 [36]（高斯 SVM，KS > 2.5） | 未明确提及整体准确率 |
| Liao 等 [37] | 最高验证准确率为 80.13% |
| Sharma 和 Chopra [38]（SVM） | α 频段最高准确率为 94%，平均为 90% |
| Peng 等 [39] | 未明确提及整体准确率 |
| Virmani 等 [40]（k 近邻） | 68% |
| Virmani 等 [40]（决策树） | 75% |
| Al - Shargie 等 [41] | 未明确提及整体准确率 |

从对比结果可以看出，本框架的分类准确率处于较高水平，具有较强的竞争力。

5. 研究贡献与展望

本研究的主要贡献可以总结如下：
1. 准确检测压力状态 ：能够准确地检测出受试者是否处于压力状态，为认知康复提供了重要的依据。
2. 优秀的特征提取方法 ：使用 Haar 作为小波基函数的离散小波变换（DWT）在特征提取中表现出色，优于现有文献中的其他小波基函数。
3. 高分类准确率 ：通过较大的训练集和超参数调整，支持向量机（SVM）模型实现了 92.79% 的分类准确率，在相关领域中处于领先水平。

未来，本研究可以在以下几个方面进行进一步的拓展和改进：
1. 扩大样本规模 ：虽然本研究的训练集已经较大，但可以进一步扩大样本规模，以提高模型的泛化能力和鲁棒性。
2. 多模态数据融合 ：可以考虑结合其他生理信号，如心率、血压等，进行多模态数据融合，以更全面地检测压力状态。
3. 实际应用推广 ：将本框架应用于实际场景中，如医疗机构、企业等，为人们提供更便捷、准确的压力检测服务。

综上所述，本研究提出的用于检测大流行期间人类压力的框架在认知康复领域具有重要的意义和应用价值。通过准确检测压力水平，能够为人们的心理健康提供有效的支持和帮助，同时也为相关领域的研究提供了新的思路和方法。

graph TD;
    A[研究贡献] --> B[准确检测压力状态];
    A --> C[优秀的特征提取方法];
    A --> D[高分类准确率];
    E[未来展望] --> F[扩大样本规模];
    E --> G[多模态数据融合];
    E --> H[实际应用推广];