Online Classifier of AMICA Model to Evaluate State Anxiety While Standing in Virtual Reality

G Liao, S Wang, Z Wei, Bohan Liu, R Okubo, ME Hernandez

IEEE EMBC 2022 PubMed ↗ Scholar ↗

Resumen

Resumen traducido automaticamente a partir del original en ingles.

Los cambios en el estado emocional, como la ansiedad, tienen un impacto significativo en el comportamiento y la salud mental. Sin embargo, la detección de ansiedad en individuos requiere especialistas entrenados para administrar evaluaciones especializadas, que a menudo consumen una cantidad considerable de tiempo y recursos. Así, existe una necesidad significativa de métodos de detección de ansiedad objetivos y en tiempo real para apoyar la práctica clínica. Los avances recientes en Adaptive Mixture Independent Component Analysis (AMICA) han demostrado la capacidad de detectar cambios en los estados emocionales mediante datos electroencefalográficos (EEG). Sin embargo, dado que pueden necesitarse varias horas para identificar los diferentes modelos, deben buscarse métodos alternativos para futuras aplicaciones de interfaz cerebro-computadora. Este estudio examina la viabilidad de un clasificador de aprendizaje automático que usa características del dominio de la frecuencia de datos EEG para clasificar muestras individuales de 500 ms en diferentes estados corticales, según etiquetas de AMICA multimodelo. Un clasificador random forest con 12 características de entrada del EEG para predecir estados corticales alcanzó un 75% de precisión en clasificación binaria. Con base en estos hallazgos, este trabajo puede proporcionar una base para la detección y clasificación en tiempo real del estado de ansiedad.

Resumen original (ingles)

Changes in emotional state, such as anxiety, have a significant impact on behavior and mental health. However, the detection of anxiety in individuals requires trained specialists to administer specialized assessments, which often take a significant amount of time and resources. Thus, there is a significant need for objective and real-time anxiety detection methods to aid clinical practice. Recent advances in Adaptive Mixture Independent Component Analysis (AMICA) have demonstrated the ability to detect changes in emotional states using electroencephalographic (EEG) data. However, given that several hours may be needed to identify the different models, alternative methods must be sought for future brain-computer-interface applications. This study examines the feasibility of a machine learning classifier using frequency domain features of EEG data to classify individual 500 ms samples of EEG data into different cortical states, as established by multi-model AMICA labels. Using a random forest classifier with 12 input features from EEG data to predict cortical states yielded a 75 percent accuracy in binary classification. Based on these findings, this work may provide a foundation for real-time anxiety state detection and classification.

Qué aporta este trabajo

Un clasificador en línea basado en características AMICA de EEG que detecta la ansiedad estado cuando una persona está de pie en realidad virtual — monitoreo en tiempo real con aplicaciones en prevención de caídas y terapia en RV.

BibTeX

@inproceedings{liao2022amica,
  title     = {Online Classifier of AMICA Model to Evaluate State Anxiety While Standing in Virtual Reality},
  author    = {G Liao and S Wang and Z Wei and Bohan Liu and R Okubo and ME Hernandez},
  booktitle = {IEEE Engineering in Medicine and Biology Conference (EMBC)},
  year      = {2022}
}