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 ↗

Résumé

Resume traduit automatiquement a partir de la version anglaise originale.

Les changements d'état émotionnel, comme l'anxiété, ont un impact significatif sur le comportement et la santé mentale. Cependant, la détection de l'anxiété chez les individus requiert des spécialistes formés pour administrer des évaluations spécialisées, prenant souvent beaucoup de temps et de ressources. Il existe donc un besoin important de méthodes de détection de l'anxiété objectives et en temps réel pour aider la pratique clinique. Les avancées récentes de l'Adaptive Mixture Independent Component Analysis (AMICA) ont démontré la capacité de détecter des changements d'états émotionnels à partir de données électroencéphalographiques (EEG). Cependant, étant donné que plusieurs heures peuvent être nécessaires pour identifier les différents modèles, des méthodes alternatives doivent être recherchées pour de futures applications d'interface cerveau-ordinateur. Cette étude examine la faisabilité d'un classifieur d'apprentissage automatique utilisant des caractéristiques fréquentielles de données EEG pour classer des échantillons individuels de 500 ms en différents états corticaux, selon des étiquettes AMICA multi-modèles. Un classifieur random forest avec 12 caractéristiques d'entrée de l'EEG pour prédire les états corticaux a atteint 75 % de précision en classification binaire. Sur la base de ces résultats, ce travail peut fournir une base pour la détection et la classification en temps réel de l'état d'anxiété.

Resume original (anglais)

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.

Ce que cet article apporte

Un classifieur en ligne fondé sur des caractéristiques AMICA de l'EEG qui détecte l'anxiété état lorsqu'une personne debout évolue en réalité virtuelle — suivi en temps réel avec des applications à la prévention des chutes et à la thérapie par 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}
}