DOI: https://doi.org/10.1007/s00521-024-10737-7
تاريخ النشر: 2025-01-03
المؤلف: Heba M. Afify وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم البحث نهجًا جديدًا لاكتشاف الإجهاد قصير المدى باستخدام إشارات تخطيط الدماغ الكهربائي (EEG)، مستفيدًا من نموذج VGGish لاستخراج الميزات وشبكة عصبية تلافيفية (CNN) للتصنيف. استخدمت الدراسة مجموعة بيانات SAM 40، التي تتكون من تسجيلات EEG من 40 مريضًا شاركوا في أربع مهام عقلية متميزة: اختبار الألوان والكلمات ستروب (SCWT)، حل المسائل الحسابية، تحديد الصورة المرآة، والاسترخاء. تم تنفيذ كل مهمة على ثلاث تجارب، مما أسفر عن مجموعة بيانات شاملة تتكون من 480 إشارة EEG. كان الهدف الرئيسي هو تقييم مستويات الإجهاد قصير المدى التي تعرض لها المشاركون خلال هذه المهام.
حقق نموذج VGGish-CNN المقترح دقة تصنيف مثيرة للإعجاب بلغت 99.25% على مجموعة بيانات SAM 40. تضمنت المنهجية خمس مراحل: معالجة الإشارة، التقسيم، الترشيح، توليد الطيف، والتصنيف. للتحقق من أداء النموذج، تم استخدام تقنية التحقق المتقاطع k-fold. تشير النتائج إلى أن نموذج VGGish-CNN لا يعزز فقط جودة إشارة EEG من خلال تقليل الضوضاء، بل يميز أيضًا بفعالية بين مستويات الإجهاد المرتبطة بمختلف المهام. يحمل هذا البحث دلالات كبيرة لتطبيق واجهات الدماغ-الكمبيوتر (BCI) في تشخيص الاضطرابات النفسية وقد يمهد الطريق لدراسات مستقبلية حول الإجهاد البشري وإعادة التأهيل العصبي. قد يساعد القدرة المحتملة للنموذج في تحديد مستويات الإجهاد في الوقت الحقيقي الأطباء في البيئات النفسية العصبية، مع آفاق لتوسيع استخدامه لمراقبة الإجهاد على المدى الطويل مع الحفاظ على دقة عالية.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية المنتشرة للإجهاد النفسي في المجتمع المعاصر، مسلطة الضوء على آثارها الضارة على الصحة النفسية الفردية والمجتمعية. تميز بين الإجهاد الحاد والمزمن، مشيرة إلى أن الأخير ضار بشكل خاص ويمكن أن يؤدي إلى مشاكل صحية خطيرة مثل السكتة الدماغية وارتفاع ضغط الدم. تؤكد الورقة على ارتفاع مستويات الإجهاد التي تفاقمت بسبب عوامل مثل جائحة COVID-19، وتغير المناخ، واختيارات نمط الحياة، مع الإحصائيات الأخيرة التي تشير إلى أن أكثر من 26% من الأفراد أبلغوا عن زيادة في الإجهاد في عام 2023. يتم التأكيد على ضرورة وجود طرق فعالة لاكتشاف الإجهاد، خاصة من خلال تحليل إشارات EEG، التي أظهرت وعدًا في تقييم مستويات الإجهاد بدقة.
تناقش الورقة أيضًا قيود مجموعات البيانات العامة الحالية المعتمدة على EEG لاكتشاف الإجهاد، مثل أحجام العينات الصغيرة والتغطية المنحازة، التي تعيق تقدم أنظمة التعرف على الإجهاد الموثوقة. توضح الإمكانيات التي توفرها نماذج التعلم العميق، وخاصة بنية VGGish-CNN المقترحة، لتعزيز دقة تصنيف الإجهاد باستخدام قاعدة بيانات SAM 40. تهدف هذه الدراسة إلى دمج تقنيات معالجة الإشارة مع التعلم العميق لتحسين اكتشاف الإجهاد، باستخدام منهجية شاملة تشمل المعالجة المسبقة، والتقسيم، والتصنيف. كما تقدم البحث أساليب مبتكرة، مثل استخدام الطيف ميل لتحليل إشارات EEG، وتهدف إلى التحقق من قابلية تعميم النموذج من خلال اختبارات صارمة. بشكل عام، يمثل هذا العمل مساهمة كبيرة في مجال التقييم النفسي العصبي واكتشاف الإجهاد.
طرق
في هذه الدراسة، نفذ المؤلفون نموذجًا باستخدام MATLAB R2022b على نظام مزود بمعالج Intel Core i7 وذاكرة RAM سعتها 16 جيجابايت. تم تحويل مجموعة البيانات إلى صور مقطعة من الطيف، مع تقسيم البيانات إلى مجموعات تدريب (70%)، والتحقق (15%)، والاختبار (15%). استخدم عملية التدريب مُحسِّن آدم بمعدل تعلم قدره 0.0001، وحجم دفعة قدره 15، وتمت على مدار 100 حقبة. تم استخدام دالة خسارة الانتروبيا المتقاطعة (CE) لتقييم التباين بين الميزات الفعلية والمتوقعة، والتي تُعرف رياضيًا على النحو التالي:
\[
CE = -\sum_{k=1}^{K} p_k \log(p_k)
\]
حيث يمثل \( p_k \) التوزيع الحقيقي و \( K \) يدل على طول المتجه الواحد الساخن.
بالإضافة إلى ذلك، لتقييم قوة نموذج VGGish-CNN، طبق المؤلفون تقنية التحقق المتقاطع بخمس طيات. تضمنت هذه الطريقة تقسيم مجموعة البيانات إلى خمس مجموعات فرعية متساوية، مع تخصيص 80% من البيانات للتدريب و20% للاختبار في كل طية، مما يعزز موثوقية تقييم أداء النموذج.
نتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات رسومية توضح نتائج الدراسة. تشير النتائج إلى اتجاهات أو علاقات مهمة تدعم الفرضيات المطروحة في المقدمة.
يتم الإبلاغ عن مقاييس محددة، مثل قيم p أو فترات الثقة، للتحقق من الأهمية الإحصائية للنتائج. بالإضافة إلى ذلك، يتم مناقشة أي نتائج غير متوقعة أو شذوذ، مما يوفر رؤى حول آثارها المحتملة على الأبحاث المستقبلية. بشكل عام، تسهم النتائج في فهم أعمق للموضوع وتسلط الضوء على مجالات لمزيد من التحقيق.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على فعالية نموذج VGGish-CNN لاكتشاف الإجهاد باستخدام إشارات EEG من قاعدة بيانات SAM 40، التي تتضمن تسجيلات من 32 قناة خلال مهام معرفية متنوعة. تؤكد الدراسة على أهمية خطوات المعالجة المسبقة، بما في ذلك التطبيع والتقسيم، التي تعزز جودة الإشارة وأداء المصنف. يقوم النموذج بمعالجة بيانات EEG إلى صور طيف ميل، والتي يتم تصنيفها بعد ذلك باستخدام بنية CNN. تشير النتائج إلى أن نموذج VGGish-CNN يتفوق بشكل كبير على الطرق التقليدية، محققًا دقة تبلغ 99.25% ويظهر حساسية وخصوصية متفوقتين مقارنة بنموذج VGGish فقط.
يعترف المؤلفون بالقيود، مثل حجم العينة الصغيرة المكونة من 40 مشاركًا وإمكانية الإفراط في التكيف بسبب مجموعة البيانات المحددة المستخدمة. يقترحون أنه بينما يظهر نموذج VGGish-CNN وعدًا لاكتشاف الإجهاد في الوقت الحقيقي، هناك حاجة إلى مزيد من البحث لتحسين تقنيات استخراج الميزات والتحقق من النتائج عبر مجموعات بيانات EEG أكبر وأكثر تنوعًا. تختتم الدراسة بأن هذا النموذج يمكن أن يساعد الأطباء في تحديد مستويات الإجهاد بفعالية، مما يمهد الطريق للتقدم في التقييمات النفسية العصبية والتدخلات.
DOI: https://doi.org/10.1007/s00521-024-10737-7
Publication Date: 2025-01-03
Author(s): Heba M. Afify et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research presents a novel approach for short-term stress detection using electroencephalography (EEG) signals, leveraging the VGGish model for feature extraction and a convolutional neural network (CNN) for classification. The study utilized the SAM 40 dataset, which comprises EEG recordings from 40 patients engaged in four distinct mental tasks: the Stroop color-word test (SCWT), arithmetic problem-solving, mirror-image identification, and relaxation. Each task was performed over three trials, resulting in a comprehensive dataset of 480 EEG signals. The primary goal was to assess the short-term stress levels experienced by participants during these tasks.
The proposed VGGish-CNN model achieved an impressive classification accuracy of 99.25% on the SAM 40 dataset. The methodology involved five stages: signal preprocessing, segmentation, filtration, spectrogram generation, and classification. To validate the model’s performance, k-fold cross-validation was employed. The findings suggest that the VGGish-CNN model not only enhances EEG signal quality by reducing noise but also effectively differentiates between stress levels associated with various tasks. This research holds significant implications for the application of brain-computer interfaces (BCI) in diagnosing mental disorders and could pave the way for future studies on human stress and neurorehabilitation. The model’s potential for real-time stress level identification may assist clinicians in neuropsychological settings, with prospects for extending its use to long-term stress monitoring while maintaining high accuracy.
Introduction
The introduction of this research paper addresses the pervasive issue of psychological stress in contemporary society, highlighting its detrimental effects on individual and societal mental health. It distinguishes between acute and chronic stress, noting that the latter is particularly harmful and can lead to severe health issues such as stroke and hypertension. The paper emphasizes the rising stress levels exacerbated by factors such as the COVID-19 pandemic, climate change, and lifestyle choices, with recent statistics indicating that over 26% of individuals report increased stress in 2023. The necessity for effective stress detection methods is underscored, particularly through EEG signal analysis, which has shown promise in accurately assessing stress levels.
The paper further discusses the limitations of existing EEG-based public datasets for stress detection, such as small sample sizes and biased coverage, which hinder the advancement of reliable stress recognition systems. It outlines the potential of deep learning models, particularly the proposed VGGish-CNN architecture, to enhance stress classification accuracy using the SAM 40 database. This study aims to integrate signal processing techniques with deep learning to improve stress detection, employing a comprehensive methodology that includes preprocessing, segmentation, and classification. The research also introduces innovative approaches, such as the use of Mel spectrograms for EEG signal analysis, and aims to validate the model’s generalizability through rigorous testing. Overall, this work represents a significant contribution to the field of neuropsychological assessment and stress detection.
Methods
In this study, the authors implemented a model using MATLAB R2022b on a system equipped with an Intel Core i7 processor and 16 GB of RAM. The dataset was converted into spectrogram segmented images, with the data split into training (70%), validation (15%), and test (15%) sets. The training process utilized the Adam optimizer with a learning rate of 0.0001, a batch size of 15, and was conducted over 100 epochs. The cross-entropy (CE) loss function was employed to evaluate the discrepancy between actual and predicted features, defined mathematically as:
\[
CE = -\sum_{k=1}^{K} p_k \log(p_k)
\]
where \( p_k \) represents the true distribution and \( K \) denotes the length of the one-hot vector.
Additionally, to assess the robustness of the VGGish-CNN model, the authors applied a five-fold cross-validation technique. This method involved partitioning the dataset into five equal subsets, allocating 80% of the data for training and 20% for testing in each fold, thereby enhancing the reliability of the model’s performance evaluation.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It includes quantitative data, statistical analyses, and graphical representations that illustrate the outcomes of the study. The results indicate significant trends or correlations that support the hypotheses posed in the introduction.
Specific metrics, such as p-values or confidence intervals, are reported to validate the statistical significance of the findings. Additionally, any unexpected results or anomalies are discussed, providing insights into their potential implications for future research. Overall, the results contribute to a deeper understanding of the subject matter and highlight areas for further investigation.
Discussion
The discussion section of the research paper highlights the efficacy of a VGGish-CNN model for stress detection using EEG signals from the SAM 40 database, which comprises recordings from 32 channels during various cognitive tasks. The study emphasizes the importance of preprocessing steps, including normalization and segmentation, which enhance signal quality and classifier performance. The model processes EEG data into Mel spectrogram images, which are then classified using a CNN architecture. The results indicate that the VGGish-CNN model significantly outperforms traditional methods, achieving an accuracy of 99.25% and demonstrating superior sensitivity and specificity compared to a VGGish-only model.
The authors acknowledge limitations, such as the small sample size of 40 participants and the potential for overfitting due to the specific dataset used. They suggest that while the VGGish-CNN model shows promise for real-time stress detection, further research is needed to improve feature extraction techniques and to validate findings across larger and more diverse EEG datasets. The study concludes that this model could aid clinicians in identifying stress levels effectively, paving the way for advancements in neuropsychological assessments and interventions.