Automatic Detection of Mental Stress Responses from Electroencephalogram Signals

Abstract

Denne avhandlingen presenterer en detaljert studie av effektiviteten og begrensningene av Elektroencefalografi (EEG)-basert psykisk stressdeteksjon hos mennesker ved bruk av en interpersonlig modell. Tre klassifiseringsalgoritmer, AdaBoost, Random Forest og EEGNet, ble utforsket og evaluert. EEGNet-modellen, kombinert med 80:20 trening/test-splitt, ga den høyeste nøyaktigheten på 71%, men oppnådde en sensitivitet på kun 50%. Til forskjell oppnådde AdaBoost-modellen den beste sensitiviteten på 67%, med en nøyaktighet på 63%, ved de samme splitt-betingelsene. Derimot viste en evaluering ved bruk av Leave-One-Subject-Out (LOSO) kryssvalidering at EEGNet-modellen sliter med å generalisere til ny data. Videre ble effektiviteten til de ulike EEG-frekvensbåndene evaluert. Delta-, theta-, alfa- og beta-frekvensbåndene ble identifisert som de mest effektive for psykisk stressdeteksjon, mens gamma-frekvensbåndet viste seg å være mindre effektivt. Studien undersøkte også betydningen av elektrodeplassering og effekten av å fjerne kanaler. Resultatene viser at den frontale, sentrale og temporale regionen på høyre side av hjernen har den største endringen i aktivitet under psykisk stress. Valg av kanaler, som ble utført på en enkel måte ved å fjerne de minst betydningsfulle kanelene, viste at sensitiviteten økte for Random Forest men gikk ned for AdaBoost. Disse resultatene tyder på at fremtidig forskning bør benytte flere kanaler og utforske mer avanserte teknikker for valg av kanaler. Til tross for prestasjonene i denne studien, har resultatene vært begrenset av størrelsen, balansen og kvaliteten til det innsamlede datasettet. Fremtidige studier bør fokusere på innsamling av større, mer balanserte datasett av høyere kvalitet for å oppnå fremskritt innenfor EEG-basert psykisk stressdeteksjon.

This thesis presents a detailed study of the effectiveness and limitations of Electroencephalography (EEG)-based mental stress detection in humans using an interpersonal model. Three classification algorithms, AdaBoost, Random Forest and EEGNet, were explored and evaluated. The EEGNet classifier, when used with an 80:20 train-test split, provided the highest accuracy of 71% but achieved only 50% sensitivity. Conversely, the AdaBoost classifier yielded the best sensitivity of 67%, with an accuracy of 63%, under the same split conditions. However, evaluation using Leave-One-Subject-Out (LOSO) cross-validation suggests that the EEGNet classifier is struggling to generalise to new data. Furthermore, the effectiveness of the various EEG frequency bands was evaluated. The delta, theta, alpha, and beta frequency bands have been identified as the most effective for mental stress detection, while the gamma frequency band exhibited less effectiveness. The study also explored the significance of electrode placement and the selection and rejection of channels. The findings suggest that the right-side frontal, central, and temporal regions of the brain have the greatest change in activity during mental stress. Channel selection, performed in a simple way by removing less significant channels, was found to increase sensitivity for the Random Forest classifier while reducing sensitivity for the AdaBoost classifier. These findings suggest that future research should employ more channels and more advanced channel selection techniques. Despite the achievements in the study, the results were limited by the size, balance and quality of the collected dataset. Future studies should focus on collecting high-quality, balanced and comprehensive datasets for further advancements in the field of EEG-based mental stress detection.