Design and evaluation of an automated stress detection system using Electroencephalography (EEG) signals

Abstract

I en verden som opplever en uforutsigbar bølge av nedadgående mental helse, er det viktigere enn noensinne å sikre tidlig påvisning og forebygging av skadelig stress. Et voksende studiefelt inkluderer kombinasjonen av maskinlæring og Elektroencefalografi-signaler for å oppdage psykologisk stress. EEG er et ikke-invasivt og relativt rimelig diagnostisk verktøy, noe som gjør det til en perfekt kandidat for utbredt klinisk bruk.

Denne studien har som mål å finne en mulig løsning på disse problemene ved å "utforme og evaluere metoder for automatisert stressdeteksjon ved hjelp av EEG-signaler". Innsamling av data var nødvendig for å gi relevant data for klassifisering. Naturlige stressfaktorer inkluderer å ta en eksamen, derfor ble deltakerne valgt blant studenter ved Norges teknisk-naturvitenskapelige universitet, under og etter deres eksamensperioder. Perioden før eksamen ble brukt som den stressede tilstanden, mens referansestilstanden ble målt etter at de hadde hatt juleferie. Totalt deltok 28 studenter, 12 kvinner og 16 menn, i alderen 20-28 år, med et gjennomsnitt på 23 pluss/minus 2 år.

To metoder har blitt brukt for å merke dataene, STAI-Y og SS. Tre datasett har blitt konstruert for å brukes til klassifisering. Det første består av ren, rå EEG-data, det andre har gjennomgått et båndpassfilter og notch-filter før filtrering med Signal-Space Projection. Det siste datasettet ble konstruert på en lignende måte med båndpass- og notch-filtrering, deretter ble signalet dekomponert til deltafrekvensbåndet. Fire forskjellige metoder for "feature extraction" har blitt utforsket: tidsseriefunksjoner, entropifunksjoner, Hjorth-funksjoner og Power Spectral Density (PSD) -funksjoner. Alle datasettene er blitt segmentert i epoker på enten 1 sekund, 2 sekunder eller 5 sekunder. Til slutt er dataene blitt klassifisert ved hjelp av Support Vector Machine, Random Forest, K-Nearest Neighbors og EEGNet. Høyest nøyaktighet ble oppnådd med PSD-funksjoner og rådata ved bruk av 5 sekunders epoker og SS-merker, med en treffsikkerhet ("accuracy") på 77,97%, en sensitivitet på 64,22% og en spesifisitet på 86,21%.

In a world experiencing an unprecedented wave of declining mental health, it is more important than ever to ensure early detection and prevention of damaging stress. A rising field of study includes the combination of machine learning and Electroencephalography (EEG) signals to detect psychological stress. EEG is a non-invasive, relatively inexpensive diagnostic tool, making it the perfect candidate for widespread clinical use.

This study aims to find a possible solution to these problems, by designing and evaluating methods of automated stress detection using EEG signals. Collecting data was necessary to provide relevant data for classification. Natural stressors include taking an exam, therefore participants were selected from students at the Norwegian University of Science and Technology, during and after their exam periods. The period prior to their exams were used as the stressed state, while the baseline was recorded after they were on winter holiday. 28 students, 12 women and 16 men, participated in total, where the ages ranged from 20-28 years old, with a mean age of 23 plus/minus 2 years.

Two methods have been used to label the data, STAI-Y and SS. Three data sets have been constructed to use for classification. The first one consist of purely raw EEG data, the second has been through a band-pass filter and notch filter prior to filtering with Signal-Space Projection. The last data set was constructed in a similar matter with band-pass and notch filtering, then decomposing the signal into the Delta frequency band. Four different methods of feature extraction have been explored, time series feautes, entropy features, Hjorth features and Power Spectral Density (PSD) features. All data sets have been segmented into epochs of either 1 second, 2 seconds or 5 seconds. Lastly, the data have been classified using Support Vector Machine, Random Forest, K-Nearest Neighbors, and EEGNet. The highest accuracy was achieved by PSD features with raw data using 5s epochs and SS labels, reaching 77.97% accuracy, 64.22% sensitivity, and 86.21% specificity.