Feature Analysis for Mental Stress Detection using Electroencephalography Signals

Abstract

Målet med denne masteroppgaven var å undersøke og analysere features som kan detektere psykisk stress ved bruk av elektroencefalografi (EEG). Det er viktig å huske på at denne masteroppgaven er en videreføring av tidligere arbeid utført av masterstudentene Marthinsen [13], Sletten [51] and Andreassen [4]. Derfor vil deler av dette arbeidet være inspirert eller gjenbrukt fra de nevnte studiene, spesielt i kapitlene 3 og 4. Hovedmålet er å forbedre metodene for stressmåling for å forebygge psykiske lidelser som depresjon og angst, ettersom det i dag mangler en standardisert metode for stressdeteksjon. I dette arbeidet ble tre datasett analysert og sammenlignet, med fokus på features i frekvensdomenet: alfa-asymmetri, forhold mellom frekvensbånd og gjennomsnittlig effekt i frekvensbånd, ettersom nyere studier har oppnådd gode resultater ved å bruke disse. Alle features ble beregnet og sammenlignet på tvers av datasettene ved å beregne de statistisk signifikante forskjellene mellom stressede og kontrollerte tilstander. En grundig analyse av Power Spectral Density (PSD) og de EEG topografiske kartene for gjennomsnittet av hele datasettet, for hvert datasett, er gjennomført for å få en dypere forståelse av hvordan stress påvirker hjernen på gruppenivå. I tillegg ble Multivariate Empirical Mode Decomposition (MEMD) utført på BCI Lab GU Sam 40-datasettet [14] for å utføre frekvensanalyse ved hjelp av en annen tilnærming for å se om resultatene varierte. Resultatene indikerer at både beta/alfa-forhold og alfa/theta-folhold er svært signifikante for store deler av hjernen og kan fungere som viktige biomarkører for stressdeteksjon. Dette ble observert i frekvensanalysen, da effekten i betafrekvensbåndet er høyere for den stressede tilstanden sammenlignet med den kontrollerte tilstanden, og omvendt for alfa-frekvensbåndet. Til slutt har studien identifisert de spesifikke kanalene Fp2, C3 og O1 som avgjørende for de forskjellige frekvensbåndene som er involvert i stressdeteksjon. Disse funnene støtter hypotesen om at stress er til stede i frontallappene, men fremhever også tilstedeværelsen av stress i sentral- og occipitallappene. Disse resultatene bør tas i betraktning i videre klassifiseringsarbeid.

The aim of this master’s thesis was to investigate and analyze features detecting mental stress with the use of electroencephalography (EEG). It is crucial to keep in mind that this thesis builds upon the master’s thesis’s done by Marthinsen [13], Sletten [51] and Andreassen [4]. Consequently, parts of this work will be inspired or reused from the mentioned studies, particularly in chapters 3 and 4. The main goal is to improve stress measurement methods to prevent mental illnesses such as depression and anxiety, given today´s lack of a standardized stress detection method. Throughout this work, three datasets were analyzed and compared, focusing on frequency domain features: alpha asymmetry, frequency band power ratio, and average power of frequency bands, as recent studies have obtained good results using these features. These features were calculated and compared across the datasets by calculating the statistically significant differences between the stressed and controlled states. An in-depth analysis of Power Spectral Density (PSD) and the EEG topographical maps for the grand average of each dataset has been conducted to obtain a deeper understanding of how stress affects the brain at a group level. Additionally, Multivariate Empirical Mode Decomposition (MEMD) was conducted on the BCI Lab GU Sam 40 dataset [14] to perform frequency analysis using another approach to see if results varied. The results indicate that both beta/alpha ratio and alpha/theta ratio are highly significant across the scalp and can serve as important biomarkers for stress detection. This has been observed in the frequency analysis, as the beta frequency band power is higher for the stressed condition compared to the controlled condition, and vice versa for the alpha frequnecy band power. Lastly, the study has identified the specific channels, Fp2, C3, and O1, as crucial for the distinct frequency bands involved in stress detection. These findings support the hypothesis that stress is present in the frontal lobes but also highlight its presence in the central and occipital lobe. These results should be considered for further classification work.