Kann ein signalfusionsbasierter Support Vector Machine-Klassifikator das Angstniveau mit physiologischen Signalen während der virtual reality exposure therapy genau erkennen?
Ein signalfusionsbasierter SVM-Klassifikator, der physiologische Signale verwendet, kann Angstniveaus während der virtual reality exposure therapy genau erkennen, was potenziell dynamische Anpassungen der Therapieszenarien ermöglicht.
Die virtuelle Realitätsexpositionstherapie (VRET) kann einen signifikanten Einfluss auf die Bewertung und potenzielle Behandlung verschiedener Angststörungen haben. Eine der Hauptstärken von VRET-Systemen ist, dass sie Psychologen die Möglichkeit bieten, mit virtuellen 3D-Umgebungen zu interagieren und Therapieszenarien entsprechend den individuellen Bedürfnissen des Patienten anzupassen. Um dies jedoch effizient zu gestalten, sollte das Angstniveau des Patienten während der VRET-Session verfolgt werden. Daher ist ein System zur Erkennung mentaler Stresssituationen erforderlich, um alle Vorteile des VRET-Systems voll auszuschöpfen. Die physiologischen Signale des Patienten können mit tragbaren Biofeedback-Sensoren erfasst werden. Signale wie der Blutvolumendruck (BVP), die galvanische Hautreaktion (GSR) und die Hauttemperatur können verarbeitet und verwendet werden, um die Klassifikationsmodelle für das Angstniveau zu trainieren. In diesem Papier kombinieren wir VRET mit der Erkennung mentaler Stresssituationen und heben die potenziellen Anwendungen dieses VRET-Systems hervor. Wir diskutieren und präsentieren ein Framework zur Erkennung des Angstniveaus, das Teil unseres entwickelten cloudbasierten VRET-Systems ist. Physiologische Signale von 30 Teilnehmern wurden während der VRET-basierten Behandlungssitzungen zur Angst vor öffentlichem Reden erfasst. Die gesammelten Daten wurden verwendet, um ein Modell zur vierstufigen Angst-Erkennung zu trainieren (wobei jede Stufe von ‚gering‘, ‚leicht‘, ‚mäßig‘ und ‚hoch‘ sich auf die Angstniveaus und nicht auf separate Klassen der Angststörung bezieht). Wir erreichten eine Genauigkeit von 80,1 % bei der Kreuzvalidierung über die Probanden hinweg (unter Verwendung der leave-one-subject-out-Kreuzvalidierung) und 86,3 % Genauigkeit (unter Verwendung der 10 × 10-fachen Kreuzvalidierung) mit dem signalfusionsbasierten Support Vector Machine (SVM)-Klassifikator.
Šalkevičius et al. (Mon,) haben diese Frage untersucht.