打开APP

一种基于多模态生理信号实时检测焦虑状态的技术

来源:天桥脑科学研究院 2022-05-05 14:54

焦虑症是全世界最普遍的精神疾病之一。

焦虑症是全世界最普遍的精神疾病之一。焦虑是一种高度忧虑、唤醒和警惕的精神状态,通常由对威胁的预期引起。荟萃分析表明,诱发性焦虑和病理性焦虑之间存在重叠的神经生物学机制,从而可以通过诱发状态焦虑来研究焦虑的机制和干预效果。

 

现有的状态焦虑测量,如常用的状态焦虑量表(STAI-S),主要依赖于时间分辨率较低的主观性问卷。并且,状态焦虑不仅伴随着即时的心理反应,表现为情绪的高唤醒、低效价和低支配性等特征;同时也伴随着相应的生理反应,例如心率增加、心率变异性降低和皮肤电导水平升高。然而,目前仍然缺乏基于心理和生理反应的状态焦虑的定量表征,这限制了焦虑诱导范式中不断变化的状态焦虑水平的动态跟踪。

 

天桥脑科学研究院(TCCI)研究员、上海交通大学医学院附属精神卫生中心杨志教授团队近期在发表于《精神病学前沿》杂志上的一项工作中,揭示了一种具有高时间分辨率的状态焦虑跟踪模型。为了捕捉状态焦虑水平的动态变化,在实验中通过暴露于厌恶图片或电击风险来诱导被试的状态焦虑(任务前后测量STAI-S的评分),并同时记录多模态数据,包括情绪维度评分、心电和皮肤电反应。研究者基于多模态数据训练和验证了预测状态焦虑的机器学习模型。

 

图1. 实验流程

 

研究者首先行为测试确认两种焦虑诱发任务均成功地诱发了状态焦虑,再通过相关分析检验心理和生理特征与 STAI-S 分数之间的关系,发现情绪维度指标VAD与STAI-S存在焦虑相应的显着的相关关系;特定的生理指标同样也与状态焦虑密切相关。接着,研究者基于多模态数据将四种不同的回归模型用于预测 STAI-S并比较了它们的预测性能。结合心理特征和生理特征时,回归模型预测的 STAI-S 和实际的 STAI-S 之间的存在显着的正相关关系。并且,单独使用生理特征时,回归模型同样也可以预测 STAI-S。

 

图2. 多模态数据预测STAI-S

 

本研究提出了一种基于心理和生理的多模态数据的状态焦虑动态跟踪模型,该模型反映了个体状态焦虑在高时间分辨下的动态变化。并且,该模型仅使用客观且易于获取的生理信号便可准确测量静息状态下的状态焦虑,为未来的情感脑机交互和焦虑调节研究提供了状态焦虑水平的敏感性测量。

 

上海交通大学医学院附属精神卫生中心丁悦副研究员、刘静静硕士生为本工作第一作者。该项工作受到国家自然科学基金、上海市科委、及天桥脑科学研究院(TCCI)的资助。

 

Ding Y, Liu J, Zhang X, Yang Z (2022): Dynamic Tracking of State Anxiety via Multi-Modal Data and Machine Learning. Front Psychiatry 13: 757961.

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->