XiaoMi-AI文件搜索系统
World File Search System精神压力
使用可穿戴传感器收集的心率和手动加速数据评估大学生的精神压力
压力是各种心理健康障碍，包括大学生的抑郁和焦虑。早期压力诊断和干预可能会降低患精神疾病的风险。我们使用了一种基于机器学习的方法来使用自然主义研究中收集的数据鉴定压力，该研究利用自我报告的压力作为基础真理以及生理数据，例如心率和手动加速。这项研究涉及来自一个大型校园的54名大学生，他们使用可穿戴腕部的传感器和移动健康（MHealth）应用程序连续40天使用。该应用程序收集了生理数据，包括以一个Hertz频率的心率和手动加速。该应用程序还通过敲击手表面来使用户能够自我报告压力，从而产生了自我报告的压力的时间标记记录。我们使用心率和加速度计数据创建，评估和分析的机器学习算法，用于识别大学生之间的压力事件。XGBoost方法是最可靠的模型，AUC为0.64，精度为84.5％。手动加速度的标准偏差，心率的标准偏差和最小心率是压力检测的最重要特征。该证据可能支持使用智能手表传感器识别生理反应中的模式的功效，并可能为实时检测压力的未来工具的设计提供信息。关键字：心理健康，机器学习，压力，学生，检测
问题的核心：精神压力和负面情绪如何影响心房颤动
心房纯化（AF）是心律不齐的最常见形式，影响了世界人口的2％ - 3％。精神和情绪压力以及某些心理健康状况（例如抑郁症）已被证明显着影响心脏，并被建议在AF发作时充当独立的危险因素和触发因素。在本文中，我们回顾了当前的文献，以研究心理和情绪压力在AF发作中的作用，并总结了当前有关大脑与心脏之间相互作用的知识，以及在压力反应中涉及的皮质和皮层途径。对证据的审查表明，心理和情绪压力对心脏系统产生负面影响，可能增加发展和/或触发AF的风险。需要进一步的研究，以进一步了解精神压力反应中涉及的皮质和亚皮质结构，以及它们与心脏系统的相互作用，这可能有助于定义新的策略和干预措施，以防止开发和改善AF的管理。
精神压力下心脑沟通的动态波动
中枢神经系统和自主神经系统之间的动态信息交换，即功能性脑-心脏相互作用，发生在情绪和身体唤醒期间。据充分证明，身体和精神压力会导致交感神经激活。然而，自主神经输入在精神压力下神经系统间交流中的作用尚不清楚。在本研究中，我们使用最近提出的功能性脑-心脏相互作用评估计算框架，即交感迷走神经合成数据生成模型，估计了脑电图 (EEG) 振荡与外周交感神经和副交感神经活动之间的因果和双向神经调节。通过在与压力水平增加相关的三个任务中增加 37 名健康志愿者的认知需求来引发精神压力。压力引发会导致交感迷走神经标志物变化增加，以及脑-心脏方向相互作用变化增加。观察到的心脑相互作用主要来自针对广泛脑电图振荡的交感神经活动，而传出方向的变化似乎主要与 c 波段的脑电图振荡有关。这些发现扩展了当前对压力生理学的认识，该知识主要涉及自上而下的神经动力学。我们的结果表明，精神压力可能不会导致交感神经活动完全增加，因为它会引发脑体网络内的动态波动，包括脑心水平的双向相互作用。我们得出结论，定向脑心相互作用测量可以为定量压力评估提供合适的生物标记，身体反馈可能会调节因认知需求增加而引起的感知压力。
基于心率变异性的精神压力检测
通过检查每个人的生理反应变化，可以识别压力。由于实用性和非侵入式外观，可穿戴设备近年来越来越受欢迎。传感器提供了连续和实时数据收集的可能性，这对于跟踪自己的压力水平非常有用。许多研究表明，情绪压力会影响心率变异性 (HRV)。通过从可穿戴传感器收集多模态信息，我们的框架能够使用可解释的机器学习 (XML) 准确地对基于 HRV 的用户压力水平进行分类。有时，ML 算法被称为黑匣子。XML 是一种 ML 模型，旨在向最终用户解释其目标、决策和推理。最终用户可能包括用户、数据科学家、监管机构、领域专家、执行董事会成员和管理人员，他们在理解或不理解的情况下使用机器学习，或者任何选择受到 ML 模型影响的人。这项工作的目的是构建一个支持 XML 的、具有独特适应性的系统来检测个人的压力。结果显示，有希望的定性和可量化的视觉表现可以为医生提供从学习到的 XAI 模型提供的结果中更详细的知识，从而提高他们的理解力和决策能力。
精神压力的 EEG 信号分析 - IIUM 存储库 (IRep)
摘要 心理压力如今已被视为一个重要问题。长期压力可能导致许多严重疾病，如心脏病发作、糖尿病、可能的猝死和精神障碍。传统的临床检测和监测压力的技术主要基于问卷调查和访谈。然而，由于它们的局限性和数据处理障碍，迫切需要更先进的技术。最近，许多研究集中于使用生理信号（如心脏活动、大脑活动、肌肉活动、语音和面部表情）对心理压力进行分类。从大脑活动收集数据的一种方法是使用一种名为脑电图 (EEG) 的非侵入式设备。本文简要介绍了 EEG，然后全面分析了伪影及其去除技术。讨论了 EEG 中的两种伪影及其去除方法，以及专家面临的挑战、优势和不同障碍。还讨论了用于心理压力分类的可能的机器学习 (ML) 和深度学习 (DL) 模型。此外，还讨论了提高压力检测准确性的可能方法的未来方向。© 2022 Little Lion Scientific。
长期精神压力下的大脑功能连接变化 Ali Darzi 1 , Hamed Azami 2 , Reza Khosrowabadi 1 * 1 认知和 B 研究所
摘要 长期心理压力会严重影响大脑结构和功能。然而，只有少数研究使用脑电图 (EEG) 来检验这一事实。本研究展示了一种脑机接口 (BCI)，用于对不同心理状态下长期心理压力的 EEG 相关因素进行分类。这项研究针对 26 名健康的右利手大学生进行，考试期被视为长期精神压力源。根据感知压力量表 (PSS-14) 评估的压力水平，选择两组受试者。在受试者睁眼静息状态下以及暴露于自我评估人体模型问卷 (SAM) 评分的正向和负向情绪刺激时收集他们的 EEG 数据。从 EEG 数据中提取了几种类型的特征，包括功率谱密度 (PSD)、侧化指数 (LI)、相关系数 (CC)、典型相关分析 (CCA)、幅度平方相干估计 (MSCE)、互信息 (MI)、相位斜率指数 (PSI)、格兰杰因果关系 (GC) 和有向传递函数 (DTF)。随后，使用几种类型的分类器对提取的特征进行区分，包括 k-最近邻 (KNN)、支持向量机 (SVM) 和朴素贝叶斯 (NB) 分类器。通过一种遗漏方法验证了所提出的 BCI，并在不同的时间窗口中使用低频和高频分辨率、分别 7 个和 36 个频带进行了调查。结果表明，所提出的系统可以准确识别受试者在不同心理状态下的压力水平。此外，与其他特征提取方法相比，MI 作为功能和 DTF 作为有效的连接方法可产生最高的分类准确率。关键词：长期心理压力、脑电图、情绪状态、分类。
