Hvordan Romlig Fordeling Av Seismokardiografisk Signal Kan Forbedre Klyngingens Nøyaktighet og Effektivitet

Figur 25 viser prosentvis reduksjon i variasjonen innen klyngene etter at klyngingen ble utført. Reduksjonen i variasjonen innen klyngene varierte fra 10% til 15% for de fleste deltakerne. I deltaker 2 overskred reduksjonen 25%. Den innledende FL-tilstanden viste den største reduksjonen i variasjonen i 12 av deltakerne (3, samt 5–15). Blant disse hadde 9 deltagere (6–9 og 11–15) en statistisk signifikant høyere (P-verdi ≤ 0,05) reduksjon i variasjonen enn to eller tre av de andre klyngealgoritmene. Dette samsvarer med den høyere nøyaktigheten i klynging og romlige fordelingskonsistensen som ble rapportert i Seksjon 3.1 og 3.2 for FL-innledningen.

I fire deltakere (2, 6, 9 og 11) resulterte DTW i en signifikant høyere reduksjon i variasjonen innen klyngene, mens Ecorr var mer effektiv i en annen gruppe på fire deltakere (8, 12, 13 og 14) under FL-innledningen. Dette indikerer at Ecorr er på nivå med DTW når det gjelder reduksjon av variasjon innen klyngene. Gjennomsnittlig prosentvis reduksjon i variasjonen, som vises i Figur 25, viste seg å være sammenlignbar mellom de forskjellige klyngealgoritmene, som vist i Figur 26.

Tiden som kreves for implementeringen av Ecorr-metoden var en tredjedel av tiden som trengs for DTW, noe som reflekterer den høyere beregningsmessige effektiviteten til Ecorr. Dette gjør Ecorr mer egnet for behandling av store datasett.

Konsistensen av klyngingens romlige fordeling var en sterkere funksjon av den innledende tilstanden enn avstandsmetoden som ble brukt. Vinkelen på linjen som koblet sammen medianene for trekkene i FL-LV funksjonsrommet var i gjennomsnitt 47 grader for FL og 65 grader for LV-innledningen. Positiviteten til klyngene for FL-innledningen var nær flow-rate-basert gruppering. Derfor er det behov for en klyngealgoritme som er mer uavhengig av den innledende tilstanden.

FL-innledningen viste flere statistisk signifikante forskjeller i hjertefrekvensen mellom klyngene (AHRD). AHRD, som reflekterer den absolutte forskjellen i gjennomsnittlig hjertefrekvens mellom klyngene, lå mellom 1 og 12 slag per minutt. Antallet steder med signifikant AHRD økte med økningen i AHRD for 10 av de 15 deltakerne. Dette kan indikere at FL-innledningen ikke bare reduserer variasjon innen klyngene, men også fanger opp subtilere forskjeller som kan være avgjørende i visse kliniske scenarier.

Den generelle nøyaktigheten i klynging med Ecorr var høyere for flere deltagere enn med DTW, men på bestemte steder med høy signal-til-støy-forhold, hadde DTW en høyere nøyaktighet. Konsistensen i den romlige fordelingen av SCG-klynger var høyere for Ecorr enn for DTW i 10 av deltakerne, men inter-subjektavtalen var tilnærmet lik for begge avstandsmetodene på de vanlige hjerteauskultasjonsstedene. For FL-innledningen var vinkelen på beslutningsgrensen for DTW signifikant høyere enn Ecorr ved Erb’s punkt og xiphoid prosess, som er vanlige steder for hjerteauskultasjon.

Generelt sett er reduksjonen i variasjon innen klyngene etter klynging sammenlignbar mellom DTW og Ecorr, med reduksjoner som varierer fra 10% til 15% for de fleste deltakerne. I ett tilfelle overskred reduksjonen 25%. Ecorr er mer beregningsmessig effektiv enn DTW (tre ganger raskere), noe som er kritisk når man håndterer store datasett. Dette antyder en parallell bruk av begge avstandsmetodene i populasjoner som ligner den nåværende studiepopulasjonen, før man velger den mest nøyaktige metoden.

Om bare én metode skal velges, vil den Euklidesiske avstanden med flow-rate-basert innledning være den beste metoden å bruke, på grunn av den optimale klyngingen i de fleste tilfeller og høyere beregningsmessig effektivitet.

Hvordan oppdage emosjoner gjennom fysiologiske signaler: En teknologisk tilnærming

Emotion recognition basert på fysiologiske signaler har fått økt oppmerksomhet de siste årene, særlig ved bruk av avanserte systemer som involverer elektroder og sensorer for å måle hjerneaktivitet, hudreaksjoner, hjerterytme og muskelspenninger. Et slikt system gir innsikt i emosjonelle tilstander som valens og arousal ved hjelp av signaler som EEG, GSR, EMG, ECG og RES.

GSR (Galvanic Skin Response) er en metode for å måle den elektriske motstanden i huden, som endres i respons på stress og angst. Dette skjer når svettekjertlene reagerer på emosjonelle stimuli. GSR gir dermed et direkte mål på hvordan kroppen reagerer på indre følelsesmessige tilstander. Målingen skjer enten ved å registrere hudens elektriske motstand eller ved å vurdere de svake elektriske strømmene som genereres av kroppen.

En annen fremgangsmåte ble brukt av Goshvarpour et al. (2017), som benyttet Matching Pursuit (MP) algoritmer for å identifisere emosjoner gjennom GSR og EEG-data. De utførte funksjonsreduksjon ved bruk av metoder som principal component analysis (PCA), lineær diskriminantanalyse (LDA) og kernel PCA. Resultatene ble deretter matet inn i et probabilistisk nevralt nettverk (PNN) for å klassifisere emosjonelle tilstander. Selv om disse tilnærmingene gav pålitelige resultater, inkluderte de ikke multimodale signaler i valideringsprosessen, og de utforsket ikke grundig hvordan de enkelte trekkene bidrar til å forbedre klassifiseringen.

I vår tilnærming har vi valgt å bruke et multimodalt system for å analysere emosjonelle tilstander. Vi benyttet både EEG og andre fysiologiske signaler som GSR, EMG, ECG og RES for å klassifisere emosjoner basert på valens- og arousal-dimensjoner. Ved å bruke et forbedret funksjonslæringssystem har vi klart å oppnå mer nøyaktige og pålitelige resultater. Vi presenterer våre funn både for binære klasser som positiv/negativ for valens og høy/lav for arousal, samt for treklasses klassifisering basert på selvrapporterte tilbakemeldinger.

En viktig komponent i vår tilnærming er bruken av nevrale nettverk som et verktøy for å klassifisere emosjoner. Vi har implementert kunstige nevrale nettverk (ANN) for å analysere de fysiologiske dataene etter at funksjonene er blitt ekstrahert og forbedret. Dette har ført til en betydelig forbedring av nøyaktigheten i emosjonsgjenkjenning. Det er viktig å merke seg at nøyaktigheten i slike systemer kan påvirkes av flere faktorer, blant annet kvaliteten på dataene, valget av funksjoner og klassifikatorens egenskaper.

I emosjonsgjenkjenning er funksjonene som trekkes fra fysiologiske signaler avgjørende. De kan være både tids- og frekvensbaserte, og kombinasjonen av disse gir mer robuste og pålitelige resultater. I tillegg til tradisjonelle funksjoner, har dyp læringsteknikker vist seg å være svært effektive i å trekke ut komplekse og informative trekk som kan bidra til å forbedre nøyaktigheten i emosjonsgjenkjenning.

Tidligere forskning har også benyttet dyplæringsteknikker som konvolusjonsnevrale nettverk (CNN), dyp troverdighetsnettverk (DBN), langtid-korttidsminne (LSTM), tilbakevendende nevrale nettverk (RNN) og multilag-perseptron (MLPNN) for å identifisere emosjoner. Disse teknikkene er i stand til å lære høynivåfunksjoner som kan differensiere mellom ulike emosjonelle tilstander med høy nøyaktighet. Bruken av dyp læring eliminerer behovet for manuell trekkekstraksjon, og gjør det mulig å lære fra store datamengder på en effektiv måte.

Det er viktig å forstå at selv om dyp læring har revolusjonert tilnærminger til emosjonsgjenkjenning, er det fortsatt mange utfordringer knyttet til nøyaktigheten og påliteligheten av slike systemer. For eksempel er det utfordrende å få tilgang til omfattende og representative datasett som kan dekke et bredt spekter av emosjonelle tilstander. I tillegg kan fysiologiske signaler være svært varierte og følsomme for eksterne faktorer som stress eller tretthet, noe som kan påvirke klassifiseringen.

Emosjonsgjenkjenning basert på fysiologiske signaler er en kompleks oppgave som krever både teknisk ekspertise og en dyp forståelse av de underliggende biologiske prosessene. Fremtidig forskning bør fokusere på å kombinere flere signaler på en mer integrert måte, samt å forbedre algoritmer for funksjonslæring slik at de kan tilpasse seg et bredere spekter av emosjonelle tilstander. Videre vil det være viktig å utforske hvordan forskjellige fysiologiske signaler samhandler og hvordan de kan brukes til å bygge mer robuste og nøyaktige emosjonsgjenkjenningssystemer.