fNIRS (funktionell nær-infrarød spektroskopi) har fått økt oppmerksomhet i de siste årene, spesielt innen nevrologiske undersøkelser og behandlinger. Denne teknologien gjør det mulig å studere hjerneaktivitet på en ikke-invasiv måte, og har blitt brukt til å undersøke ulike nevrologiske lidelser som schizofreni, depresjon, posttraumatisk stresslidelse (PTSD) og andre. En av hovedfordelene med fNIRS er dens lave følsomhet for bevegelsesartefakter, noe som gjør den til et ideelt valg for forskning på spedbarn og andre grupper som har problemer med å forbli stille under testing.

I tillegg til tradisjonell hjerneavbildning, har fNIRS også blitt en viktig del av hjernesyntese-teknologier, som hjernedatamaskin-grensesnitt (BCI), som muliggjør kommunikasjon mellom menneskets hjerne og eksterne enheter. En BCI kan deles inn i to hovedkategorier: aktiv og passiv BCI. I en aktiv BCI sender brukeren frivillig hjerneaktivitetssignaler til en enhet for å kontrollere den. Dette er spesielt nyttig for pasienter med alvorlige bevegelseshemninger som ikke kan bruke sine lemmer til å utføre enkle oppgaver. For slike pasienter kan aktiv BCI brukes til å kontrollere hjelpemidler som elektriske rullestoler, protetiske armer eller roboter med tanke på pasientens intensjoner.

Den passive BCI-teknologien fungerer derimot mer som et overvåkingsverktøy for generell kognitiv overvåkning, både for friske brukere og pasienter. Denne teknologien kan overvåke hjernesignaler under utførelsen av ulike aktiviteter uten at brukeren nødvendigvis er klar over at dataene blir samlet inn. Denne typen BCI benyttes hovedsakelig for forskning, men har også potensiale til å spille en rolle i kontinuerlig helsetilsyn, spesielt i forhold til motoriske funksjoner.

En viktig komponent i et typisk BCI-system er hjernesignalinnhentingsmodulen. Denne modulen trekker ut hjernesignaler som er infisert med støy, som kan stamme fra fysiologiske prosesser som hjerterytme eller respirasjon, instrumentell støy eller artefakter som følge av bevegelse under innhenting. Signalene blir deretter behandlet for å fjerne støyen, før de videre behandles for å hente ut spesifikke funksjoner som reflekterer pasientens intensjoner. Disse funksjonene oversettes til kommandoer som styrer et eksternt hjelpemiddel.

De fleste BCI-systemene har historisk brukt EEG (elektroencefalografi) for å innhente hjernesignaler. Imidlertid har fNIRS på grunn av sine unike fordeler begynt å få mer oppmerksomhet i utviklingen av BCI-teknologier, ettersom det kan tilby et mer stabilt og nøyaktig mål for hjerneaktivitet ved bruk i helsetjenester. Dette kan være spesielt viktig når det gjelder tilpassede hjelpemidler for pasienter med spesifikke behov.

En annen kritisk faktor for vellykket bruk av BCI-systemer er kvaliteten på treningsdataene som brukes til å tilpasse systemet til den enkelte pasientens hjerneaktivitet. For pasienter med bevegelseshemninger er det viktig å utvikle oppgaver som ikke krever fysisk bevegelse for å fremkalle de nødvendige hjernesignalene. Dette kan for eksempel inkludere motorisk forestilling, hvor pasienten forestiller seg bevegelsen av et lem uten å faktisk utføre den, eller kognitive oppgaver som mental aritmetikk eller tankespill. Gjennom trening lærer BCI-systemet å gjenkjenne de spesifikke mønstrene av hjerneaktivitet som tilsvarer pasientens intensjon om å kontrollere en enhet.

Selv om BCI-teknologi har hatt en betydelig utvikling, er det fortsatt flere utfordringer som må overvinnes for at denne teknologien skal bli fullt ut integrert i behandlingssystemer. Dette inkluderer å utvikle mer presise og robuste metoder for signalbehandling og å håndtere utfordringer knyttet til pasientens individuelle variasjoner i hjernesignaturer.

En annen aspekt som er viktig å forstå er hvordan smerte påvirker hjernens behandling av informasjon. Smerten kan deles inn i tre hovedtyper: forbigående smerte, akutt smerte og kronisk smerte. Forbigående smerte varer kun en kort tid og er forbundet med midlertidige kilder som en injeksjon. Akutt smerte, derimot, har en plutselig innsettende natur og kan være forårsaket av skade på vev. Kronisk smerte varer lengre og kan være et resultat av langvarige sykdommer eller tap av kroppsfunksjoner. Det er kjent at hjernen kan tilpasse seg og endre måten den bearbeider smerte på ved kroniske smertetilstander, en prosess kjent som habituering. Dette fenomenet er viktig når man ser på hvordan pasienter med kroniske smertetilstander kan ha nytte av BCI-teknologi for smertelindring.

Smerten i hjernen behandles ikke av en enkelt region, men er fordelt på flere områder, inkludert den primære somatosensoriske cortex, den sekundære somatosensoriske cortex, insula, den anterior cingulate cortex og prefrontal cortex. Denne distribuerte behandlingen inkluderer både den sensoriske responsen på nociseptorer og den affektive komponenten som refererer til den emosjonelle opplevelsen av smerte. Derfor kan BCI-teknologi også være nyttig for pasienter som lider av smerte, ved å muliggjøre mer presis måling og potensielt behandling av hjernens smertebehandlingsprosesser.

Endtext

Hvordan kan teknologi bidra til gjenkjenning av menneskelige følelser?

Gjenkjenning av følelser involverer prosessen med å identifisere menneskelige affekter. Denne oppgaven kan sammenfattes som en automatisk klassifisering av menneskelige emosjoner fra bilder eller videosekvenser. Det er stor variasjon blant mennesker når det gjelder nøyaktigheten i å gjenkjenne andres følelser. Nåværende forskning på området dreier seg om å utvikle og bruke teknologier som kan hjelpe oss å forstå og forutsi menneskers sinnstilstand. Disse teknologiene fungerer best når flere forskjellige modaliteter undersøkes. De fleste studier innen følelserelaterte teknologier har vært rettet mot å automatisere gjenkjenning av ansiktsuttrykk (FER) fra videoer, vokale uttrykk fra lydopptak, skrevne uttrykk fra tekst, samt fysiologiske målinger fra bærbare biomarkører. Disse signalene har i flere tiår vært gjenstand for omfattende forskning, og metoder for automatisk emosjonsklassifisering har blitt utviklet og evaluert.

Ettersom interaksjon mellom mennesker og datamaskiner (HCI – Human-Computer Interaction) får stadig mer oppmerksomhet, pågår det internasjonalt arbeid for å finne bedre og mer hensiktsmessige måter å etablere et felles grunnlag for relasjoner mellom hvordan datamaskiner og mennesker samhandler. For å bygge et effektivt HCI-system er det essensielt å forstå de emosjonelle tilstandene til de involverte. Denne interessen har historisk sett vært sterkt knyttet til fysiske modaliteter som ansiktsuttrykk, kroppsspråk, tale og tekst, men påliteligheten og effektiviteten av disse metodene kan stilles spørsmål ved ettersom de kan manipuleres bevisst.

Emosjoner er tidvis varierende affektive fenomener som utløses av bestemte stimuli. Hvordan vi reagerer på et gitt stimuli er viktig for å vurdere vår emosjonelle intelligens. Fysiologiske signaler gir verdifull informasjon for å forstå hvordan en person reagerer og uttrykker sine følelser på et gitt tidspunkt. Dette innebærer innsamling av data fra både det sentrale og det autonome nervesystemet. Emosjonelle stimuli som musikk eller korte videosekvenser introduseres for å fremkalle følelser, og disse stimuli blir presentert for deltakerne i eksperimentelle settinger hvor signaler tas fra andre deler av kroppen deres for å oppdage følelsesmessige spor umiddelbart.

Emosjoner krever fysiologiske responser som styres av hjernen. Det sentrale nervesystemet består av hjernen og ryggmargen, mens det autonome nervesystemet er et kontrollsystem som virker ubevisst og regulerer kroppslige funksjoner som hjertefrekvens, pupillrespons, vagusnervene og seksuell opphisselse. Denne fysiologiske responsen kan nesten ikke manipuleres. Spontane fysiologiske signaler som er sterkt korrelert med menneskelige følelser inkluderer elektroencefalogram (EEG), elektromyogram (EMG), elektrokardiogram (EKG), galvanisk hudrespons (GSR), hjertefrekvens (HR), temperatur (T), funksjonell magnetisk resonansavbildning (fMRI), blodvolumspuls (BVP), positronemisjonstomografi (PET) og respirasjon (RES).

Det finnes flere studier som har utført omfattende gjennomganger av fysiologiske parametere og deres forhold til menneskelige følelser. I tidligere arbeider har vi benyttet et bredt læringssystem (BLS) uten forbedringsnoder som klassifikator for å trene fysiologiske signaler for emosjonsgjenkjenning. Senere har vi introdusert et hyper-forbedret læringssystem for å forbedre klassifiseringsytelsen.

Affective computing er studiet og utviklingen av systemer og enheter som kan gjenkjenne, tolke, behandle og simulere menneskelige affekter. Dette har vokst fram som en metode for å koble sammen teknologi og menneskelige følelser i HCI. Hovedmålet er å simulere emosjonelle interaksjoner mellom mennesker og datamaskiner ved å beregne og måle en deltakende individs emosjonelle tilstand. En persons emosjonelle tilstand kan være synlig gjennom subjektive opplevelser (hvordan en person føler seg), interne uttrykk (fysiologiske og biologiske signaler) og eksterne uttrykk (audiovisuelle signaler).

Selvrapportering kan gi verdifulle data, men det genererer utfordringer når det gjelder validitet og pålitelighet. Et eksempel på dette kan være en person som, på grunn av sin status i samfunnet, velger å skjule sine faktiske følelser. Han kan se ut til å være rolig, men hans fysiologiske signaler kan avsløre en helt annen virkelighet. En slik misforhold mellom subjektive rapporter og fysiologiske signaler er en av de utfordringene som fortsatt står sentralt i forskningen på følelser og teknologi.

Den siste tiden har omfattende litteratur på emosjonsgjenkjenning undersøkt og tilpasset teknikker fra flere domener som dyp læring, maskinlæring, signalbehandling og datavisjon. Forskere benytter ulike teknikker som Bayesianske nettverk (BN), Gaussian blande-modeller (GMM), skjulte Markov-modeller (HMM) og dype nevrale nettverk (DNN) for å tolke emosjoner. Systemene for emosjonsgjenkjenning krever innsamling av data, fjerning av støy, eksemplarutvinning og klassifisering.

Emosjonsgjenkjenning har mange praktiske anvendelser. Dette kan sees i helsevesenet, markedsføringssektoren, forsvarssektoren og på sosiale medier. Ved hjelp av EEG kan man måle den elektriske aktiviteten i hjernen, og flere studier har brukt EEG-signaler i sin forskning for å utvikle systemer for emosjonsgjenkjenning. Det er også kommersielle enheter på markedet som samler inn slike data. EKG, derimot, er en grafisk fremstilling av hjertesyklusen og benyttes også til å stimulere emosjonelle signaler for gjenkjenning. I tillegg er EMG-signaler viktige for å utvikle HCI-systemer som kan brukes til å behandle depresjon.

I tillegg til de fysiologiske målingene som vi har beskrevet, spiller også pusteprosesser en viktig rolle i å regulere våre emosjonelle tilstander. Respirasjon, som er den prosessen hvor organismer får energi fra organiske molekyler, er en kompleks, men nødvendig fysiologisk prosess som kan ha betydelig innvirkning på hvordan vi opplever og uttrykker følelser.

Hvordan oppdatering av medoid påvirker klyngedannelse i SCG-dataanalyse

I arbeidet med seismokardiografiske (SCG) data er en av de viktigste trinnene i klyngedannelsesprosessen å oppdatere medoidene for hver klynge. Dette trinnet er avgjørende for å finne den representerende verdien (medoiden) som best beskriver hver klynge av SCG-punkter. Medoiden for klynge "j", betegnet som CjC_j, beregnes ved hjelp av en spesifikk formel (likning 6). Her velges medoiden ved å finne punktet som minimerer den gjennomsnittlige avstanden til alle andre punkter i klyngen.

Denne prosessen krever en iterativ tilnærming: først blir medoidene oppdatert basert på de nåværende klyngeindelingene, deretter blir klyngene tildelt på nytt ved å vurdere avstandene til de oppdaterte medoidene. Denne prosessen gjentas til klyngenes medlemskap stabiliserer seg, det vil si at ingen endringer skjer i tildelingen av punktene til klyngene. I praksis kan man møte på utfordringer knyttet til den beregningsmessige kostnaden ved å bruke Dynamic Time Warping (DTW), som brukes til å beregne avstander mellom SCG-punkter. For å redusere beregningstiden kan det være nødvendig å nedprosamplere SCG-beatene, for eksempel til 500 Hz (Gamage et al., 2020), eller forkorte datalengden til for eksempel 1 minutt (Azad, 2020). I den nåværende studien ble prosesseringsfrekvensen satt til 1 kHz, og dataene ble utvidet til to minutters varighet, noe som resulterte i et gjennomsnitt på 131 ± 25 beats per deltaker.

Klyngenes geografiske distribusjon i SCG-datasettet kan også analyseres ved å undersøke beslutningsgrensene mellom klyngene i et standardisert funksjonsrom som kombinerer lungvolum og luftstrømningshastighet. Denne analysen kan gi innsikt i hvordan SCG-klusterne endres i respons til respirasjonsfasene. For å gjøre dette benyttes en lineær støttevektor-maskin (SVM) for å beregne en beslutningsgrense, som skiller de to klyngene i et 2D-rom. Denne beslutningsgrensen kan fortelle oss mye om klyngebytter under respirasjon. For eksempel kan vinkelen på beslutningsgrensen i forhold til de horisontale aksene i funksjonsrommet indikere hvordan klustrene er plassert i de ulike respiratoriske fasene. I de tilfellene der klyngene er godt separert, vil dette gi en høy klyngepresisjon, som kan kvantifiseres ved hjelp av en nøyaktighetsmåling. Nøyaktigheten i klyngeinndelingen kan variere avhengig av hvordan SCG-dataene er gruppert, og forskjellen i nøyaktighet kan være avgjørende for forståelsen av hvordan SCG-opplysningene samhandler med respiratoriske endringer.

I tillegg til å analysere klyngenes plassering i funksjonsrommet, er det viktig å vurdere klyngenes konsistens i ulike kroppsposisjoner. Variasjonen i vinkelen på beslutningsgrensen mellom forskjellige brystlokasjoner kan gi innsikt i hvor konsistente klyngefordelingene er. Hvis vinkelvariabiliteten er lav, indikerer det høy romlig konsistens, noe som er ønskelig for å oppnå stabile og pålitelige klynger. Dette kan bidra til å forbedre vår forståelse av hvordan SCG-signalene reflekterer de fysiologiske endringene som skjer i kroppen under ulike forhold.

Videre bør analysen av hjertefrekvenser (HR) i de forskjellige klustrene også vurderes. Gjennomsnittlig hjertefrekvens for hvert kluster kan bidra til å gi mer detaljert informasjon om de fysiologiske forskjellene mellom klustrene, og dette kan videre sammenlignes ved hjelp av statistiske tester som t-testen for å bestemme signifikante forskjeller. På denne måten kan forskere få en bedre forståelse av hvordan hjertefrekvensen er relatert til spesifikke klyngeegenskaper i SCG-dataene.

En annen viktig aspekt ved SCG-klyngedannelse er reduksjonen i intra-kluster variabilitet etter at klyngene er dannet. Ved å beregne intra-kluster variabilitet før og etter klyngedannelse, kan man vurdere i hvilken grad klyngene har forbedret sin evne til å representere de underliggende mønstrene i SCG-dataene. Denne reduksjonen i variabilitet indikerer en bedre homogenitet innenfor hvert kluster, som er viktig for nøyaktigheten og påliteligheten av analysene.

For å få et helhetlig bilde av SCG-klyngenes kvalitet, er det avgjørende å kontinuerlig evaluere og sammenligne ulike metoder for klyngedannelse. Det kan være lurt å bruke forskjellige kombinasjoner av funksjoner og metoder for å oppnå den beste separasjonen mellom klyngene og den høyeste presisjonen i analysene.

Hvordan håndtere og bruke uttrykksfulle teksturer i blekktegning
Hvordan fotonikk og optoelektronikk endrer industrien og fremmer bærekraft
Hvordan lage elegante øredobber med wire og glassperler: En praktisk guide
Hvordan Stokastisk Gjennomsnitt Kan Brukes til Quasi-Ikke-Integrerbare Hamiltoniansystemer