基于多模态生理信号的焦虑实时检测技术

焦虑症是世界上最常见的精神疾病之一。

焦虑症是世界上最常见的精神疾病之一。焦虑是一种高度焦虑、觉醒和警惕的心理状态，通常是由于对威胁的预期而引起的。Meta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，可以通过诱发状态性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问卷。而且，状态焦虑不仅伴随着即时的心理反应，还表现为情绪唤起高、效能低、主导性低。同时伴有相应的生理反应，如心率加快、心率变异性降低、皮肤电导增加等。然而，目前仍然缺乏基于心理和生理反应的状态焦虑的量化表征，这限制了在焦虑诱导范式中对不断变化的状态焦虑水平的动态跟踪。

在最近发表在期刊《精神病学前沿》上的一项工作中，天桥脑科学研究所(TCCI)研究员、上海交通大学医学院附属精神卫生中心杨智教授的团队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令人厌恶的图片或电击的风险来诱导受试者产生状态焦虑(任务前后测量STAI-S评分)，同时记录多模态数据，包括情绪维度评分、心电图和皮肤电反应。研究人员训练并验证了基于多模态数据预测状态焦虑的机器学习模型。

图一。实验过程

研究者首先确认了两个诱导焦虑的任务都成功诱导了状态焦虑，然后通过相关性分析测试了心理和生理特征与STAI-S评分之间的关系，发现VAD与情绪维度指标STAI-S之间存在显著的相关性。特定的生理指标也与状态焦虑密切相关。然后，基于多模态数据，研究人员使用四种不同的回归模型来预测STAI-S，并比较它们的预测性能。当心理特征和生理特征相结合时，回归模型预测的STAI-S与实际的STAI-S之间存在显著的正相关关系，而且，当单独使用生理特征时，回归模型也可以预测STAI-S。

图二。多模态数据预测STAI-S

本研究提出了一个基于心理和生理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率下的动态变化。而且，该模型仅使用客观且容易获得的生理信号就能准确测量静息状态焦虑，为未来情绪脑机交互和焦虑调节的研究提供了一种灵敏的状态焦虑水平测量方法。

上海交通大学医学院附属精神卫生中心副研究员岳鼎和硕士研究生刘晶晶是本论文的第一作者。这项工作得到了国家、上海市科委和天桥脑科学研究所(TCCI)的支持。

丁勇，刘军，张X，杨Z (2022):通过多模态数据和机器学习对状态焦虑进行动态跟踪。前沿精神病学13: 757961。

版权声明

本网站所有标注“来源：100医学网”或“来源：bioon”的文字、图片及音视频资料，版权归100医学网网站所有。未经授权，任何媒体、网站、个人不得转载，否则将追究法律责任。获得书面授权转载时，必须注明“来源：100医学网”。其他来源的文章均为转载文章。本网站所有转载文章都是为了传递更多信息。转载内容不代表本站立场。不想被转载的媒体或个人可以联系我们，我们会立即删除。

87%的用户都在使用100医疗网APP随时阅读、评论、分享、交流。请扫描二维码下载-