Multimodal EEG for Anxiety Survey
Related Papers
1、Al-Ezzi A、Al-Shargabi A.A.、Al-Shargie F等. 在社交焦虑障碍患者中的EEG复杂性评估采用模糊熵与机器学习技术[J]. IEEE Access, 2022, 10: 39926-39938.
本研究的目标是通过分析社交焦虑障碍(SAD)患者脑电图(EEG)信号中复杂性的变化来辅助临床诊断工作
2、MARKO B J. DETECTION OF ANXIETY FROM BRAIN ELECTROEN CEPHALOGRAM (EEG) SIGNALS[J].
本研究的目标是开发一种创新的方法以利用脑电图（EEG）信号来检测焦虑。作为一种非侵入性和经济高效的筛查手段，EEG在焦虑相关疾病的研究中具有重要价值。论文中所描述的研究方法包括采用微状态分析技术（microstates），这一方法在以往的焦虑检测工作中尚未被应用，并且还结合了时间域与频率域的额外特征提取技术。
该论文的任务主要包括以下几个方面：
- 探讨焦虑及其对大脑电信号与图像的影响；
- 熟悉并掌握信号处理、图像处理以及机器学习等技术在分析脑电信号与图像中的应用；
- 分析现有方法在检测焦虑中的局限性及其面临的挑战；
- 设计并实现用于从脑电信号与图像中检测焦虑的算法；
- 创建一套评估标准以检验算法性能；
- 进行批判性分析并讨论所得结果的意义及贡献
3,Zhang B,Wang C,Yan G(et al.),Enhanced neural networks were developed using the improved ensemble empirical mode decomposition technique applied to EEG data,to analyze and detect anxiety
这篇文献重点研究了采用改进型集合经验模态分解方法来构建基于脑电图信号的功能性脑网络，并以分析与检测焦虑特征为目的进行相关分析。以下是对该研究的具体总结：
研究背景及目标：
焦虑症是一种常见的神经官能症。多数研究关注的是孤立EEG电极特征这一问题，并未充分认识到EEG信号实际上是多种神经元叠加作用的结果。由此可见，在单一神经元层面解析大脑拓扑结构的变化具有较大局限性。本研究通过改进集合经验模态分解（EEMD）方法构建功能脑网络模型，在分析机制上取得了一定突破。
方法：
- 新型自适应EEMD方法 旨在通过引入额外的自适应白噪声来解决传统EEMD存在的模式混叠问题，并从而得到多个内在模式函数（IMF），这些IMF能够有效模拟独立神经元信号。
- 基于相位滞后指数（PLI）与比例阈值策略建立二值BFN模型 ，该模型通过对各个IMF分别应用相位滞后指数（PLI）与比例阈值策略来进行数据建模。
- 通过复杂网络分析研究BFN拓扑结构特征 ，进而深入探讨焦虑检测任务中的潜在生物标志物。
主要发现：
- 优化后的EEMD相较于传统方法而言可以更高效地实现 EEG 信号的分解，在处理非线性和非平稳信号方面展现出明显优势。
- 功能同步在大脑左半球额叶 (LF)、颞叶 (LT) 和中央区 (LC) 呈现出明显的改变特征。
- 研究表明焦虑患者群体呈现出 BFN 指标逐渐趋向随机化的趋势。
- 统计结果显示 IMF1 和 IMF4 成分中的连接数量显著高于其他成分。
- 基于典型图形度量标准对 BFN 进行深入探究发现焦虑组的小世界特性较正常组有所减弱并逐渐向随机化状态转变。
检测性能：
- 采用支持向量机（SVM）分类器作为鉴habitantsheng症评估工具，在鉴别焦虑症的效率上表现优异。
- 在10折交叉验证中，该方法实现了高效率的分类任务，并计算出其平均准确率为87.31%，敏感度和特异性的平均值分别为89.16%和94.98%。
- 在IMF1和IMF4成分中，我们成功选定了10个图形度量标准可作为潜在的生物标志物，并这些指标具有可有效地区分患者与健康对照组的能力。
结论：
本研究通过构建基于改进EEMD的方法并深入分析其拓扑特性来实现对焦虑患者与健康个体差异特征的识别工作。该研究不仅成功地发现了潜在的生物标志物信息指标体系，在理论层面上为解析焦虑症的本质特征提供了新的视角，并在应用层面为开发新型诊断手段提供了理论依据
Zhang X等. 整合脑电图与眼动数据采用组稀疏典范相关分析方法用于焦虑检测的研究[J]. IEEE Transactions on Affective Computing, 2020, 13(2): 958-971.
这篇文献深入探讨了通过融合脑电图（EEG）与眼球运动数据来达成焦虑检测这一目标的方法。研究团队采用Group Sparse Canonical Correlation Analysis（GSCCA）技术对EEG和眼球运动特征进行了系统整合，并致力于优化算法以提高焦虑情绪识别的准确性水平。
研究背景方面：
焦虑作为一种由过度担忧引发的负面情绪状态可能会导致焦虑障碍的发生或加重。脑电图（EEG）能够反映大脑的功能活动特性但单独依赖于EEG难以精确识别焦虑情绪因为它可能与其他情感障碍的表现存在相似性。
因此该研究将眼球运动信息整合进EEG分析中并根据特征的不同属性将其划分为若干组别以期更精准地识别特定的情绪状态。
方法部分：
- 数据预处理：通过高频去噪（0.1 Hz）以及特定频段去噪（59-61 Hz）对EEG信号进行预处理后，在稳健主成分分析算法（robust PCA）的基础上结合近似增广拉格朗日乘子法（ALM），成功去除EEG数据中的稀疏噪声干扰。
- 特征提取：从EEG信号中提取了δ、θ、α慢速、α、β及γ等不同频段的功率谱特征（PSD），同时从眼球运动数据中提取了眨眼动作特征、扫视行为特征以及注视状态特征等21个具体指标。
- 组稀疏典型相关分析：采用组稀疏典型相关分析技术（GSCCA）对EEG与眼球运动数据进行联合建模分析，在探讨两者间的组间结构关系过程中获得了有效的融合表示。
实验结果：
该研究在Healthy Brain Network数据集上测试了45名焦虑患者与47名健康对照者的数据样本，在深度解析两组被试者EEG信号头皮区域内特异性频段特征与其眼球运动行为参数之间的关联性后发现：研究发现GSCCA能够有效地用于探索不同头皮区域间的EEG功率谱特征与其对应的瞳动行为参数之间的关联关系。
视觉行为模式如扫视动作与注视状态均呈现出与大脑视觉皮层特定头皮区域间高度一致的EEG功率谱特性；最终融合表示在γ频段上采用支持向量机（SVM）分类器达到了82.7%的最佳分类准确率。
结论：
通过整合EEG与眼球运动数据并采用先进的GSCCA技术进行多维度数据分析研究者们得以更精准地识别出焦虑情绪存在的大脑神经机制；研究结果表明：眼球运动数据尤其是那些与视觉注意相关的参数对于深入解析大脑功能活动机制具有重要的理论价值与应用意义。
Alexander L M等人为《科学数据》杂志撰写的关于儿童精神健康及学习障碍跨学科诊断研究的资源性文章提供了一个开放平台
这篇文献描述了Healthy Brain Network (HBN) 的数据集，这是一个由Child Mind Institute发起的持续进行中的项目，旨在创建并共享来自纽约地区大约10,000名年龄在5至21岁之间的参与者的数据生物库。该数据集包含多种模式的数据，其目标是为儿童心理健康和学习障碍的跨诊断研究提供开放资源，从而更好地理解这些疾病的发展病理生理学，并可能识别出临床有用的疾病标记物，以改善病理早期检测，并指导干预措施。
尽管神经影像学、神经心理学、神经生理学和遗传学等领域的研究已经揭示了许多疾病的生物学相关性，但发现的结果却缺乏特异性，这导致了寻找临床有用的基于大脑的生物标志物的进展缓慢。因此，研究者们正在重新考虑研究范式和实践方法，包括对基于临床定义的精神障碍分类与不同生物指标之间关系的映射的反思。
文章指出两种新的研究方法：一是采用超越现有诊断界限的行为和神经生物学维度的跨诊断模型；二是通过诊断亚型来解释诊断类别内的变异，通过检测行为或生物学同质的子群来解析精神疾病。这两种策略并非相互排斥，而是可以互相补充。
文献中还提到了一些具体的技术细节，比如用于测量兴奋性和抑制性神经生理活动的自然刺激范式，以及用于在自然观看条件下测量功能连接性的个体差异。此外，还讨论了用于从fMRI数据解码眼睛注视位置的方法，即预测眼估计回归（PEER）。
该数据集的开放获取遵循Creative Commons许可协议，允许在任何媒介或格式中使用、共享、改编、分发和复制，前提是适当引用原始作者和来源，并链接到Creative Commons许可证。