A carregar...
Publicação
Comparative Analysis of Recurrent Neural Networks Performance for the Optimization of a Gamified Neurofeedback Brain Computer Interface in Anxiety Therapy
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.17 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
According to its 2025’s report, the World Health Organization (WHO) identified anxiety disorders as the most common mental health condition, affecting more than 359 million indi-viduals, from which less than 25% receive treatment which is many times costly or inefficient. Once modern psychiatry could benefit from more innovation in these field, this research aimed to personalize an existing gamified neurofeedback solution for anxiety control therapy using less computational expensive AI models. To this end, a dataset containing time-series of EEG derived data, from 19 patients playing in a gamified neurofeedback BCI. Each game’s full session was divided in 10 subsessions of data, each corresponding to a game’s level. From each game’s level 82 features were extracted but only the power average asymmetry of alpha waves in channels F3-F4 (APAA F3-F4) was used, in accordance with prior research identifying it as the best metric for accessing anxiety control for this solution. This research developed and tested different architectures of LSTM and GRU models, with different sets of hyperparame-ters while proposing a new pipeline of innovation in neurofeedback which can improve future lines of research. Results showed that algorithms show potential to predict anxiety alterations using APAA F3-F4 in real world applications. Several architectures achieved a mean direc-tional accuracy (MDA) above 0.6 for 8-seconds windows, representing 6 times better results than previous models. Root mean squared error (RMSE) was kept under 20% for multiple models. Furthermore, correlations were observed between game level and model performance indicating that space for improvement.
Segundo o seu relatório de 2025, a Organização Mundial de Saúde (OMS), identificou os distúrbios de ansiedade como os problemas mentais mais comuns, afetando 359 de milhões de indivíduos dos quais menos de 25% recebe tratamento, que é frequentemente ineficiente ou dispendioso. Dado que a psiquiatria pode beneficiar de inovação nesta área, esta investigação procurou personalizar uma solução de neurofeedback gamificada para a terapia de controlo de ansiedade recorrendo a modelos menos computacionalmente dispendiosos de IA. Com este propósito um dataset contendo séries temporais derivadas de dados de EEG de 19 pacientes que jogavam um jogo numa BCI ‘gamificada’ de neurofeedback foi utilizado. Cada sessão completa de jogo foi divida em 10 subsessões cada uma correspondendo a um nível do jogo. De cada nível do jogo 82 features foram extraídas, mas apenas os espetros de potência das ondas alfa nos canais F3-F4 (APAA F3-F4) foram usados em conformidade com uma investigação prévia que identificou esta como a melhor métrica para avaliar o controlo de ansiedade no jogo. Esta investigação procurou desenvolver e testar diferentes arquiteturas de modelos de LSTM e GRU, combinando diferentes sets de hiperparâmetros, propondo ao mesmo tempo uma nova pipeline de inovação em neurofeedback que possa melhorar futuras linhas de investigação. Os resultados mostraram que os algoritmos podem potencialmente prever alterações de ansiedade utilizando a APAA F3–F4 em aplicações do mundo real. Várias arquiteturas atingiram uma precisão direcional média (MDA) superior a 0,6 em janelas de 8 segundos, representando 6 vezes melhores resultados do que modelos anteriores. A raiz quadrada do erro médio (RMSE) manteve-se abaixo de 20% para múltiplos modelos. Foram também observadas correlações entre o nível do jogo e o desempenho do modelo, indicando margem de melhoria.
Segundo o seu relatório de 2025, a Organização Mundial de Saúde (OMS), identificou os distúrbios de ansiedade como os problemas mentais mais comuns, afetando 359 de milhões de indivíduos dos quais menos de 25% recebe tratamento, que é frequentemente ineficiente ou dispendioso. Dado que a psiquiatria pode beneficiar de inovação nesta área, esta investigação procurou personalizar uma solução de neurofeedback gamificada para a terapia de controlo de ansiedade recorrendo a modelos menos computacionalmente dispendiosos de IA. Com este propósito um dataset contendo séries temporais derivadas de dados de EEG de 19 pacientes que jogavam um jogo numa BCI ‘gamificada’ de neurofeedback foi utilizado. Cada sessão completa de jogo foi divida em 10 subsessões cada uma correspondendo a um nível do jogo. De cada nível do jogo 82 features foram extraídas, mas apenas os espetros de potência das ondas alfa nos canais F3-F4 (APAA F3-F4) foram usados em conformidade com uma investigação prévia que identificou esta como a melhor métrica para avaliar o controlo de ansiedade no jogo. Esta investigação procurou desenvolver e testar diferentes arquiteturas de modelos de LSTM e GRU, combinando diferentes sets de hiperparâmetros, propondo ao mesmo tempo uma nova pipeline de inovação em neurofeedback que possa melhorar futuras linhas de investigação. Os resultados mostraram que os algoritmos podem potencialmente prever alterações de ansiedade utilizando a APAA F3–F4 em aplicações do mundo real. Várias arquiteturas atingiram uma precisão direcional média (MDA) superior a 0,6 em janelas de 8 segundos, representando 6 vezes melhores resultados do que modelos anteriores. A raiz quadrada do erro médio (RMSE) manteve-se abaixo de 20% para múltiplos modelos. Foram também observadas correlações entre o nível do jogo e o desempenho do modelo, indicando margem de melhoria.
Descrição
Palavras-chave
Anxiety Neurofeedback Deep Learning Mindfulness