Machine Translated by Google

SEÇÃO ESPECIAL SOBRE TEORIAS EMERGENTES DE APRENDIZAGEM PROFUNDA E

MÉTODOS PARA ENGENHARIA BIOMÉDICA

Recebido em 21 de agosto de 2020, aceito em 30 de agosto de 2020, data de publicação em 2 de setembro de 2020, data da versão atual em 14 de setembro de 2020.

Identificador de Objeto Digital 10.1109/ ACCESS.2020.3021092

Reconhecimento de ansiedade de estudantes universitários usando um

Modelagem de Sistema Fuzzy Takagi-Sugeno-Kang
Método e recursos profundos

XIANGMIN MENG 1,2 E JIE ZHANG 1,3 1Faculdade de Economia

e Gestão, Universidade de Aeronáutica e Astronáutica de Nanjing, Nanjing 211100, China 2Faculdade de
Negócios, Universidade Zhejiang Wanli, Ningbo 315100, China
3Faculdade de Indústrias Culturais, Universidade de Artes de Nanjing , Nanjing
210013, China Autor correspondente: Jie Zhang (jiezhang@nuaa.edu.cn)

Este trabalho foi apoiado em parte pelo Projeto do Fundo Nacional de Ciências Sociais sob a concessão 17BGL102.

RESUMO Os estudantes universitários constituem o grupo mais ativo, mais sensível e mais propenso a diversos problemas psicológicos na sociedade
contemporânea. Nos últimos anos, com a intensificação da competição social, incluindo diversas pressões como estudos, exames, perdas económicas,
perdas emocionais e emprego, a incidência de ansiedade, depressão e taxas de suicídio aumentou. Para efetivamente prestar atenção ao desenvolvimento
psicológico de estudantes universitários e fortalecer a educação em saúde mental, esta pesquisa propõe um método para identificar automaticamente a
ansiedade de estudantes universitários usando um sistema fuzzy Takagi-Sugeno-Kang (TSK) e características profundas. Primeiro, pré-processe o EEG
coletado de estudantes universitários.

Em segundo lugar, use a rede neural convolucional (CNN) para extrair recursos profundos dos dados de entrada. Finalmente, o sistema fuzzy TSK é usado
para classificar recursos para obter o resultado final do reconhecimento. Através de experimentos em conjuntos de dados padrão e conjuntos de dados feitos
pelo próprio, os resultados experimentais verificam a superioridade do método de identificação de ansiedade utilizado neste estudo. Os resultados
experimentais demonstram ainda que os recursos de profundidade possuem informações mais ricas do que os recursos tradicionais. A imunidade ao ruído
do sistema fuzzy TSK faz com que ele apresente bom desempenho de classificação e generalização. Os resultados do reconhecimento podem localizar
rapidamente alunos com transtornos de ansiedade e restringir o escopo da investigação para alunos com problemas psicológicos. O reconhecimento
automático da ansiedade dos estudantes universitários pode melhorar a eficiência das escolas e dos professores na investigação dos problemas psicológicos
dos estudantes. Esta pesquisa tem um valor de aplicação prática muito bom.

TERMOS DE INDEXAÇÃO Estudantes universitários, reconhecimento de ansiedade, sistema fuzzy TSK, características profundas.

I. INTRODUÇÃO A ansiedade os alunos tiram licença da escola, abandonam a escola ou cometem suicídio. Vários

é o principal problema de saúde mental dos estudantes universitários. Os estudantes estudantes universitários têm diferentes problemas psicológicos. É possível determinar

universitários são o esteio do desenvolvimento do país e a sua qualidade psicológica está os principais fatores que afetam os problemas psicológicos dos estudantes universitários

directamente relacionada com o nível de desenvolvimento futuro do país. Estudos o mais rápido possível, melhorando assim a saúde mental geral dos estudantes

demonstraram que a ansiedade é uma causa importante de saúde precária. Com o tempo, universitários. Melhorar a sua capacidade de resistir a contratempos melhorará a sua

um estado de saúde inferior tornar-se-á mais grave [1]–[3]. A ansiedade de longo prazo capacidade de adaptação à sociedade. É de grande importância melhorar suas

também é um fator importante que leva a muitas doenças crônicas. Em casos graves, pode personalidades e permitir que os estudantes universitários contemporâneos realizem

levar a fenômenos extremos, como automutilação e suicídio.
Estresse, ansiedade e depressão afetam diretamente a taxa de suicídio de estudantes
universitários. Doenças físicas e mentais causadas por ansiedade ou estresse tornaram-
se os principais motivos pelos quais a faculdade
O editor associado que coordena a revisão deste manuscrito e
todo o seu potencial e seu valor na vida. A identificação eficaz da ansiedade tornou-se a
base para a detecção precoce de grupos de indivíduos ansiosos e para a prestação
oportuna de medidas de assistência à saúde mental.
O estudo das emoções através de sinais fisiológicos tem se tornado cada vez mais
maduro. Vários algoritmos de reconhecimento inteligente são usados em vários campos

quem o aprovou para publicação foi Yizhang Jiang. [4]–[12], entre os quais

Este trabalho está licenciado sob uma licença Creative Commons Atribuição 4.0. Para obter mais informações, consulte https://creativecommons.org/licenses/by/4.0/ 159897
VOLUME 8, 2020
Machine Translated by Google
X. Meng, J. Zhang: Reconhecimento de ansiedade de estudantes universitários usando um método de modelagem de sistema difuso TSK e recursos profundos
métodos para reconhecimento de emoções são apresentados a seguir.
O laboratório do MIT liderado por Picard realizou uma série de experimentos de
reconhecimento emocional com múltiplos parâmetros fisiológicos por meio de
pré-processamento de sinais e algoritmos de reconhecimento de padrões. Eles
extraíram 40 características dos cinco sinais fisiológicos registrados. Através de
diferentes algoritmos e classificadores de seleção de características, a melhor
taxa de reconhecimento alcançada foi de 82,5% [13]. O valor da pesquisa de
Picard é que ele explorou a viabilidade do reconhecimento de emoções com
base em múltiplos sinais fisiológicos. Para o reconhecimento de emoções, foi
proposto um novo método de pesquisa e uma nova ideia de pesquisa, que teve
um significado muito importante para pesquisas subsequentes. Posteriormente,
o cálculo da emoção foi aplicado ao julgamento do estado geral do motorista no
ambiente de condução, e a matriz de projeção de Fisher foi combinada com o
discriminante linear para processar o sinal original [14]. Mais tarde, o laboratório
do MIT começou a desenvolver novas ferramentas para ajudar pacientes
autistas. Eles desenvolveram dispositivos vestíveis que se comunicam com
telefones celulares sem fio, para que as pessoas com autismo pudessem
entender seu estado e se ajustar a tempo. Em um estudo [15], o meio que induz
as emoções dos sujeitos é a música. A música utilizada foi escolhida pelos
próprios sujeitos. Essas músicas são o que eles acham que podem representar
as quatro emoções de alegria, raiva, tristeza e prazer necessárias para o
experimento. Isso pode evocar memórias correspondentes. Eles coletaram
quatro sinais (EMG, ECG, SC e RSP) e os classificaram por meio de uma
variedade de algoritmos. A melhor taxa de reconhecimento foi superior a 90%.
Um estudo [16] relatou a indução das emoções dos sujeitos por meio de materiais
de áudio e videoclipes. Eles coletaram quatro tipos de sinais fisiológicos de
centenas de indivíduos e usaram o algoritmo da máquina de vetores de suporte
(SVM) para classificar e reconhecer as quatro emoções. Eles aumentaram o
número de assuntos do original para centenas.
Eles descobriram que, usando o mesmo algoritmo, quando o número de tipos de
reconhecimento de emoções aumentava, a taxa de reconhecimento caía
ligeiramente. Um estudo [17] propôs a construção de uma interface de
experiência do usuário multidimensional para aumentar a sensação de presença
social com base em predecessores. Eles usam clipes de filmes para induzir
emoções. A categoria emoção foi 6 e a taxa de reconhecimento ideal foi superior
a 70%. Um estudo [18] utilizou o International Affective Picture System (IAPS)
para induzir emoções correspondentes. Após a coleta e pré-processamento dos
dados experimentais, o classificador de rede neural foi utilizado para classificar
6 emoções.
Atualmente, o reconhecimento dos transtornos de ansiedade no
reconhecimento de emoções depende principalmente da observação cuidadosa
de professores, alunos e colegas de classe, bem como de pesquisas por
questionário. Existem muitas lacunas nesta abordagem. Uma delas é que há
poucos professores e muitos alunos, e é provável que ocorram alunos
potencialmente negligenciados com doenças mentais. A segunda é que o
método de investigação pode não ser científico e eficaz, como é o caso dos
inquéritos por questionário, e nem necessariamente todos os alunos responderão
com veracidade às perguntas de um questionário. A terceira é que a investigação
não é um trabalho contínuo. Muitas vezes ocorre
159898
uma vez por semestre e não é rigoroso. Em resumo, esta pesquisa propõe um
método de reconhecimento automático de ansiedade baseado em recursos
profundos e aprendizado de máquina [19]–[27]. O principal trabalho deste artigo
é resumido a seguir.
(1) Uma vez que os indicadores fisiológicos podem refletir mais
verdadeiramente as emoções dos sujeitos, os dados do EEG são utilizados
como dados de identificação da ansiedade.
(2) Os métodos tradicionais de extração de recursos são fáceis de perder
recursos de dados, o que afeta a precisão do reconhecimento final.
Portanto, esta pesquisa usa o algoritmo de aprendizado profundo CNN para
extrair os recursos profundos das amostras de entrada. As informações da
amostra original transportadas pelo recurso de profundidade são mais ricas.
(3) O sistema fuzzy TSK é utilizado para a classificação final. O sistema é
simples de implementar e possui forte generalização. O resultado final da decisão
obtido tem um bom efeito de reconhecimento. O método de reconhecimento de
ansiedade utilizado neste estudo pode identificar efetivamente indivíduos que
potencialmente sofrem de ansiedade em um grupo de estudantes universitários.
Isso reduz muito a carga de trabalho dos gestores de saúde mental dos
estudantes universitários.
II. TRABALHOS RELACIONADOS
A. INTRODUÇÃO À EMOÇÃO
A emoção, como manifestação concreta da emoção, tem resultados diferentes
devido a estímulos internos ou externos relacionados à felicidade pessoal [28].
A emoção é multidimensional, incluindo experiência, comportamento e respostas
fisiológicas [29]. A reação de cada pessoa a uma determinada emoção difere
em vários graus [30]. As respostas emocionais das pessoas não mudarão
exatamente da mesma maneira no contexto de certas emoções. Por exemplo,
algumas pessoas tendem a perder a paciência quando estão ansiosas e
continuam falando. Algumas pessoas continuam comendo e não falam quando
estão ansiosas.
No entanto, embora a diferença no desempenho externo seja grande, os sinais
fisiológicos internos irão mudar. Portanto, o reconhecimento de emoções requer
uma combinação de múltiplos métodos. Da mesma forma, pessoas diferentes
têm tolerâncias e entendimentos subjetivos diferentes, e haverá diferenças em
adequação ou excesso, aceitabilidade ou intolerabilidade, e compreensão ou
incompreensibilidade [31].
Embora a emoção seja uma atividade psicológica interna, ela ainda se manifesta
através de meios externos, como rosto, membros e tronco [32]. Na vida diária, a
maioria das pessoas possui métodos básicos para julgar as emoções umas das
outras, incluindo a observação de expressões faciais e gestos. No entanto, estes
são facilmente afetados pela consciência subjetiva da pessoa observada,
especialmente quando a pessoa observada não está disposta a expressar suas
emoções e não é fácil julgar com precisão suas emoções.
Como as emoções estão intimamente relacionadas com a saúde física e a
vida normal, a realização do reconhecimento das emoções tem despertado cada
vez mais o interesse dos investigadores. Por um lado, o reconhecimento de
emoções pode ser utilizado como meio auxiliar para o julgamento subjetivo das
emoções; por outro lado, é também a base da investigação da inteligência
artificial
VOLUME 8, 2020
Machine Translated by Google
X. Meng, J. Zhang: Reconhecimento de ansiedade de estudantes universitários usando um método de modelagem de sistema difuso TSK e recursos profundos

TABELA 1. Principais manifestações de ansiedade.

FIGURA 1. Um modelo de emoções dos usuários.

e interações humano-computador. O reconhecimento de emoções integra e

julga as informações características expressas de diversas maneiras. Os
métodos comuns de reconhecimento de emoções nesta fase são os seguintes:
ÿ Reconhecimento de sinais fisiológicos.
Analise e julgue coletando sinais fisiológicos, como respiração, frequência o ambiente circundante, reflexo de um curto período de estado emocional,

cardíaca e eletricidade da pele. ÿ Reconhecimento do desempenho do também conhecido como ansiedade situacional. Suas principais manifestações
estão apresentadas na TABELA 1.
comportamento emocional externo. Reconhecer através de expressões faciais,
entonação de voz, gestos e posturas ao falar. O modelo clássico de sistema de Os estudantes universitários contemporâneos ficam mais ou menos ansiosos

reconhecimento de emoções do usuário [33] é mostrado na FIGURA 1. no contexto da pressão social acelerada. A ansiedade é um processo de
crescimento que todos vivenciam. A ansiedade apropriada pode permitir que
estudantes universitários estimulem seu potencial original.

B. ANSIEDADE E SEUS EFEITOS Por exemplo, a ansiedade na fase inicial de um exame pode tornar a
aprendizagem mais eficiente e acelerar o ritmo de revisão.
A maioria das pessoas apresenta vários graus de ansiedade em suas vidas
Porém, se alguém ficar muito tempo em estado de ansiedade e seu humor não
diárias. Este estado é formado durante a evolução das pessoas. É uma espécie
melhorar, isso causará sérios danos ao estudante universitário, tanto física
de preocupação e proteção contra possíveis perigos. Portanto, a ansiedade
quanto mentalmente.
tem um lado positivo. Se alguém puder estar ciente da ameaça, poderá ajustar-
Ansiedade e depressão são inseparáveis e muitas vezes a ansiedade pode
se moderadamente. Se for possível desenvolver a confiança necessária para
desencadear depressão. Pesquisas com pacientes com depressão também
superá-la e obter alívio, a ansiedade terá um efeito estimulante óbvio. A
mostram que muitos pacientes deprimidos apresentam um estado de ansiedade,
ansiedade excessiva não só dura muito tempo, mas também afeta a vida
e a ansiedade pode ocorrer antes da depressão ocorrer. Não apenas os
normal. Reações de ansiedade graves e persistentes podem causar baixa
diagnósticos de ansiedade e depressão tendem a ocorrer ao mesmo tempo,
eficiência no trabalho e diminuição das atividades sociais. Portanto, é necessário
mas seus sintomas estão altamente correlacionados.
reconhecer as características da ansiedade para poder fazer julgamentos
Portanto, a nossa prevenção e intervenção na ansiedade também aliviará a
oportunos e precisos.
depressão individual. Existem muitos fatores que afetam a ansiedade. Em
termos de fatores fisiológicos, um grupo de estudos sobre gêmeos e
A ansiedade não é apenas um estado emocional composto, mas também
investigações de pedigree descobriu que há uma óbvia agregação familiar na
tem um significado motivacional. É um impulso interno, e indivíduos com humor
ansioso apresentam comportamentos externos e alterações físicas internas. ansiedade. Fatores genéticos respondem por 25% a 37% da causa e
desempenham um papel moderado.
Essas alterações são causadas pela hiperatividade do sistema nervoso
Fatores socioambientais, estilos de criação parental e a ocorrência de eventos
autônomo. Pessoas diferentes têm diferentes estados de ansiedade, diferentes
traumáticos precoces levam à ocorrência de problemas psicológicos individuais.
graus, diferentes causas de ansiedade e diferentes manifestações externas.
A estrutura familiar também é um fator que causa ansiedade. As famílias
No entanto, continua a haver consistência nas várias atuações. No sistema
monoparentais causaram problemas psicológicos devido à ruptura familiar
nervoso simpático, geralmente se manifesta como batimentos cardíacos mais
prematura.
rápidos, respiração mais profunda e outros.

Em termos de atividade parassimpática, podem ocorrer náuseas, vômitos ou C. SINAIS FISIOLÓGICOS

diarreia. A ansiedade pode ser dividida em ansiedade-traço e ansiedade- Quando as emoções de uma pessoa estão em um estado de calma, vários
estado. A ansiedade-traço geralmente é relativamente estável e apresenta sinais fisiológicos da pessoa mudam. Com base neste princípio, este estudo irá
características diferentes dependendo do corpo. coletar sinais fisiológicos humanos como dados de treinamento para algoritmos
A ansiedade-estado é a resposta de estresse de um indivíduo às mudanças em de aprendizado de máquina gerarem

VOLUME 8, 2020 159899

Machine Translated by Google
X. Meng, J. Zhang: Reconhecimento de ansiedade de estudantes universitários usando um método de modelagem de sistema difuso TSK e recursos profundos
modelos de classificação. Geralmente, os sinais fisiológicos usados para
reconhecimento de emoções incluem eletroencefalograma (EEG),
eletrocardiograma (ECG), frequência cardíaca, eletricidade da pele,
temperatura da pele, taxa de pulsação do volume sanguíneo, frequência
respiratória e outros. Em aplicações reais, esses sinais fisiológicos
precisam ser pré-processados, os dados de linha de base precisam ser
removidos e as operações de extração de recursos são necessárias antes
que possam ser inseridos no modelo de reconhecimento treinado.
D. RECONHECIMENTO DE ANSIEDADE COM BASE EM
SINAIS FISIOLÓGICOS
Os sinais fisiológicos possuem características de objetividade e realidade
em cenários de aplicação prática, por isso são amplamente utilizados no
reconhecimento de emoções. O fluxograma do método de identificação da
ansiedade com base em sinais fisiológicos é apresentado na FIGURA 2.
FIGURA 2. Fluxograma de reconhecimento de ansiedade baseado em sinais
fisiológicos.
Primeiro, realizamos pré-processamento, como filtragem dos sinais
fisiológicos coletados; em seguida, realizamos a extração de recursos [34],
[35]. O objetivo da seleção de recursos é reduzir a dimensionalidade do
espaço de recursos para que o espaço de recursos seja composto de
recursos ideais. Como pode haver relacionamentos complexos entre
recursos, simplesmente classificamos os recursos com base em sua
separabilidade e selecionamos os melhores recursos. A combinação de
recursos obtida desta forma não é o conjunto ideal de recursos na maioria
dos casos. Na vida real, os dados geralmente apresentam várias
características; entretanto, geralmente apenas parte dela está relacionada
ao evento alvo. Nesse caso, a seleção de recursos é muito importante
para um aprendizado rápido e melhoria da qualidade do armazenamento.
O algoritmo de alívio [36] é comumente
159900
algoritmo de seleção de recursos usado. Finalmente, usamos o
classificador [37]–[40] para reconhecimento de classificação.
III. RECONHECIMENTO DE TRANSTORNO DE ANSIEDADE BASEADO
NO SISTEMA TSK FUZZY E RECURSOS PROFUNDOS
A. PROCESSO DE RECONHECIMENTO DE TRANSTORNO DE ANSIEDADE
BASEADO NO SISTEMA TSK FUZZY E RECURSOS PROFUNDOS
Os dados de reconhecimento de ansiedade utilizados neste estudo são
sinais de EEG. O método de feedback do estado emocional através de
sinais EEG é autêntico e eficaz [41]–[44]. O processo de identificação
específico é mostrado na FIGURA 3.
FIGURA 3. Fluxograma de reconhecimento de transtorno de ansiedade baseado no
sistema TSK Fuzzy e recursos profundos.
Como mostrado na Figura 3, primeiro pré-processamos o EEG coletado.
Durante o processo de aquisição, é inevitável que haja alguma interferência
no sinal adquirido devido a fatores como o ambiente experimental, o
equipamento ou o corpo humano. As interferências comuns incluem
artefatos de movimento, sinais fisiológicos irrelevantes e interferência
interna do equipamento de aquisição. A remoção de ruído pode ser feita
por filtragem.
A segunda etapa é realizar a extração de recursos nos dados pré-
processados [45], [46] para reduzir a dimensão do recurso.
Este estudo usa CNN para extrair os recursos de profundidade das
amostras de entrada. A terceira etapa é treinar o classificador. Inserimos
os dados de recursos do conjunto de treinamento para o modelador. A
quarta etapa é obter o resultado final da decisão. Inserimos os dados
característicos do conjunto de teste no classificador treinado para
determinar quais dos conjuntos de amostras de entrada são pacientes com ansiedade.
B. SISTEMA FUZZY TAKAGI-SUGENO-KANG
Os sistemas modelo comumente usados incluem o modelo Takagi-
Sugeno-Kang (TSK) [47], [48], o modelo Mamdani-Larsen (ML) [49] e um
modelo fuzzy generalizado (GFM) [50].
VOLUME 8, 2020
Machine Translated by Google
X. Meng, J. Zhang: Reconhecimento de ansiedade de estudantes universitários usando um método de modelagem de sistema difuso TSK e recursos profundos

TABELA 2. Introdução de símbolos. do sistema fuzzy TSK é o seguinte:

K K K
ÿk (x) k k
0e = k (x) = µ˜ k (x) f (x) = µ˜ k (x)w0
K
k=1 f µk (x) k=1 k=1

k =1
(2)

onde

ÿk (x) = µA k (xi)
(3)
eu

eu=1

ÿk (x)
k µ˜ (x) = (4)
K
ÿk (x)
k =1

Aqui, a função gaussiana é usada como função de pertinência, e a

expressão da Parte µA k (xi) na Eq. (3) é transformado da seguinte eu

forma:

2 k ÿ (xi ÿ eu

exp( cµA
) (xi)
k = k
) (5)
eu

2d
eu

k
Os dois parâmetros c eu
e ÿ na kEq. (5) pode ser obtido usando
eu

qualquer algoritmo de agrupamento. Este artigo usa a clássica média

fuzzy C (FCM) para obter a fórmula de cálculo dos dois parâmetros
da seguinte forma:

lobo xji
k = j=1
c
eu
(6)
N

lobo
j=1
N
h · ujk (xji ÿ c j=1 k 2
eu
)
= (7)
ok , eu
N

lobo
j=1

De acordo com a estratégia de referência [47], seja

Como a saída do modelo TSK é muito simples, este estudo utiliza o
sistema fuzzy TSK. A introdução dos símbolos envolvidos no sistema 1 x˜ = (µ˜ 2 (x),µ˜ (x), . . . ,µ˜ K (x))T (8)
1 2 T
fuzzy TSK é mostrada na TABELA 2. w˜ = (v 0 ,w 0 , 0K. _ . . ,w ) (9)

As regras de inferência difusa do sistema difuso TSK são as Neste momento, a expressão da Eq. (2) passa a ser o seguinte:
seguintes:

T
y 0 = w˜ x˜ (10)
k k k
SE x1 for A1 ÿ x2 é A ÿ . . . ÿ xd é A
2 d
k k k
O método dos mínimos quadrados otimiza o parâmetro w ~ , e
ENTÃO sim =f (x) = w 0, k = 1, . . . ,K. (1)
a fórmula alvo obtida é a seguinte:
2
C N C
a T
Cada regra na Eq. (1) tem seu vetor de entrada correspondente x 1 minutoJ w˜ = 2 w
T
+ w~w~
T x˜i – ovelha jj
k w˜ ~j 2
x1, x2, · · · , xD . O conjunto difuso A d ÿ R = no espaço de j=1 eu=1 eu=1
k
é mapeado para o conjunto fuzzy entrada (x) ÿ R no espaço de saída. (11)
f Após uma série de operações, incluindo multiplicação, conjunção,
adição, disjunção, multiplicação, implicação e defuzzificação da saída. Use o método do multiplicador de Lagrange para derivar o
A expressão de saída final parâmetro w˜ j na Eq. (11) e defina sua derivada como 0. A expressão

VOLUME 8, 2020 159901

Machine Translated by Google
X. Meng, J. Zhang: Reconhecimento de ansiedade de estudantes universitários usando um método de modelagem de sistema difuso TSK e recursos profundos

para o parâmetro w˜ j é o seguinte: TABELA 3. Introdução ao conjunto de dados DEAP.

ÿ1
N N
w T
~ j= ÿI((d+1)ÿK)×((d+1)ÿK) + xix i xiyij
eu=1 eu=1
(12)

As etapas de execução do sistema fuzzy TSK são as seguintes: Etapa 1.

Inicialize o número da regra fuzzy K e o número regular

parâmetro de inicialização ÿ.
Etapa 2. Determinar os antecedentes do sistema fuzzy TSK por Fuzzy C
Means Clustering (FCM) para particionar o conjunto de dados X.
Etapa 3. Use a Eq. (8)-(10) para construir um novo conjunto de dados.
Etapa 4. Use a Eq. (12) para obter os parâmetros do sistema fuzzy TSK.

4. RESULTADOS E ANÁLISE DO EXPERIMENTO DE SIMULAÇÃO

A. INTRODUÇÃO DE DADOS EXPERIMENTAIS

Para avaliar de forma justa a eficácia do método proposto para identificar

transtornos de ansiedade, esta pesquisa utilizou dois tipos de conjuntos de dados.
Um deles é o conjunto de dados públicos DEAP; o outro é um conjunto de dados
caseiro. O banco de dados DEAP contém dados de EEG de 32 derivações de 32

indivíduos para 40 experimentos, e os rótulos emocionais são fornecidos pelos

indivíduos. A introdução do conjunto de dados é mostrada na TABELA 3.

O experimento de dados caseiro conta com um total de 20 participantes, todos

com idades entre 20 e 24 anos. Entre eles, 10 são homens e 10 mulheres.
Os participantes gozam de boa saúde, não têm doenças mentais e não tomaram
nenhum medicamento durante uma semana. Oito horas antes do experimento, os
sujeitos não participaram de nenhum exercício extenuante. Antes do início oficial
do experimento, os sujeitos estavam calmos. Durante o experimento, foram
reproduzidos 6 filmes clássicos para coletar os sinais EEG dos sujeitos enquanto
assistiam aos filmes. O equipamento de aquisição é o instrumento Ne Xus-10 TABELA 4. Resultados experimentais no conjunto de dados DEAP.

MKII. O diagrama de arquitetura da plataforma experimental de aquisição de

dados caseira é mostrado na Figura 4. Através do experimento induzido pela
emoção, 20 sujeitos obtiveram 200 amostras de sinais fisiológicos.

Entre eles, estão 40 sinais fisiológicos em estado de calma e 160 amostras de

ansiedade.

B. CONFIGURAÇÕES DE PARÂMETROS EXPERIMENTAIS

Existem muitos tipos de classificadores, e cada classificador tem suas próprias

vantagens e desvantagens e cenários aplicáveis. O classificador utilizado neste
estudo é o sistema fuzzy TSK. Os classificadores de contraste incluem
principalmente Support Vector Machine (SVM) [37], KNN [39], RF [51], RBFNN
[40]. o experimento de comparação no conjunto de dados DEAP é mostrado na
O índice de avaliação do efeito de reconhecimento utiliza precisão. TABELA 4 e na Figura 5. Execute cada modelo de classificação comparativa 10
A precisão é o método de avaliação mais comumente utilizado no reconhecimento vezes no conjunto de dados DEAP e obtenha o valor médio. Os resultados

de padrões e seu valor é a razão entre o número de amostras classificadas
corretamente e o número total de amostras.
C. EXPERIMENTO DE DADOS PADRÃO
A fim de avaliar o efeito de diferentes métodos de extração de características e
combinações de foco do classificador no reconhecimento da ansiedade, a precisão
do reconhecimento e o desvio padrão de
experimentais obtidos são apresentados na TABELA 4 e na FIGURA 5.
Na TABELA 4, o valor de cada coluna na linha 5 é maior do que nas linhas 1
e 3. Isso mostra que não importa qual classificador seja usado, os resultados da
extração profunda de características são sempre os melhores. Comparando os 5
valores da 5ª linha, o valor da precisão da classificação obtido pelo modelo TSK

159902 VOLUME 8, 2020

Machine Translated by Google
X. Meng, J. Zhang: Reconhecimento de ansiedade de estudantes universitários usando um método de modelagem de sistema difuso TSK e recursos profundos
FIGURA 4. Diagrama de arquitetura da plataforma de aquisição de dados própria.
FIGURA 5. O efeito de reconhecimento de cada modelo no conjunto de dados DEAP.
sistema é o maior. Isso mostra que ao utilizar características de profundidade,
dentre os resultados de classificação obtidos por diferentes classificadores, o
classificador fuzzy TSK utilizado neste estudo tem o melhor efeito. Como o
sistema fuzzy TSK usado neste artigo possui melhor imunidade a ruído, ele
pode reduzir a influência dos pontos de ruído. O sistema fuzzy TSK tem o
melhor efeito de reconhecimento. A segunda é a RBFNN. Isto mostra
plenamente que, desde que os parâmetros da rede neural sejam selecionados
adequadamente, um bom efeito de classificação pode ser obtido.
O efeito de classificação do SVM não é muito diferente daquele do TSK e do
RBFNN. Comparados com SVM, TSK e RBFNN, RF e KNN são muito menos
eficazes. É ainda explicado que quando diferentes classificadores de
reconhecimento de emoções são escolhidos, a precisão do reconhecimento
varia muito. Pode-se observar pelo parâmetro de desvio padrão que embora
o sistema fuzzy TSK utilizado neste artigo tenha o melhor reconhecimento
VOLUME 8, 2020
precisão, a estabilidade do algoritmo não é tão boa quanto outros algoritmos
de comparação. Em termos de estabilidade, KNN e RBFNN são melhores,
seguidos pelos outros três algoritmos.
D. EXPERIMENTO DE DADOS AUTO-FEITO
Executamos cada modelo 10 vezes no conjunto de dados caseiro e calculamos
o valor médio. Os resultados experimentais obtidos são apresentados na
TABELA 5 e na FIGURA 6.
TABELA 5. Resultados experimentais no conjunto de dados caseiro.
FIGURA 6. A taxa de reconhecimento de cada modelo no conjunto de dados caseiro.
Como o ambiente e o processo de coleta de conjuntos de dados caseiros
não possuem especificações DEAP para conjuntos de dados públicos,
inevitavelmente haverá algum ruído no processo de coleta de dados. Embora
algum pré-processamento seja realizado no conjunto de dados caseiro, pode
ser visto pelos resultados experimentais mostrados na TABELA 5 e na
FIGURA 6 que o efeito de reconhecimento no conjunto de dados caseiro
não foi tão bom quanto no conjunto de dados público. No entanto, embora o
efeito geral de reconhecimento tenha diminuído, o efeito de classificação do
classificador TSK ainda é melhor do que outros algoritmos de comparação. A
ordem é RBFNN, SVM, RF e KNN. A partir dos dados padrão, pode-se
observar que a estabilidade do algoritmo é consistente com a do conjunto de
dados públicos. A estabilidade do KNN e do RBFNN é boa, e a estabilidade
do TSK utilizado é média.
V. RESULTADOS E ANÁLISE DO EXPERIMENTO DE SIMULAÇÃO
Os problemas de saúde mental dos estudantes universitários causados por
diversos problemas sociais não podem ser ignorados. Estudantes universitários
159903
Machine Translated by Google
X. Meng, J. Zhang: Reconhecimento de ansiedade de estudantes universitários usando um método de modelagem de sistema difuso TSK e recursos profundos
sofrem com o isolamento domiciliar, o que afeta sua vida normal e seus
estudos. Os problemas de saúde mental dos estudantes universitários
causados por tais questões não podem ser ignorados. Estudantes
universitários com baixas qualidades psicológicas são propensos a
problemas psicológicos como ansiedade, pânico e depressão, levando a
comportamentos como cansaço do mundo e de estudar.
Isso traz desafios ao acompanhamento psicológico do grupo. Para melhor
compreender a dinâmica psicológica dos alunos, é fundamental sempre
identificar os alunos com ansiedade. Este estudo utiliza o sistema difuso
TSK e recursos de profundidade para identificar automaticamente
pacientes ansiosos entre estudantes universitários. Através de
experimentos em conjuntos de dados padrão e conjuntos de dados feitos
pelo próprio, os resultados experimentais verificam a superioridade do
método de identificação de ansiedade utilizado neste estudo.
Os resultados experimentais demonstram ainda que os recursos de
profundidade possuem informações mais ricas do que os recursos tradicionais.
A imunidade ao ruído do sistema fuzzy TSK faz com que ele apresente
bom desempenho de classificação e generalização. Ele pode identificar
automaticamente estudantes universitários individuais que sofrem de
ansiedade e pode fornecer aconselhamento psicológico direcionado e
oportuno, o que é benéfico para a saúde física e mental e para o
desenvolvimento coordenado dos alunos. Isso demonstra plenamente o
valor da aplicação prática desta pesquisa.
REFERÊNCIAS
[1] M. Nadeem, A. Ali e MA Buzdar, ''A associação entre a religiosidade muçulmana e a
depressão, ansiedade e estresse de jovens adultos universitários'', J. Religion Health,
vol. 56, não. 4, pp. 1170–1179, agosto de 2017.
[2] EG Lattie, SK Lipson e D. Eisenberg, “Tecnologia e saúde mental de estudantes
universitários: desafios e oportunidades”, Frontiers Psychiatry, vol. 10, pág. 246, abril de
2019.
[3] WA van Eeden, AM van Hemert, IVE Carlier, BW Penninx, P. Spinhoven e EJ Giltay,
''Neuroticismo e cronicidade como preditores do curso de 9 anos de sintomas depressivos
individuais'', J. Affect . Distúrbios, vol. 252, pp. 484–492, junho de 2019.
[4] S.-H. Wang, Y. Zhang, Y.-J. Li, W.-J. Jia, F.-Y. Liu, M.-M. Yang e Y.-D. Zhang, '' Detecção
baseada em fatia única para a doença de Alzheimer via entropia wavelet e perceptron
multicamadas treinados por otimização baseada em biogeografia, '' Multimedia Tools
Appl., vol. 77, não. 9, pp. 10393–10417, maio de 2018.
[5] S. Wang, J. Sun, I. Mehmood, C. Pan, Y. Chen e Y. Zhang, '' Identificação de micro-
sangramento cerebral com base em uma rede neural convolucional de nove camadas
com agrupamento estocástico, '' Computação de simultaneidade., Pract. Exp., vol. 32,
não. 1, janeiro de 2020.
[6] Y.-D. Zhang, VV Govindaraj, C. Tang, W. Zhu e J. Sun, ''Classificação de esclerose múltipla
de alto desempenho por aumento de dados e modelo de aprendizagem por transferência
AlexNet'', J. Med . Imagem. Informações de Saúde, vol. 9, não. 9, pp. 2012–2021,
dezembro de 2019.
[7] Y. Zhang, S. Wang, Y. Sui, M. Yang, B. Liu, H. Cheng, J. Sun, W. Jia, P. Phillips e JM
Gorriz, ''Abordagem multivariada para doença de Alzheimer -facilidade de detecção
usando entropia wavelet estacionária e otimização de enxame de partículas predador-
presa,'' J. Alzheimer's Disease, vol. 65, não. 3, pp. 855–869, setembro de 2018.
[8] C. Kang, X. Yu, S.-H. Wang, D. Guttery, H. Pandey, Y. Tian e Y. Zhang, ''Uma estrutura de
rede neural heurística baseada em lógica difusa para pontuação de imagens'', IEEE
Trans. Fuzzy Syst., acesso antecipado, 13 de janeiro de 2020, doi: 10.1109/
TFUZZ.2020.2966163.
[9] S.-H. Wang, Y.-D. Zhang, M. Yang, B. Liu, J. Ramirez e JM Gorriz, ''Identificação unilateral
de perda auditiva neurossensorial com base na transformação wavelet complexa de
árvore dupla de dupla densidade e regressão logística multinomial'', Integr . Eng. assistido
por computação, vol. 26, não. 4, pp. 411–426, setembro de 2019.
[10] S.-H. Wang, J. Sun, P. Phillips, G. Zhao e Y.-D. Zhang, '' Segmentação de imagem de
radar de abertura sintética polarimétrica por rede neural convolucional usando unidades
de processamento gráfico, '' J. Real-Time Image Process., vol. 15, não. 3, pp. 631–642,
outubro de 2018.
159904
[11] S. Wang, C. Tang, J. Sun e Y. Zhang, ''Detecção de micro-sangramento cerebral baseada
em rede neural densamente conectada'', Frontiers Neurosci., vol . 13 de maio de 2019,
art. não. 422.
[12] S.-H. Wang, S. Xie, X. Chen, DS Guttery, C. Tang, J. Sun e Y.-D. Zhang, ''Identificação do
alcoolismo baseada em um modelo de aprendizagem por transferência AlexNet'',
Frontiers Psychiatry, vol. 10 de abril de 2019, art. não. 205 [13] RW Picard,
Computação Afetiva, vol. 167. Cambridge, MA, EUA:
Imprensa do MIT, 1997, pág. 170.
[14] JA Healey e RW Picard, ''Detectando estresse durante tarefas de direção no mundo real
usando sensores fisiológicos'', IEEE Trans. Intel. Transp. Sistema, vol. 6, não. 2, pp. 156–
166, junho de 2005.
[15] J. Wagner, J. Kim e E. André, ''Dos sinais fisiológicos às emoções: Implementando e
comparando métodos selecionados para extração e classificação de características'', em
Proc . Internacional IEEE. Conf. Multimedia Expo (ICME), julho de 2005, pp.
[16] KH Kim, SW Bang e SR Kim, ''Sistema de reconhecimento de emoções usando
monitoramento de curto prazo de sinais fisiológicos'', Med. Biol. Eng. Computação, vol.
42, não. 3, pp. 419–427, maio de 2004.
[17] F. Nasoz, K. Alvarez, CL Lisetti e N. Finkelstein, ''Reconhecimento de emoções a partir de
sinais fisiológicos usando sensores sem fio para tecnologias de presença'', Cognition,
Technol . Trabalho, vol. 6, não. 1, pp. 4–14, fevereiro de 2004.
[18] A. Haag, S. Goronzy, P. Schaich e J. Williams, ''Reconhecimento de emoções usando
biossensores: primeiros passos em direção a um sistema automático'', em Affective
Dialogue Systems. Cham, Suíça: Springer, 2004, pp.
[19] P. Qian, Y. Chen, J.-W. Kuo, Y.-D. Zhang, Y. Jiang, K. Zhao, R. Al Helo, H. Friel, A.
Baydoun, F. Zhou, JU Heo, N. Avril, K. Herrmann, R. Ellis, B. Traughber, RS Jones,
S .Wang, K.-H. Su e RF Muzic, ''Geração de tomografia computadorizada sintética
baseada em MDixon para correção de atenuação PET no abdômen e na pelve em
conjunto usando agrupamento difuso de transferência e classificação baseada em
aprendizagem ativa'', IEEE Trans. Med. Imagem, vol. 39, não. 4, pp. 819–832, abril de
2020.
[20] Y. Jiang, K. Zhao, K. Xia, J. Xue, L. Zhou, Y. Ding e P. Qian, '' Um novo algoritmo de
agrupamento difuso multitarefa distribuído para segmentação automática de imagens
cerebrais de RM, '' J. Med. Sistema, vol. 43, não. 5, pág. 118, maio de 2019.
[21] P. Qian, C. Xi, M. Xu, Y. Jiang, K.-H. Su, S. Wang e RF Muzic, ''SSC-EKE: classificação
semi-supervisionada com extensa exploração de conhecimento'', Inf. Ciência, vol. 422,
pp. 51–76, janeiro de 2018.
[22] Y. Jiang, Z. Deng, F.-L. Chung, G. Wang, P. Qian, K.-S. Choi e S. Wang, ''Reconhecimento
de sinais EEG epilépticos usando um novo sistema fuzzy TSK multivisualização'', IEEE
Trans. Sistema Fuzzy, vol. 25, não. 1, pp. 3–20, fevereiro de 2017.
[23] P. Qian, Y. Jiang, S. Wang, K.-H. Su, J. Wang, L. Hu e RF Muzic, ''Afinidade e penalidade
agrupamento espectral restringido em conjunto com total compatibilidade, flexibilidade
e robustez'', IEEE Trans. Rede Neural.
Aprender. Sistema, vol. 28, não. 5, pp. 1123–1138, maio de 2017.
[24] Y. Jiang, D. Wu, Z. Deng, P. Qian, J. Wang, G. Wang, F.-L. Chung, K.-S. Choi e S. Wang,
''Classificação de convulsões de sinais EEG usando aprendizagem por transferência,
aprendizagem semissupervisionada e sistema difuso TSK'', IEEE Trans. Sistema Neural.
Reabilitar. Eng., vol. 25, não. 12, pp. 2270–2284, dezembro de 2017.
[25] P. Qian, K. Zhao, Y. Jiang, K.-H. Su, Z. Deng, S. Wang e RF Muzic, ''Transferência
alavancada de conhecimento fuzzy c -Means para segmentação de imagem de textura
com correspondência de protótipo de cluster auto-adaptável,'' Knowl.-Based Syst., vol .
130, pp. 33–50, agosto de 2017.
[26] K. Xia, H. Yin, P. Qian, Y. Jiang e S. Wang, ''Algoritmo de segmentação semântica do
fígado baseado em redes adversárias profundas melhoradas em combinação de função
de perda ponderada em imagens de tomografia computadorizada abdominal,' ' Acesso
IEEE, vol. 96349–96358, 2019.
[27] P. Qian, S. Sun, Y. Jiang, K.-H. Su, T. Ni, S. Wang e RF Muzic, ''Clustering de partição
flexível de domínio cruzado com medida de diversidade e referência de conhecimento'',
Pattern Recognit., vol. 50, pp. 155–177, fevereiro de 2016.
[28] JJ Gross e RF Muñoz, ''Regulação emocional e saúde mental'', Clin.
Psicol., Ciência. Prática, vol. 2, não. 2, pp. 151–164, 1995.
[29] PJ Lang, ''As variedades de experiência emocional: Uma meditação sobre a teoria de
James-Lange'', Psychol. Rev., vol. 101, não. 2, pág. 211, 1994.
[30] RJ Davidson, ''Estilo afetivo e transtornos afetivos: Perspectivas da neurociência afetiva'',
Cognition Emotion, vol. 12, não. 3, pp. 307–330, maio de 1998.
[31] A. Amstadter, ''Regulação emocional e transtornos de ansiedade'', J. Anxiety
Distúrbios, vol. 22, não. 2, pp. 211–221, janeiro de 2008.
[32] R. Cowie, E. Douglas-Cowie, N. Tsapatsoulis, G. Votsis, S. Kollias, W. Fellenz e JG Taylor,
''Reconhecimento de emoção na interação humano-computador'', IEEE Signal Process.
Mag., vol. 18, não. 1, pp. 32–80, janeiro de 2001.
VOLUME 8, 2020
Machine Translated by Google
X. Meng, J. Zhang: Reconhecimento de ansiedade de estudantes universitários usando um método de modelagem de sistema difuso TSK e recursos profundos

[33] N. Bianchi-Berthouze e CL Lisetti, ''Modelagem de expressão multimodal da experiência subjetiva
afetiva do usuário'', User Model. Adaptado ao usuário
Interagir., vol. 12, não. 1, pp. 49–84, 2002.
[34] M. Dash e H. Liu, ''Seleção de recursos para classificação'', Intell. Dados
Análise, vol. 1, nº. 1–4, pp. 131–156, 1997.
[35] M. Kudo e J. Sklansky, ''Comparação de algoritmos que selecionam recursos para classificadores
de padrões,'' Pattern Recognit., vol. 33, não. 1, pp.
Janeiro de 2000.
[36] K. Kira e LA Rendell, '' Uma abordagem prática para seleção de recursos '',
em Proc. 9º Int. Oficina Mach. Aprender. San Mateo, CA, EUA: Morgan
Kaufmann, 1992, pp.
[37] V. Vapnik, A Natureza da Teoria da Aprendizagem Estatística. Nova York, NY, EUA:
Springer-Verlag, 1995, pp.
[38] SZ Dadaneh, ER Dougherty e X. Qian, ''Classificação bayesiana ideal com valores ausentes'',
IEEE Trans. Processo de sinal., vol. 66, não. 16,
pp. 4182–4192, agosto. 2018.
[39] L. Peterson, “K-vizinho mais próximo”, Scholarpedia, vol. 4, não. 2, pág. 1883,
2009.
ÿ
[48] T. Takagi e M. Sugeno, ''Identificação difusa de sistemas e sua
aplicações para modelagem e controle,'' IEEE Trans. Syst., Homem, Cybern.,
vol. SMC-15, não. 1, pp. 116–132, fevereiro de 1985.
[49] EH Mamdani, ''Aplicação da lógica fuzzy para aproximar o raciocínio
usando síntese linguística,'' IEEE Trans. Computação, vol. C-26, não. 12,
pp. 1182–1191, dezembro de 1977.
[50] N. Ahmad, M. Hanmandlu e MF Azeem, '' Generalização de adaptação
sistemas de inferência neuro-fuzzy,'' IEEE Trans. Rede Neural, vol. 11, não. 6,
pp. 1332–1346, novembro. 2000.
[51] X. Zhang, W. Huang, X. Lin, L. Jiang, Y. Wu e C. Wu, '' Complexo
algoritmo de reconhecimento de imagem baseado no modelo de floresta aleatória imune, '' Soft
Computação, vol. 24, não. 16, pp. 12643–12657, agosto de 2020.
XIANGMIN MENG está atualmente buscando o

[40] K. Aslan, H. Bozdemir, C. ÿahin, SN Ogulata e R. Erol, '' Um modelo de rede neural de função de Ph.D. licenciatura pela Faculdade de Economia
base radial para classificação de epilepsia usando e Gestão, Universidade de Aeronáutica e Astronáutica
Sinais de EEG'', J. Med. Sistema, vol. 32, não. 5, pp. 403–408, outubro de 2008. de Nanjing. Ela publicou cinco
[41] R. Bina e D. Harrington, '' Preditores diferenciais de depressão e ansiedade pós-parto: versão
artigos acadêmicos em revistas nacionais/internacionais
hebraica da escala de depressão pós-natal de Edimburgo nais. Seus interesses de pesquisa incluem eletro-
validade de construto de estrutura de dois fatores,'' Maternal Child Health J., vol. 21,
análise cefalográfica e rede social e suas
Não. 12, pp. 2237–2244, dezembro de 2017.
formulários.
[42] NC Jacobson e MG Newman, ''Ansiedade e depressão como fatores de risco bidirecionais um
para o outro: uma meta-análise de estudos longitudinais''
Psicol. Boi., vol. 143, não. 11, pp. 1155–1200, 2017.
[43] JM Hettema, MC Neale e KS Kendler, ''Uma revisão e meta-análise da epidemiologia genética
dos transtornos de ansiedade'', Amer. J. Psiquiatria, vol. 158, não. 10, pp. 1568–1578, outubro
de 2001.
[44] KS Kendler, J. Myers, CA Prescott e MC Neale, ''A epidemiologia genética de medos irracionais
JIE ZHANG é atualmente Professor Catedrático na
e fobias em homens'', Arch. General Psiquiatria,
Universidade de Artes de Nanjing, China, onde
voo. 58, não. 3, pág. 257, março. 2001
[45] L. Eldé e N. Trendafilov, '' PCA semi-esparso, '' Psychometrika, vol. 84,
também é Reitor Associado. Ela publicou mais
mais de 30 artigos acadêmicos em publicações nacionais/internacionais
não. 1, pp. 164–185, 2019.
[46] C. Wan, Y. Peng, K. Xiao, X. Liu, T. Jiang e D. Liu, ''Um modelo LDA restrito por associação para diários. Seus interesses de pesquisa incluem redes
extração conjunta de aspectos e opiniões do produto'', Inf . Ciência, vol. 519, pp. 243–259, sociais e gestão e suas aplicações.
maio de 2020.
[47] Z. Deng, K.-S. Choi, F.-L. Chung e S. Wang, ''Modelagem fuzzy TSK escalável para conjuntos de
dados muito grandes usando aproximação de bola envolvente mínima''
IEEE Trans. Sistema Fuzzy, vol. 19, não. 2, pp. 210–226, abril de 2011.

VOLUME 8, 2020 159905