arXiv:2312.06025

Stress Management Using Virtual Reality-Based Attention Training

Rojaina Mahmoud, Mona Mamdouh, Omneya Attallah, Ahmad Al-Kabbany

제출 2023-12-10

원문 초록

In this research, we are concerned with the applicability of virtual reality-based attention training as a tool for stress management. Mental stress is a worldwide challenge that is still far from being fully managed. This has maintained a remarkable research attention on developing and validating tools for detecting and managing stress. Technology-based tools have been at the heart of these endeavors, including virtual reality (VR) technology. Nevertheless, the potential of VR lies, to a large part, in the nature of the content being consumed through such technology. In this study, we investigate the impact of a special type of content, namely, attention training, on the feasibility of using VR for stress management. On a group of fourteen undergraduate engineering students, we conducted a study in which the participants got exposed twice to a stress inducer while their EEG signals were being recorded. The first iteration involved VR-based attention training before starting the stress task while the second time did not. Using multiple features and various machine learning models, we show that VR-based attention training has consistently resulted in reducing the number of recognized stress instances in the recorded EEG signals. This research gives preliminary insights on adopting VR-based attention training for managing stress, and future studies are required to replicate the results in larger samples.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.10571v2cs.LG공통 태그 EEG

SPERA: 기하학 및 주파수 인식 잠재 예측을 적용한 구면 사전분포 기반 뇌파 파운데이션 모델

SPERA: Spherical Prior EEG Foundation Model with Geometry- and Frequency-Aware Latent Prediction

뇌전도(EEG)는 진행 중인 신경 활동을 비침습적으로 측정하지만, 피험자, 장치, 전극 배치의 이질성 때문에 범용 EEG 모델을 구축하는 일은 여전히 어렵다. 기존 EEG 파운데이션 모델은 신경 성분과 비신경 성분을 모두 포함하는 관측 신호에 정의된 복원 기반 목적 함수에 주로 의존한다. 본 연구는 잠재 공간에서 예측하기 위해 결합 임베딩 예측 아키텍처(JEPA)를 채택한 EEG 파운데이션 모델인 구면 사전 분포 EEG 표현 아키텍처(Spherical Prior EEG Representation Architecture, SPERA)를 소개한다. SPERA는 다양한 두피 전극 기하 구조를 인코딩하기 위해 어텐션에 통합된 르장드르 다항식 공간 사전 분포를 도입한다. 모델을 EEG에 맞추는 두 가지 추가 구성요소로, 주기적인 전체 어텐션 블록과 교차 배치된 시간·공간 분해 어텐션, 그리고 잠재 유사도 구조를 스펙트럼 뷰와 정렬하는 관계형 스펙트럼 정규화기가 있다. 106개 데이터셋, 29,048명의 피험자로부터 얻은 약 80,000시간의 EEG로 사전 학습한 SPERA는 임상, 인지, BCI 응용에 걸친 9개 다운스트림 과제에서 가장 높은 평균 균형 정확도를 달성한다. 또한 SPERA는 선형 프로빙에서 강한 파라미터 효율성을, 다양한 녹화 조건에서 강건성을 보여, 다양한 EEG 분석을 위한 범용 백본으로서의 잠재력을 시사한다.

arXiv:2512.14461v3cs.LG공통 태그 EEG

AnySleep: 다기관 코호트에서 고해상도 수면 단계 분류를 위한 채널 무관 심층 학습 시스템

AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts

수면은 건강에 필수적이지만, 수면의 동역학을 연구하려면 연구와 임상 진료에서 많은 노동이 드는 단계인 수동 수면 단계 판독이 필요하다. 여러 기관에 걸쳐 수면다원검사(PSG) 기록은 생리학적 이유가 아닌 실용적 이유로 전통적으로 30초 에폭 단위로 판독되며, 전극 수, 몽타주, 피험자 특성이 서로 다르다. 이러한 제약은 조화된 다기관 연구와 더 짧은 시간 척도에서의 견고한 바이오마커 발굴을 어렵게 한다. 우리는 임의의 뇌전도(EEG) 또는 안전도(EOG) 데이터로부터 조절 가능한 시간 해상도로 수면을 판독하는 심층 신경망 AnySleep을 제안한다. 여러 클리닉의 28개 데이터셋에서 얻은 20,000건 이상의 야간 기록(EEG 및 EOG 200,000시간 초과)으로 모델을 학습하고 검증하여 기관 간 견고한 일반화를 도모하였다. 이 모델은 최첨단 성능을 달성하며 30초 에폭에서 기존 기준 모델을 능가하거나 동등하다. 채널이 많을수록 성능이 향상되지만, EOG가 없거나 EOG만 있거나 단일 EEG 유도(전두, 중심, 후두)만 사용 가능한 경우에도 강한 성능을 유지한다. 30초 미만의 시간 척도에서 이 모델은 각성과 일치하는 짧은 각성 침입을 포착하며, 30초 판독보다 병태생리학적 상태(폐쇄성 수면무호흡, 제1형 기면증, 불면증)의 예측을 향상시킨다. 우리는 이질적인 전극 구성을 가진 대규모 연구를 용이하게 하고 수면 분야의 바이오마커 발굴을 가속하기 위해 이 모델을 공개한다.

arXiv:2606.20812v2cs.LG공통 태그 EEG

B[FM]²: 플로우 매칭과 SplitUNet을 활용한 뇌 파운데이션 모델

B[FM]$^2$: Brain Foundation Model via Flow Matching with SplitUNet

EEG 파운데이션 모델은 대규모 EEG 코퍼스로부터 일반화 가능한 표현을 학습하여 다양한 임상 및 뇌-컴퓨터 인터페이스 과제 전반에서 단일 백본 전이를 가능하게 한다. 기존 모델은 일반적으로 연속적인 다채널 EEG 파형을 패치나 코드북 토큰으로 이산화하고 마스크 자기지도 학습으로 트랜스포머를 훈련한다. 이러한 이산화가 연속적인 뇌 리듬을 파편화하고 세밀한 시간적 동역학을 가린다는 점을 인식하여, 우리는 패치, 토큰화, 마스킹 없이 연속 시간 플로 매칭을 사용해 원시 신호로 직접 사전 학습함으로써 귀납적 편향을 데이터와 일치시키는 B[FM]$^2$(Brain Foundation Model via Flow Matching)를 제시한다. 그러나 다채널 EEG 신호는 플로 매칭에 구조적 난제를 제기한다. 시간 축은 조밀하게 샘플링되고 자기상관이 높은(수천 개의 시점) 반면, 전극 축은 서로 다른 두피 위치의 짧은(수십 개의 채널) 축이다. 이러한 시간-전극 비대칭을 해결하기 위해 우리는 각 블록을 별도의 1D 시간 합성곱과 1D 전극 합성곱으로 분해하고 시간 축으로만 다운샘플링하여 계층 전체에서 전극 위상을 보존하는 속도 네트워크인 SplitUNet을 도입한다. B[FM]$^2$는 단 $36{,}895$개 세그먼트($\approx$ 307시간)의 사전 학습 예산, 즉 기존 EEG 파운데이션 모델이 요구하는 양보다 1~2자릿수($\approx$ 30배) 적은 예산으로 표준 하위 EEG 분류 과제 9개 중 7개에서 새로운 최고 성능을 달성한다. 또한 두 명의 전문의 자격을 갖춘 신경과 의사가 실제 뇌 데이터와 구별하지 못하는 합성 EEG를 생성한다(Cohen's $\kappa = -0.096$). https://jd730.github.io/projects/BFM2

arXiv:2607.22980v3cs.LG공통 태그 EEG

운동 상상 전기뇌파의 피험자 간 분류를 위한 베이지안 완전 풀링

Bayesian Complete-Pooling in Cross-Subject Classification for Motor Imagery Electroencephalogram

뇌-컴퓨터 인터페이스(BCI)는 오랫동안 보정이 필요 없는 작동을 추구해 왔으나, 분류기는 통상 판별 성능만으로 평가된다. 판별 성능은 보정(calibration)을 반영하지 못하는데, 뇌전도(EEG) 신호가 비정상성(nonstationary)을 띠고 점추정 분류기가 분포 이동 하에서 과신할 수 있다는 점에서 이는 의미 있는 간극이다. 우리는 20개 데이터셋에 걸친 피험자 간 좌·우손 운동 상상 EEG 분류에서 베이지안 완전 풀링 모델과 빈도주의 기준 모델을 대조하는 대규모 연구를 수행하였다. 여섯 가지 빈도주의 파이프라인 각각을 동일하고 결정론적인 특징 추출을 공유하는 대응 베이지안 파이프라인과 짝지어, 분류기만 베이지안이 되도록 하였다. 베이지안 분류기는 마르코프 연쇄 몬테카를로로 적합하였다. 주요 지표는 신뢰도(reliability)와 분해능(resolution)으로 분해한 브라이어 점수였으며, 판별에는 ROC 곡선 아래 면적을, 선명도(sharpness)에는 섀넌 엔트로피를 함께 사용하였다. 각 지표에 대해 Knapp-Hartung 보정을 적용한 랜덤효과 메타분석을 수행하고 leave-one-out 영향 분석으로 검증하였다. 베이지안 완전 풀링은 신뢰도의 통계적으로 유의한 개선과 예측 불확실성의 증가(선명도 저하)를 보였으며, 95% 신뢰구간은 신뢰도에서 [-0.0029, -0.0001], 엔트로피에서 [0.0022, 0.0220] 비트였다. 그러나 사후분포 샘플링에 문제가 있다고 표시된 데이터셋을 제외하면 두 효과 모두 통계적 유의성을 유지하지 못했다. 브라이어 점수, 분해능, 판별 성능에서는 유의한 차이가 없었다. 연구 간 이질성은 모든 지표에서 낮았다. 베이지안 파이프라인은 빈도주의 파이프라인보다 약 13배 많은 에너지를 소비하였으나, 이는 일반 가전제품에 비해 여전히 적은 수준이다. 이처럼 비용이 크지 않으므로, 완전 풀링이 배제한 구조인 피험자 및 세션 간 부분 풀링이 실현 가능한 다음 단계가 된다.

arXiv:2610.13918v1cs.NE공통 태그 EEG

DyssomniaNN: 인간 수면 장애 및 인지된 피로 회복도에 대한 다중 스케일 스파이킹 신경 모델링

DyssomniaNN: Multi-Scale Spiking Neural Modeling of Human Sleep Disorders and Perceived Restedness

임상 수면 의학에서는 객관적인 수면 시간과 주관적인 주간 기능 장애 사이의 심각한 불일치가 반복적으로 보고되며, 이는 역설적 불면증의 수면 상태 오인과 제1형 기면증의 경계 불안정성에서 두드러지게 나타납니다. 본 논문에서는 수면 항상성과 일주기성 추동(circadian drive)에 대한 Borbély의 2과정 조절 모델, Saper의 시상하부 상호 플립플롭 회로, 그리고 순환 피질시상 누적-발화(LIF, leaky integrate-and-fire) 스파이킹 신경망(neural network)을 결합한 다중 스케일 생물물리학적 계산 프레임워크인 DyssomniaNN을 제시합니다. 연구진은 동일한 72시간 광주기 하에서 건강한 대조군, 일주기 리듬 수면-각성 장애(지연 위상형), 만성 불면증, 역설적 불면증, 제1형 기면증 등 5개 임상 코호트를 공식화합니다. 합성 국소 장전위(local field potential)는 모든 표준 주파수 대역에서 PhysioNet Sleep-EDF 데이터베이스의 실제 인간 뇌파(EEG) 스펙트럼과 밀접하게 일치합니다(스펙트럼 평균 절대 오차 0.33--0.35). 나아가 회복 효능을 정량화하기 위해 휴식 지수(Well-Rested Index)를 도입합니다. 시뮬레이션 결과 수면 시간은 피로 회복을 예측하지 못하는 것으로 나타났습니다. 역설적 불면증은 정상적인 총 수면 시간(21.15시간)을 보이지만 억제되지 않은 피질 베타 대역의 침투로 인해 낮은 회복률(37.6%)을 보였으며, 반면 기면증의 히포크레틴 결핍은 심각한 야간 분절(수면 개시 후 각성 시간 781분)과 35회의 입면 시 렘수면(SOREMP)을 초래합니다. DyssomniaNN은 기전적 수면 연구 및 가상 신경약리학을 위한 인 실리코(in silico) 플랫폼을 제공합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.