论文阅读( 七 ) _算法

这些研究中使用的数据集通常由健康个体在不同情绪状态下或患有精神障碍的患者获得的心电图（ECG）和阻抗心动图（ICG）信号组成。特征工程阶段依赖于提取出的一系列心电图和阻抗心动图特征的组合。在这里，与评估所得簇的质量不同，通常会执行统计假设检验，例如t检验，以衡量每个簇中的心电图（和阻抗心动图）特征与该簇个体心态状态的相关性。将不同的心态状态视为基本事实簇，并通过问卷手动识别，或通过对脑电图（EEG）信号进行聚类自动识别。因此，可以使用衡量所识别的簇与基本事实标签之间相似性的指标，如NMI [105]和系数[104]，以提高这些研究的可靠性。
在本节中，我们回顾了在这个研究方向上的新颖研究。已评审研究的摘要详见表格III 。由于已评审的研究针对不同的心理状态，使用了各种私有数据集，所以这些聚类技术并没有相互进行比较。然而，我们会从所采用的聚类算法、特征工程和实验方案方面对现有研究进行批判性审查，并提供未来的研究方向。
最近，等人[98]对从67名参与者获取的日常心电图（ECG）和阻抗心动图（ICG）信号进行了聚类，以研究心肺活动与情绪细致度之间的关联。情绪细致度描述了个体准确区分情绪的能力。情绪细致度较低与精神障碍，包括精神分裂症、自闭症和抑郁症等有关[98] 。等人采用了过程高斯混合模型来找到数据中最优的簇数。他们发现ECG和ICG可以用来识别不同水平的情绪细致度。
Leal等人[8]通过ECG聚类研究了癫痫患者的ECG时间间隔特征与癫痫前期间隔（即癫痫发作前的短时间）之间的关系，以预测癫痫发作，让患者有足够的时间准备迎接即将发作的癫痫。他们对从癫痫患者的ECG中提取的时间间隔进行了K均值、和高斯混合模型聚类，以查看是否存在一个与其他簇明显分离的簇，表示癫痫前期间隔。他们发现在41%的癫痫发作中存在这样一个簇，表示癫痫发作前2至9分钟的间隔。和[9]提出了一种通过聚类佩戴式设备收集的ECG来检测驾驶员困倦的系统。他们对时间间隔特征进行了基于密度的聚类，发现了与清醒、瞌睡和睡眠状态相关的三个簇。
等人[86]旨在通过ECG聚类来检测在解决具有挑战性的数学问题时个体注意力的下降。在注意力要求高的任务中，如手术和驾驶，检测注意力下降是重要的，因为在这些任务中缺乏注意力可能会造成灾难性后果。他们的工作受到了这样一个事实的启发，即通过可穿戴设备获取ECG比通过头戴设备获取EEG更加方便。他们对从24名受试者解决数学问题时获取的ECG和EEG信号进行了共识聚类，其中包括多次使用不同距离度量的分层算法运行。他们的结果显示，ECG数据集中发现的簇与EEG数据集中的簇之间存在强相关性，表明ECG可以帮助检测不同水平的注意力。另一个发现表明，ECG簇的数量大于EEG数据集中发现的簇的数量，这可以为深入分析提供更准确的信息。类似地，Wang等人[117]表明，通过分析从驾驶员手掌获得的ECG获得的簇与通过分析EEG获得的簇之间存在强相关性。他们建议可以利用从驾驶员手掌收集的ECG，而不是EEG，来识别驾驶员不同水平的注意力。
ECG聚类的另一个应用是情绪检测。其目标是通过聚类自动识别不同的情绪状态，如喜悦和悲伤。Wan-Hui等人[118]发现，与时域特征相比，ECG信号的频域特征更能够区分喜悦和悲伤。Zheng等人[95]采用模糊C均值聚类算法将ECG分为情绪压力和非情绪压力两个簇，并展示了时间间隔特征在区分这两个簇中的重要作用。[119]对从25名受试者解决数学问题时获取的ECG进行了集成聚类，包括K均值和谱聚类。他们的系统成功地将情绪水平相似的受试者分组在一起。