在社交焦虑障碍患者的虚拟现实治疗中使用原位自主生理信号预测特定焦虑症状和虚拟现实疾病:混合方法研究

简介

焦虑包括对威胁预期的不确定性。这是一种正常的情绪反应，有助于个人注意和应对潜在的危险迹象。1］．焦虑诱发预期应激和各种神经生理反应。先前的研究表明，某些处理威胁信息的大脑区域可以从生物学上触发应激反应系统，如自主神经系统和下丘脑-垂体-肾上腺轴。自主神经反应的过度活跃可以诱导焦虑信号的表达，身体内部感觉的感知，以及中央和外围的相互作用[2］．

社交焦虑障碍(SAD)是指在社交场合中对负面评价和尴尬的恐惧。例如，在吃饭和公开讲话时，如果想到自己被观察，就会出现焦虑。3.］．SAD的生理症状包括心悸、出汗、颤抖、颤抖和脸红。许多现有的研究都集中在焦虑引起的心脏反应上，并发现焦虑会增加血液儿茶酚胺的浓度[4]并导致交感神经过度激活和副交感神经退缩[5］．

现时治疗SAD的方法包括药物治疗及心理治疗，例如认知行为疗法[6］．在CBT中，暴露技术允许患者体验和参与恐惧的情况，以创造一个与减少恐惧相关的自然过程[7］．然而，由于害怕心理健康治疗的耻辱，患有社交焦虑的个人很少要求专业人员的支持。因此，通过在线内容访问CBT的需求一直在增加。此外，虚拟现实(VR)治疗的范围正在扩大[8］．

最近的VR干预研究创造了虚拟环境，比如餐厅。接受VR干预的个体对日常社交的焦虑程度有所降低。VR干预后，他们的社交焦虑和抑郁也有所减少，对日常生活的满意度也有所提高[9］．

暴露疗法是治疗SAD的主流VR疗法。在应用暴露技术时实时测量焦虑症状，可以确认实际的SAD症状水平，并适当应用个性化治疗方法。

然而，VR病在使用VR系统时影响用户体验[10］．VR病的症状包括眼疲劳、定向障碍和恶心[11］．由VR引起的疾病有很多名字，包括晕动病、晕机病和模拟器病。这些不舒服的感觉干扰了VR干预;因此，VR病是一个必须解决的关键问题。评估虚拟现实疾病最常用的方法是模拟疾病问卷[12］．模拟器晕车的症状类似于晕车，但不那么严重。三个不同的症状组，即恶心、动眼和定向障碍，聚集在16个症状变量中。由于模拟器疾病相关症状不同于晕动病模式，因此通过这种分组建立了一个测量系统。基于因子分析模型的SSQ分数提供了一个量表分数，作为总体模拟器疾病严重程度的良好指标。这将模拟病量化为可能导致症状的活动。但是，该方法不能用于实时测量，因为它是在VR干预后通过问卷测量心理量表。有几种技术方法可以克服VR病，实时测量和评估是至关重要的。这是决定个体敏感性和未来依从性差异的因素之一。如果在VR干预期间不解决这个问题，患者的依从性可能会大大降低[13］．

一些研究提出了使用VR治疗技术来干预社交焦虑。结果表明，当应用治疗时，社会互动焦虑和生活质量得到改善[9］．特别是，之前的研究表明，通过VR暴露在各种社会情境的场景中，可以有效缓解社交焦虑症状[14］．

最近，一项研究将VR治疗应用于焦虑症，如SAD [15，提出了一种针对SAD的VR干预方法，并通过降低Social Anxiety Disorder量表得分来验证其临床效果。这种方法包括CBT，通过让参与者暴露在自我介绍的情况下，使他们能够克服SAD。通过VR对SAD患者进行6个疗程以上的暴露疗法。与以往应用相对单向的VR内容的研究相比，本研究采用了定制化的方法，根据患者自己的症状报告来划分难度。然而，本研究使用了一个主观的自我评估量表，这受到患者偏见的影响。此外，以调查为导向的进度是漫长的，根据主观判断可能会有不同的结果。

我们试图利用客观数据，如脑成像数据，研究SAD与VR治疗的关系[16］．客观的生理信号反映焦虑症状或疾病症状的程度，可以在VR治疗过程中通过多个传感器实时评估。这将为在VR治疗焦虑期间提供独立的互动内容提供基础。此外，减少VR晕动病可以帮助提高用户体验和使用生理信号的依从性。

在这项研究中，我们开发了一个机器学习模型，使用在SAD患者的VR治疗期间原位测量的生理信号数据来预测特定焦虑症状和VR疾病的严重程度。

方法

参与者

参与者是通过大学网站上的广告招募的。SAD组的入选标准为:(1)使用韩国语的19 ~ 31岁男女;(2)符合《精神疾病诊断与统计手册》第四版(DSM-IV)的SAD标准，并通过小型国际神经精神病学访谈评估[17];(3)除抑郁症、恐慌症外，无精神疾病共患病，无精神药物治疗经验;(4)目前未接受心理治疗;(5)目前未被诊断患有医学或神经疾病;(6)无可由VR干预引发的精神病症状史;(7)不受视觉刺激的影响。我们设定的排除标准如下:(1)任何器质性脑损伤或智力残疾史;(2)有可能由VR干预引发的精神病症状史;(3)易受视觉刺激;(4)没有资格参与核磁共振成像评估(在研究期间，我们为同一科目的另一个项目进行了功能性核磁共振成像评估)[18］．

40名SAD患者参与了这项研究。其中，因个人原因(如时间限制)辞职的有8人。最终，32名参与者完成了研究。所有参与者都完成了所有的VR课程。参与整个会话的人数为32人，但其中6人由于传感器错误等问题未能收集特定会话的传感器数据，因此被排除在数据分析之外。因此，在数据确认过程后，来自26个个体的数据被用于特定的焦虑症状和VR疾病预测。

伦理批准

本研究获得高丽大学医院制度审查委员会(2018AN0377)的批准。会议是根据《赫尔辛基宣言》的原则进行的。所有参与者在实验前均被告知研究程序并提供书面知情同意书。该研究已在临床研究信息服务(KCT0003854)上注册。

研究设计

VR对SAD的干预

研究设计包括VR会话、心理量表评估和原位自主生理信号数据测量(图1)．共进行了6次VR会话和4次心理量表评估。最近的一项研究发现，在实际对话中增加的焦虑程度和在虚拟现实环境中对话中增加的焦虑程度是相似的[19］．在一项比较VR暴露疗法和现实暴露疗法治疗SAD的研究中[20.]， 97名主要诊断为SAD的参与者被随机分配到VR暴露疗法、现实暴露疗法或等待名单。标准化的自我报告量表显示，完成积极治疗的患者比等待治疗的患者有统计学上的显著改善。因此，VR暴露疗法在治疗SAD方面与现实世界的暴露疗法一样有效。在这项研究中，参与者完成了VR治疗课程，其中包括社交焦虑情境的互动内容，VR干预是面对面进行的，并单独提供。干预在虚拟现实环境中进行，每个参与者进入一个有几个非游戏角色的会议室[15］．内容分为介绍、核心和收尾三个阶段。在介绍阶段，参与者选择他们的虚拟形象，并被告知如何操作虚拟现实设备以通过各个阶段[21］．参与者进行了一个热身会议，通过调解来支持他们的适应。核心阶段有一个干预，大学生参与社交场合，他们互相介绍自己。参与者通过选择简单、中等或困难的核心难度来进行治疗。在第一阶段，所有参与者都从简单水平开始进行VR干预。从第二阶段开始，参与者根据他们在治疗过程中经历的困难程度自由选择他们想要的困难程度。这与在社交场合中互动的困难程度有关。非游戏角色的反应是基于前一阶段所选择的难度级别。在简单阶段，非游戏角色很好地集中在患者的自我介绍上。不玩游戏的角色在困难关卡中表现得心不在焉，比如打哈欠或聊天。 The finishing stage provided cognitive and behavioral safety guidelines for SAD with text and audio information during the VR intervention. The VR headset used was VIVE (HTC Corporation). The in situ autonomic physiological signals (heart rate [HR] and galvanic skin response [GSR]) of the participants were measured during the VR experience.

‎ 查看此图

数据收集与分离

本研究分析了特定焦虑症状和原位自主生理信号数据。为此，在4个VR会话(#1、#2、#4和#6)中实时测量生理信号数据，并在VR治疗后进行心理量表测试。数据提取为自变量。在所有治疗期间评估SSQ;因此，提取所有时段的原位生理信号数据。我们用HR和GSR数据创建了一个数据框架。HR和GSR测量值低于零被认为是异常值。去除异常值，并使用移动平均来降低数据的噪声。

测量

心理量表

我们在第1、第2、第4和第6次VR体验后使用主观调查测量了心理量表。贝克焦虑量表[22]、状态-特质焦虑量表[23]、社交恐惧量表[24]、社会互动焦虑量表[25]、负面评价简短恐惧量表[26]、内化羞耻感量表[27]，以及事后反刍量表[28]被使用。在为量表、子域和SSQ建立一个简单的线性回归模型后，根据模型预测结果的均方误差分析了表现最佳的量表组。随后，我们生成了一个机器学习模型来预测调查结果。将线性回归系数作为自变量进行预测;因此，在进行简单线性回归预测时，按照均方根误差最小的顺序选择具体的焦虑症状。相应的特定焦虑症状的子域也包括在内，并用于预测。ISS和PERS很好地反映了对SAD的物理反应。在本研究中，机器学习模型使用ISS和PERS作为自变量。多媒体附件1提供机器学习模型的完整回归结果。

ISS评估患者的羞耻和自尊[27］．它有30个项目来衡量羞耻和自尊(分别是24个和6个项目)。国际空间站的数据是用韩语写的国际空间站来测量的[29］．因子分析涉及不足、空虚、自我惩罚、害怕犯错4个因素，分别有10个、5个、5个、4个条目。

PERS测量的是社交场合中的事后反思[28，30.］．它包括消极反刍和积极反刍2个量表，分别有5个和9个条目。每个答案都用数字量表来衡量，从0(低分)到4(高分)，分数越高表明这个人经常经历反刍。

VR疾病量表

SSQ是为虚拟现实疾病而开发的，是评估暴露在模拟器或虚拟现实环境后身体疾病的金标准[12］．SSQ可以测量VR病的16种症状。这些子域分为恶心(全身不适、唾液增多、出汗、恶心、注意力难以集中、胃部意识和打嗝)、动眼肌(全身不适、疲劳、头痛、眼疲劳、注意力难以集中、视力模糊)和定向障碍(注意力难以集中、恶心、头部饱腹、视力模糊、睁眼头晕、闭眼头晕和眩晕)。VR疾病总得分是恶心、动眼和定向障碍组得分的总和，得分越高表明模拟器疾病的水平越高。

数据标注与处理

我们用k=2对严重组和非严重组的特定焦虑症状进行分类，其中k为待分类聚类的中位数。数据按照超参数的个数k进行分组。在k-means聚类中，当用户确定聚类的个数时就可以执行算法。K-means聚类是一种具有代表性的采用无监督学习的分离聚类算法[31］．

针对每种特定焦虑症状和VR疾病，我们使用k-均值聚类对严重组和非严重组进行标记。严重组的ISS分界值分别为48分(总分)、11分(错误焦虑)、9分(自我惩罚)、10分(空虚)、16分(不适当)。PERS分界值分别为41(总分)、17(正)和27(负)。对于SSQ，使用k-means聚类对每个类别的反应得分进行严重性分类。重度组的分界值为9(总分)、7(恶心)、8(动眼力)和4(定向障碍)。

生理信号数据

我们实时测量了所有参与者在VR会话期间的HR和GSR。这些值与焦虑相关的原位生理信号反应密切相关。我们使用3通道的Shimmer GSR+ Unit (Shimmer)记录数据。两个通道通过连接在食指和中指上的手电极跟踪皮肤电导水平信号。我们以52赫兹的采样频率监测非惯用手的手指。第三个通道通过连接在左耳垂上的红外传感器记录心脏容量数据。通过软件系统将数据转换为人力资源数据。

预处理删除了HR和GSR未测量或为负值的部分。采用移动平均法以2秒为间隔降低噪声。我们从参与者的时间序列数据集中提取所有数据。我们还计算了每个原位生理信号的平均值、标准差、最小值、最大值、线性回归系数、最大差值、峰值比和平均差值。它们创建了数据帧。计算峰值比率[32]，我们用峰数除以生理信号数据的长度。

我们使用真实数据作为预测模型;因此，生成数据是一个挑战。重症组和非重症组的人数不同;因此，我们对数据集进行了操作，以提高模型的性能。我们没有考虑不足抽样技术，因为参与者数量不足。相反，我们在少数群体上使用过采样技术来提高分类器的性能。

SMOTE(合成少数派过采样技术)方法产生的数据不足[33］．这种方法有助于从不平衡的数据集(其中分类类别不是近似均匀分布的)构建分类器，例如具有少量异常情况的真实数据集。

统计分析

组的分析

两组之间的差异(严重和非严重)采用独立评估t使用SciPy 1.5.2版本在Python中进行测试。差异被认为有统计学意义P< . 05。此外，我们分析了所提取变量之间的相关性。具有最强正相关性的变量是平均GSR比率和峰值GSR比率。具有第二强正相关的变量是GSR的平均值和标准差。负相关最强的变量为GSR的线性回归系数和标准差。排在第二位的负相关变量是GSR差值和HR线性回归系数。所有相关关系说明在多媒体附件2．GSR均值与峰值高度相关(0.92);然而，去除这一特征会降低预测得分。因此，这个特性被保留了下来。其他相关系数均<0.86。

机器学习技术

所有机器学习技术都是使用Python 3.7.7版本执行的。Logistic回归[34]，随机森林[35]，以及naïve贝叶斯[36]使用Scikit-learn version 0.23.2进行分类。随机森林模型避免了过拟合，提高了模型精度。另外，我们可以在分类模型中选择相对重要的变量等级。naïve贝叶斯模型是一种基于条件概率的分类方法，计算属于每个类的特征的概率，合理地处理噪声和缺失值。

此外，在训练时，无论数据大小，它都能出色地工作，并且很容易获得用于预测的估计概率。虽然32个样本的数据可能不够，但我们在每个阶段分割后使用SMOTE方法放大了患者的数据。我们使用机器学习模型，可以用少量数据点进行合理的预测，以最大限度地减少由于数据不足而导致的性能下降。我们计算准确率、F1分数(精度和召回率的加权平均)和曲线下面积(AUC)进行预测。

除随机森林模型外，所有机器学习模型都使用过采样技术对训练数据集执行。这补充了训练-测试分离后不足的数据。我们对随机森林模型进行了5倍交叉验证，以提高预测得分。在预测过程中，严重组和非严重组的抽样被分层进行训练-测试分裂，以确保同样频繁的严重程度。

结果

分类特定焦虑症状和VR病

采用k-均值聚类比较重度组和非重度组的特异性焦虑症状和VR疾病结果。ISS自我惩罚组之间的差异最小(严重组vs非严重组，53 vs 51)。基于特定焦虑症状的平均分，两组之间最显著的差异是ISS评分(严重组vs非严重组，59.951 vs 33.222)。重度组与非重度组间ISS空度差异最小(12.91 vs 5.75)。经k-means聚类标记后，扭曲程度最低的焦虑症状为ISS错误焦虑，扭曲程度最高的焦虑症状为ISS总焦虑(1.263 vs 7.439)。

在26名参与者参加了4次VR会议后，收集了104组VR疾病数据。使用k-均值聚类将这些患者分为严重组和非严重组。全VR病的k-means聚类失真为2.57，恶心为1.44，动眼症为1.71，定向障碍为1.16。表1介绍重症组与非重症组的统计分析结果。重度和非重度组的箱线图如图所示多媒体．

不同焦虑症状严重程度生理信号的差异

ISS分层的严重组和非严重组的GSR min有显著差异(t₁₀₂= 1.39;P=。)。此外，ISS错误焦虑分层组在HR峰值比率(t₁₀₂= 2.07;P=.04)和GSR平均变化(t₁₀₂= 2.02;P= .046)。ISS自我惩罚组的GSR最小值有显著差异(t₁₀₂= 2.34;P= .02点)。按ISS空性分层的各组平均HR (t₁₀₂=−2.44;P= .02点)。ISS不恰当分层组平均HR有显著差异(t₁₀₂=−2.23;P= 03)。按PERS分层的组平均hr有显著差异(t₁₀₂=−1.99;P= .050)。此外，按PERS阳性分层的组显示出显著不同的平均HRs (t₁₀₂= 2.51;P=.01)， HR最小值(t₁₀₂= 2.49;P=.01)， HR峰值比率(t₁₀₂= 2.15;P= 03)。按PERS阴性分组的平均hr有显著差异(t₁₀₂=−2.79;P=.006)， HR最小值(t₁₀₂=−2.49;P=.01)， HR峰值比率(t₁₀₂=−2.15;P=.03)， GSR最大值(t₁₀₂=−2.00;P= .048)。按焦虑症状分为严重组和非严重组多媒体附件4．

我们进行了t标记VR疾病的严重程度后进行测试，为每个VR疾病子域。全VR疾病中最显著的差异是HR最小值(t₁₀₂=−1.63;P= .02点)。在恶心组，HR max值在两组之间有显著差异(t₁₀₂=−2.47;P= .02点)。此外，动眼组在HR min值(t₁₀₂=−2.19;P= 03)。定向障碍组在总人力资源变化方面表现出差异(t₁₀₂=−2.14;P=.04)和总GSR变化(t₁₀₂=−2.09;P= .04点)。根据VR疾病，严重组和非严重组的差异见多媒体．

基于生理信号数据的特定焦虑症状与VR疾病预测

采用SMOTE对少数数据进行过采样后，F1分数[37使用逻辑回归分析、随机森林和naïve贝叶斯方法预测调查结果后，计算准确性和受试者工作特征曲线下的面积。此外，我们计算了特定焦虑症状的特征重要性。可变重要性可根据杂质指标[38］．我们使用基于随机森林的预测模型的特征重要性。

焦虑症状预测

基于3种模型对特定焦虑症状结果进行分类分析。Logistic回归[34]，随机森林[35]， naïve贝叶斯分类器[36]分析了参与者特定焦虑症状的严重程度。使用SMOTE方法放大数据，以防止由于数据不平衡而导致的性能下降。

使用F1评分来衡量分类性能。通过logistic回归、随机森林和naïve贝叶斯分类器计算，ISS错误焦虑子域F1得分分别为0.8421、0.7368和0.7647。这些值高于其他ISS子域的值。PERS负子域的分类性能相对高于PERS正子域，logistic回归、随机森林和naïve Bayes分类器分别为0.6667、0.6154和0.6452。

具体来说，我们使用F1评分为0.7619的逻辑回归模型对ISS进行分类。logistic回归模型显示ISS错误焦虑的F1得分为0.8421，而naïve Bayes分类模型显示ISS自我惩罚的F1得分为0.7857。logistic回归模型显示，ISS空虚的F1得分为0.6429,ISS不适当的F1得分为0.7200。随机森林模型显示PERS的F1分数为0.7568。此外，naïve Bayes分类模型显示PERS阳性的F1评分为0.7619。最后，随机森林模型揭示了PERS负性的F1分数为0.7097。具体焦虑症状预测结果说明在表2而且多媒体附件6．

ISS、ISS错误焦虑、ISS自我惩罚、ISS不适当、PERS、PERS阳性、PERS阴性，与GSR相关的生理信号数据的重要性最高，与ISS空虚相关的生理信号数据的重要性最高。随机森林模型中特定焦虑症状的特征重要性说明在图2．

‎ 查看此图

VR疾病预测

我们对全VR病的严重程度进行分类，F1评分为0.7059，恶心组评分为0.4000，动眼组评分为0.6667，定向障碍组评分为0.6364。恶心组子域的分类性能最高，AUC为0.94。VR疾病的结果说明在表3而且多媒体．

当计算特征重要性以分类每种类型的VR疾病严重程度时，选择与GSR相关的生理信号数据作为所有子域的基本变量。VR疾病症状的所有子域均显示hr相关特征为变异的第二大关键因素。图3从随机森林模型中说明了VR疾病特征的重要性。

‎ 查看此图

讨论

主要研究结果

我们开发并测试了机器学习模型，使用参与式和交互式VR治疗期间测量的原位自主生理信号数据来预测SAD的特定焦虑症状和VR疾病。VR治疗的特定焦虑症状的严重程度和副作用是数字治疗的重要组成部分。通常，这类评估依赖于患者的主观报告。然而，自主生理反应，如脸红、出汗和颤抖，可能在评估症状中发挥核心作用[39];因此，它们有可能被用于监测与焦虑或VR疾病相关的各种症状。

先前的研究评估了生理线索和SAD之间的关系。然而，由于目前的传感器技术和评估方法，实时分析受到限制[40］．此外，由于方法学问题，SAD患者无法得到治疗[41-43］．

虚拟现实治疗技术超越了传统的精神治疗方法[44］．要创建一个治疗性VR系统，我们必须建立一个交互式系统，而不是简单地提供一个VR环境。在治疗精神疾病方面，交互式VR可能有几个好处。首先，它通过让个体沉浸在虚拟构建的治疗环境中来增强生态有效性。其次，它可以灵活地用于各种情境下的患者呈现，在VR治疗过程中，可以根据症状的个体差异进行个性化治疗[45］．我们希望我们的发现对交互式VR治疗有用，特别是对特定的焦虑症状和VR疾病。

我们表明，从具有不同原位自主生理信号数据长度的时间序列中提取的数据可以用作预测模型的自变量。由于32个生理数据样本对于机器学习模型来说是不够的，我们通过只使用32个参与者的干预数据来划分每个会话，并使用SMOTE方法补充不足的数据，从而增加了数据。这种技术可以最大限度地减少由于缺乏数据而导致的性能下降。我们通过k-means聚类生成用于标记的分类组的截断值。这是一种基于缺乏标签来评估模型性能的无监督学习方法。我们可以解释哪个变量在预测特定的焦虑症状和VR疾病中起着最关键的作用。

在与ISS相关的焦虑症状中，最可预测的是ISS错误焦虑。情绪由五个主要子系统组成，即“认知成分(评价)、神经生理成分(身体症状)、动机成分(行动倾向)、运动表情成分(面部和声音表情)和主观感觉成分(情绪体验)”[46］．羞耻与身体的生理反应高度相关，因为它的机制[47］．错误焦虑是SAD的核心症状。这些症状的高可预测性与SAD症状的HR和GSR预测的可靠性有关。

在与PERS相关的量表中，最可预测的是PERS阳性。反刍可能对身心健康产生负面影响[48，49］．然而，这与之前的研究报告不一致，这些研究报告称，积极的反刍与社交焦虑无关，或者与社交焦虑无关。28，30.］．相比之下，其他研究报告称，积极和消极的沉思在社交焦虑中占很高的比例。社交焦虑的人在面对模棱两可的情况时，会广泛地、积极地或消极地思考社交互动的各个方面。50］．然而，目前尚无原位自主生理反应与消极和积极反刍之间的关系研究。需要进一步的研究来确定这些结果是否可重复。

有几个因素会导致虚拟现实病。人类通过各种感觉器官感知自己的方向和运动。如果一个人反复接收到与自己预测不同的感官信息，就可能会晕车[51］．视觉运动可引起晕车[52，53］．当视觉刺激是晕车的主要原因时，它被称为视觉诱发晕车。之前的研究评估了与识别自我运动相关的虚拟知觉[54］．如果生理唤醒程度(HR、血压、皮肤电导、呼吸、皮肤温度、血量脉搏振幅)高，VR晕动病的可能性就高[55］．

在我们的研究中，我们使用了HR和GSR进行基于机器学习的预测。这些都是生理唤醒的重要指标。通过提出的模型可以提前确定VR治疗过程中sad相关的心理症状和VR疾病。医务人员的干预也可以提高患者的依从性。然而，我们必须开发额外的实时测量因素，以更好地预测其他VR疾病子领域症状。

我们通过实际病例的原位生理信号数据来预测特定焦虑症状的严重程度和VR疾病的严重程度。我们使用监督和无监督学习以及数据生成来构建和评估SAD和VR疾病预测模型。考虑到这些优势，可以更准确地评估特定的焦虑症状和VR疾病。使用无监督学习方法对数据进行标记。在将严重组和非严重组分开后，使用a进行分类，发现每个分类组有显著差异t测试。VR晕动病的实时评估有助于提高患者对治疗的依从性。此外，通过使用客观数据预测参与者的焦虑，我们可以减少调查所需的时间。利用客观的原位自主生理信号数据预测调查结果，与传统的基于调查的方法相比，减少了主观干预。此外，通过实时自主生理信号对症状进行评估，显示了实时评估精神症状以增加互动性的可能性，这是个性化VR治疗过程中的一个基本要素。

限制

这项研究有几个局限性。首先，我们的研究单独评估了SAD组的原位自主生理信号和症状相关数据。随后，研究不包括对照组。本研究使用机器学习模型来区分严重组和非严重组，因为实时生理信号数据仅对高于特定韩国社会互动焦虑量表(K-SAD)分数的参与者进行测量。在某些情况下，在标记严重组和非严重组后，两组之间没有显著差异。这些结果可以推断为方法的局限性，该方法根据特定的焦虑症状将K-SAD得分高于82的组分为严重组和非严重组。虽然无监督学习方法区分了受访者，但要向实验参与者以外的人解释清楚的标准是具有挑战性的。其次，本研究使用了基于分数的自评量表，这可能与偏见有关。第三，本研究只能对特定分数或更高的组进行SAD严重程度(K-SAD≥82)的分类。第四，对虚拟现实会话中对特定任务或暴露情况的反应评估不足。 Because insufficient data are obtained using a SMOTE model, there is a limitation in not using the actual data. In addition, it is unknown how performance changes as an individual progresses during a session. Furthermore, we cannot determine how in situ autonomic physiological signals change when a specific situation occurs in each session. Fifth, the number of participants who participated in the VR treatment session was 32, but the number of participants used for the analysis was 26 (a small sample size). The decrease in performance can be inferred to be limited to the improvement in performance because the number of individuals who participated in the VR sessions was small. Therefore, we need to carefully interpret the results and secure a larger number of samples for future studies. However, since it is challenging to obtain real-time in situ data, we believe that the strength of this study is that real valuable data from participants were utilized for analysis.

结论

这项研究表明，使用VR干预期间测量的原位自主生理信号数据可以预测SAD患者的特定焦虑症状和VR疾病。利用来自VR会话的实时生理数据，我们可以对特定SAD症状的严重程度进行分类，并利用这些发现进行个性化的数字治疗。机器学习模型可以辅助医护人员的决策和交互式VR治疗的构建。未来的研究应重点研究各种预测方法，以增强定制交互功能，最大限度地提高VR治疗的便利性。此外，为了提高临床预测性能和准确性，还需要收集更丰富和合适的数据。