Spinnenphobie ist eine der häufigsten Phobien und kann die Lebensqualität der Betroffenen deutlich beeinträchtigen. Die meistgenutzte Therapiemöglichkeit ist die Expositionstherapie, bei der dem Patienten wiederholt ein furchtauslösender Stimulus dargeboten wird. Wir formulieren dieses therapeutische Setting als ein “closed-loop-System”, das anhand des vorhergehenden Zustands des Patienten (gemessen mit einem “Sensor”) den nächsten Stimulus wählt, um ein optimales Aktivierungsniveau beizubehalten (durch einen “Controller”). Dies ermöglicht ein besseres theoretisches Verständnis sowie die Verbesserung und Automatisierung dieser Therapiemöglichkeit.
Unsere hier vorgestellte SpiDa Database dokumentiert die Furchtreaktionen, die von bestimmten Stimuli ausgelöst werden. Um die Messung momentaner Furchtzustände zu verfeinern, setzen wir eine Reihe physiologischer Messinstrumente ein und verwenden maschinelles Lernen, um die ausgelöste Furcht vorherzusagen.
Fünfundfünfzig Probanden bewerteten die Furcht, die die 175 SpiDa Bilder auslösten. Durch das Trainieren von Modellen versuchen wir, diese Bewertungen anhand der verfügbaren Information vorherzusagen. Unsere Ergebnisse zeigen, dass vorrangig zwei Variablen für die Vorhersage relevant sind: Das Mittel der Bewertungen des aktuellen Stimulus durch andere Probanden sowie das Mittel der Bewertungen der vorhergehenden Stimuli durch den aktuellen Probanden. Um die 60 Prozent der Varianz der Bewertungen lassen sich mit solch einem reduzierten Modell vorhersagen.
Zusammenfassend lässt sich sagen, dass eine erfolgreiche Konzeption eines “Controller”, um closed-loop Ansätze in der Therapie aber auch Forschung möglich zu machen, vor allem zweierlei benötigt: Ein gut untersuchtes Set an Stimuli, von denen bekannt ist, welche Reaktionen sie auslösen, sowie die Berücksichtigung vorhergehender Zustände des Patienten zusätzlich zum momentanen Zustand. Zur Unterstützung der Open Science Initiative werden wir sämtliches Material der SpiDa-Datenbank öffentlich zugänglich machen.

Specific phobias can severely limit the quality of life of affected individuals. Given their high prevalence, finding feasible and evidence-based therapeutic approaches to phobias is of clinical importance. The current state of the art treatment is exposure therapy, where a therapist presents feared stimuli to the patient.
To model and potentially automatize exposure therapy, we conceptualised it as a dynamic closed-loop system that assesses the patient’s fear state (sensor), and updates the stimulus intensity so that arousal levels are optimal for maximizing clinical efficacy (controller). We measured physiological signals to improve the assessment of the current fear state and developed an input (stimulus) – output (fear) mapping for spider phobia to provide the controller with stimuli: the SpiDa database.
55 pre-screened participants were confronted with 175 luminance-matched pictures of spiders, while physiological signals were recorded. After each picture, they were asked to rate the level of fear it induced.
Results from machine learning predictions show that two input variables are contributing most to predicting fear states: the average rating of the current stimulus across participants, and how the current participant had rated previous images. A simple model taking into account these two input variables can on average predict 60% of the variance of fear ratings for previously unseen stimuli.
We conclude that drawing not only on current signals, but also on participants’ previous states and a well-defined stimulus space is most important when designing a controller for future closed loop approaches in therapy and fear research. In support of this, we will make all stimuli and the corresponding reactions publicly available.