You are here: University of Vienna PHAIDRA Detail o:1644010
Title (eng)
Predicting psychological embeddings of fear-related stimuli in a multidimensional space using deep neural networks
Parallel title (deu)
Vorhersage mentaler Repräsentationen angstbezogener Stimuli in einem multidimensionalen Raum mithilfe von Deep Neural Networks
Author
Dominik Pegler
Advisor
Frank Scharnowski
Co-Advisor
Filip Melinščak
Assessor
Frank Scharnowski
Abstract (deu)
Angstbezogene visuelle Stimuli werden häufig in der Konfrontationstherapie eingesetzt, einer gängigen Methode zur Behandlung von Angststörungen. Um Angststörungen besser zu verstehen, kann es hilfreich sein zu wissen, wie Personen die dazugehörigen Reize mental repräsentieren. Häufig werden Ähnlichkeitsbewertungen von solchen Reizen verwendet, um mentale Repräsentationen als multidimensionalen Raum mathematisch darzustellen. Diese zu sammeln, ist eine zeitaufwändige, oft unlösbare Aufgabe. Hier wurde am konkreten Beispiel der Spinnenphobie untersucht, ob solche multidimensionalen Repräsentationen von künstlichen neuronalen Netzen erzeugt werden können. Bisherige Forschung hat diesen Ansatz nur für Bilder von simplen Objekten verwendet. In der vorliegenden Studie haben 77 Teilnehmer Ähnlichkeitsbewertungen von Spinnenbildern abgegeben. Mittels multidimensionaler Skalierung (MDS) wurde ein mehrdimensionaler Raum der Bilder erstellt, in welchem Unähnlichkeiten durch Distanzen dargestellt waren. Anschließend wurde ein Ensemble künstlicher neuronaler Netze (Convolutional Neural Networks; CNNs) trainiert, um diese mehrdimensionalen Repräsentationen zu reproduzieren. Alle vier resultierenden MDS-Dimensionen konnten von den CNNs erfolgreich vorhergesagt werden. Die Ergebnisse zeigen, dass CNNs mehrdimensionale Repräsentationen komplexer, angstbezogener Bilder generieren können. Offen bleibt, ob diese Reize in klinischen Populationen anders repräsentiert werden als in der Allgemeinbevölkerung. Weitere Einschränkungen wie geringe Stichprobengröße und ein unsystematisch zusammengestelltes Bilderset könnten in zukünftigen Studien überwunden werden. Die Methode könnte jedenfalls richtungsweisende Erkenntnisse für die Entwicklung von Angsttherapien bringen, wenn man sich zukünftig den Fragen widmet, wo in diesem multidimensionalen Raum jene Bilder liegen, die am meisten mit Angst assoziiert sind, und wie man aus diesem Raum Bilder für Konfrontationstherapie auswählen kann, um für die jeweilige Person den optimalen Therapieerfolg zu erzielen.
Abstract (eng)
Fear-related visual stimuli are often used in exposure therapy, a popular method of treating anxiety disorders. To better understand anxiety disorders, it is helpful to understand how fear-related stimuli are mentally represented. Similarity judgments of such stimuli are often used to infer mental representations as a multidimensional space. Collecting them is a time-consuming and often impossible task. The present study aims to investigate whether these representations can be generated using artificial neural networks, taking arachnophobia as a specific example. Previous research has only used this approach with images of simple objects, but not with more complex images. An online experiment was conducted to collect similarity judgments of spider images from 77 crowdsourced participants. Multidimensional scaling (MDS) was used to create a latent space of the images, in which their similarities were reflected by their distances along a predetermined number of dimensions. An ensemble of convolutional neural networks (CNNs) was then trained to reproduce these multidimensional embeddings. All four resulting MDS dimensions could be successfully predicted by the CNNs. Furthermore, when applied to an entirely new and unseen set of stimuli, the CNNs were able to create a latent space that resembled the dimensions of the original space. The results show that CNNs can predict the embeddings of complex, fear-related images. However, the study leaves open whether these stimuli are represented differently in clinical populations than in the general population. Other limitations, such as the small sample size and an unsystematically collected image set, could be overcome in future studies. In any case, the method could provide insight into the development of anxiety therapies by addressing the questions of where in this multidimensional space the images most associated with anxiety are located and how to select images for exposure therapy from this space to achieve optimal outcome for the individual patient.
Keywords (deu)
SpinnenphobieAngststörungMentale RepräsentationenKünstliche neuronale NetzeMultidimensionale SkalierungKonfrontationstherapie
Keywords (eng)
ArachnophobiaAnxiety DisorderMental RepresentationsConvolutional Neural NetworksMultidimensional ScalingExposure Therapy
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1644010
rdau:P60550 (deu)
35 Seiten : Illustrationen
Number of pages
35
Association (deu)
Members (1)
Title (eng)
Predicting psychological embeddings of fear-related stimuli in a multidimensional space using deep neural networks
Parallel title (deu)
Vorhersage mentaler Repräsentationen angstbezogener Stimuli in einem multidimensionalen Raum mithilfe von Deep Neural Networks
Author
Dominik Pegler
Abstract (deu)
Angstbezogene visuelle Stimuli werden häufig in der Konfrontationstherapie eingesetzt, einer gängigen Methode zur Behandlung von Angststörungen. Um Angststörungen besser zu verstehen, kann es hilfreich sein zu wissen, wie Personen die dazugehörigen Reize mental repräsentieren. Häufig werden Ähnlichkeitsbewertungen von solchen Reizen verwendet, um mentale Repräsentationen als multidimensionalen Raum mathematisch darzustellen. Diese zu sammeln, ist eine zeitaufwändige, oft unlösbare Aufgabe. Hier wurde am konkreten Beispiel der Spinnenphobie untersucht, ob solche multidimensionalen Repräsentationen von künstlichen neuronalen Netzen erzeugt werden können. Bisherige Forschung hat diesen Ansatz nur für Bilder von simplen Objekten verwendet. In der vorliegenden Studie haben 77 Teilnehmer Ähnlichkeitsbewertungen von Spinnenbildern abgegeben. Mittels multidimensionaler Skalierung (MDS) wurde ein mehrdimensionaler Raum der Bilder erstellt, in welchem Unähnlichkeiten durch Distanzen dargestellt waren. Anschließend wurde ein Ensemble künstlicher neuronaler Netze (Convolutional Neural Networks; CNNs) trainiert, um diese mehrdimensionalen Repräsentationen zu reproduzieren. Alle vier resultierenden MDS-Dimensionen konnten von den CNNs erfolgreich vorhergesagt werden. Die Ergebnisse zeigen, dass CNNs mehrdimensionale Repräsentationen komplexer, angstbezogener Bilder generieren können. Offen bleibt, ob diese Reize in klinischen Populationen anders repräsentiert werden als in der Allgemeinbevölkerung. Weitere Einschränkungen wie geringe Stichprobengröße und ein unsystematisch zusammengestelltes Bilderset könnten in zukünftigen Studien überwunden werden. Die Methode könnte jedenfalls richtungsweisende Erkenntnisse für die Entwicklung von Angsttherapien bringen, wenn man sich zukünftig den Fragen widmet, wo in diesem multidimensionalen Raum jene Bilder liegen, die am meisten mit Angst assoziiert sind, und wie man aus diesem Raum Bilder für Konfrontationstherapie auswählen kann, um für die jeweilige Person den optimalen Therapieerfolg zu erzielen.
Abstract (eng)
Fear-related visual stimuli are often used in exposure therapy, a popular method of treating anxiety disorders. To better understand anxiety disorders, it is helpful to understand how fear-related stimuli are mentally represented. Similarity judgments of such stimuli are often used to infer mental representations as a multidimensional space. Collecting them is a time-consuming and often impossible task. The present study aims to investigate whether these representations can be generated using artificial neural networks, taking arachnophobia as a specific example. Previous research has only used this approach with images of simple objects, but not with more complex images. An online experiment was conducted to collect similarity judgments of spider images from 77 crowdsourced participants. Multidimensional scaling (MDS) was used to create a latent space of the images, in which their similarities were reflected by their distances along a predetermined number of dimensions. An ensemble of convolutional neural networks (CNNs) was then trained to reproduce these multidimensional embeddings. All four resulting MDS dimensions could be successfully predicted by the CNNs. Furthermore, when applied to an entirely new and unseen set of stimuli, the CNNs were able to create a latent space that resembled the dimensions of the original space. The results show that CNNs can predict the embeddings of complex, fear-related images. However, the study leaves open whether these stimuli are represented differently in clinical populations than in the general population. Other limitations, such as the small sample size and an unsystematically collected image set, could be overcome in future studies. In any case, the method could provide insight into the development of anxiety therapies by addressing the questions of where in this multidimensional space the images most associated with anxiety are located and how to select images for exposure therapy from this space to achieve optimal outcome for the individual patient.
Keywords (deu)
SpinnenphobieAngststörungMentale RepräsentationenKünstliche neuronale NetzeMultidimensionale SkalierungKonfrontationstherapie
Keywords (eng)
ArachnophobiaAnxiety DisorderMental RepresentationsConvolutional Neural NetworksMultidimensional ScalingExposure Therapy
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1649544
Number of pages
35
Association (deu)