面向女性保护的EEG恐惧检测系统优化与验证研究

《IEEE Transactions on Affective Computing》：EEG-based Fear Detection in Women

本研究针对性别偏见下女性情绪识别研究不足的问题，系统优化了基于脑电图（EEG）的女性恐惧情绪识别技术路径。通过比较预处理、特征提取（如MRMR算法筛选）与分类器（如随机森林）组合，确定了以4秒窗口、γ频段融合及自报告标签为核心的最优管道，并在SEED-IV公共数据库中验证了其有效性。该成果为开发低功耗、女性专属的恐惧识别BCI系统提供了关键技术支撑，对性别暴力防治具有重要应用价值。

　　

在情感计算与脑机接口（BCI）技术快速发展的今天，情绪识别已成为人机交互（HCI）领域的热点。然而，现有研究存在明显的性别盲区：尽管大量证据表明情绪识别与表达存在社会化相关的性别差异，女性却在情感评估研究中被严重忽视。尤其令人担忧的是，全球至少有三分之一的女性曾遭受性别暴力（GBV），开发专属于女性的恐惧识别系统对危险情境预警与人身保护具有迫切需求。但当前基于脑电图（EEG）的女性恐惧检测研究寥寥无几，且EEG处理流程中从标注方式、频段选择到特征提取与分类器应用均缺乏统一标准，导致不同研究间难以直接比较，低资源设备适配性更成为实际应用的瓶颈。

为填补这一空白，发表于《IEEE Transactions on Affective Computing》的研究团队开展了一项聚焦女性恐惧情绪的EEG识别技术优化研究。团队首先建立了专属于女性的EEG情感数据库WE-BRAIN，收录27名18-56岁女性在观看14段诱发特定情绪（以恐惧为主）的视听刺激时的EEG数据（采样频率256Hz，14通道）。通过系统对比预处理（如基于均值±5倍标准差的噪声剔除）、特征提取（功率谱密度PSD、微分熵DE、Hjorth参数等）、窗口长度（1/2/4秒）与分类器（支持向量机SVM、随机森林RF等）组合，研究首次明确了最优技术路径：采用4秒非重叠窗口、融合α+β+θ+γ全频段特征，结合MRMR算法筛选扩展特征集，并利用随机森林分类器对自报告标签进行恐惧/非恐惧二分类。该管道在5折交叉验证中达到79%的准确率与76%的F1值，显著优于其他配置。

关键技术方法包括：1）使用Emotiv Epoc X头套采集EEG信号，同步记录多模态生理数据（GSR、ECG等）；2）通过MNE工具包进行信号预处理与特征提取；3）采用MRMR（最小冗余最大相关性）算法进行特征降维；4）利用留一主体出（LOSO）、留半主体出（LASO）及留一视频出（LOVO）等严格数据划分策略验证模型泛化能力。

研究结果揭示：γ频段携带显著恐惧判别信息，其加入使模型准确率提升约5%（p<10^-10），证明其非冗余性；自报告标签较目标标签略优（准确率79% vs 78%）；随机森林在多数配置下稳定领先。然而，在模拟真实场景的严格验证中，模型表现出现分化：LOSO策略下平均准确率仅54±7%，反映个体间EEG变异性对泛化能力的挑战；LOVO测试显示模型对恐惧视频识别率显著低于非恐惧类（p<0.05），可能与恐惧样本连续标注的噪声及非恐惧类别异质性有关。

为验证管道普适性，团队在SEED-IV公开数据库上进行测试。5折交叉验证达到100%准确率，但严格划分（如LOSO）下恐惧类F1值仅5±11%，突显数据不平衡（恐惧样本占25%）与类别定义宽泛对模型性能的影响。当采用四象限PAD情感模型替代二分类时，结果显著改善（LOVO准确率47.28%），证实精细情感分类对提升模型鲁棒性的重要性。

本研究通过系统优化建立了面向女性恐惧识别的低资源EEG处理管道，并公开WE-BRAIN数据库推动性别敏感型情感计算发展。尽管个体差异仍是实际应用的瓶颈，该工作为开发便携式GBV防护设备奠定了技术基础，并警示研究社区需关注数据平衡、个体化建模及多模态融合（如EEG+GSR）等未来方向。