一种可用于嗅觉诱导放松评估的可部署工程框架:用于可穿戴脑电图(EEG)的模块化架构与信号处理流程
作者:Lu Chien-Yu、Su Wei-Zhen、Chien Tzu-Hung、Liao Chin-Wen
《Eng》:A Deployable Engineering Framework for Olfactory-Induced Relaxation Assessment: Modular Architecture and Signal Processing Pipeline for Wearable EEG
Chien-Yu Lu,
Wei-Zhen Su,
Tzu-Hung Chien and
Chin-Wen Liao
【字体:
大
中
小
】
时间:2026年04月28日
来源:Eng 2.4
编辑推荐:
摘要
本文提出了一种模块化系统架构和自动化信号处理流程,旨在利用消费级可穿戴脑电图(EEG)量化人们对香味的神经生理放松反应。通过将实时数据流通过Open Sound Control(OSC)与高性能后端集成,该平台能够通过从频谱功率变化中得出的可重复睡眠准备指数(SRI)来客观
摘要
本文提出了一种模块化系统架构和自动化信号处理流程,旨在利用消费级可穿戴脑电图(EEG)量化人们对香味的神经生理放松反应。通过将实时数据流通过Open Sound Control(OSC)与高性能后端集成,该平台能够通过从频谱功率变化中得出的可重复睡眠准备指数(SRI)来客观评估嗅觉刺激。为了减轻便携式硬件固有的信号质量限制,该框架采用了一系列强大的工程控制措施,包括零相位滤波和自动伪迹剔除,确保了短窗口试验期间数据的完整性。通过对公共睡眠数据集的构建级分析和合成敏感性测试进行验证,证实了该指数的方向可靠性,而运行时基准测试表明其计算时间低于毫秒级,适用于交互式健康应用。最终,该框架提供了一个透明的、可审计的工程框架,用标准化的、会话内的代理指标取代了主观的自我报告,用于比较不同香味的评价。
1. 引言
嗅觉刺激可以显著调节情感状态和生理唤醒,使其成为非侵入性健康干预的一个有吸引力的途径。最近的实验证据表明,令人愉悦的气味通过呼吸相关神经振荡促进催缓和自主神经反应——包括心率减慢、心率变异性增加以及呼吸减慢[1]。在流动环境中同时评估手腕佩戴的光电容积描记法(PPG)与心电图(ECG)得出的心率变异性,表明经济实惠的可穿戴传感器可以捕捉到这种呼吸调节的可用自主神经相关性,尽管与临床参考值相比存在可量化的偏差[2]。在几种植物来源的刺激物中记录了特定的脑电图(EEG)特征:接触樟脑衍生物会减少β和γ波的功率,同时增加θ波的功率,并伴有自我报告的情绪和生理指标的改善[3]。同样,吸入天然精油会产生可测量的α和θ波变化,这与多个树种和受控暴露协议观察到的放松效果一致[4]。尽管有这些越来越多的证据,但在商业和健康环境中,实际的香味评估仍然主要依赖于主观的自我报告量表,这些量表容易受到需求特性、评分者间差异和受访者疲劳的影响。因此,明显需要可扩展的、客观的测量工具,能够在重复的、短窗口试验设计中捕捉到香味引起的神经生理相关性。可穿戴EEG系统为在自然主义和高通量环境中量化这些短期神经生理反应提供了重要机会。微型化EEG硬件的进步产出了能够在临床实验室外实际使用的便携设备[5,6]。对于医疗可穿戴传感的候选身体部位的比较分析表明,前置式硬件解决了信号产出与日常佩戴性之间的主要矛盾,这与当前平台采用的Muse类前置电极几何形状一致[7]。然而,消费级头戴设备相对于研究级系统存在众所周知的局限性:电极数量有限、电极接触不稳定、容易受到运动和肌电图伪迹的影响,以及可用的记录窗口较短[8,9]。这些因素降低了信噪比,并对协议设计、伪迹筛选和特征选择提出了特定要求。干电极和凝胶基记录条件之间的差距在低频谱特征方面尤为突出,因为消费级耳机可能表现出较低的敏感性。这些限制并非不可克服,但任何部署的分析流程都需要通过工程控制来明确解决它们,而不仅仅是依赖事后校正。
本文提出了一个端到端的研究平台,用于使用Muse类可穿戴EEG设备和信号处理流程进行重复的香味试验,该流程将原始的多通道时间序列转换为反映相对睡眠准备度的标准化分数。该设计基于频域分析和生理学上得到支持的假设:更放松或困倦的状态预计会表现出增加的α和θ波活动以及减少的β波活动[10]。我们的睡眠准备指数(SRI)利用从会话内后期窗口计算出的频带功率比,并与无刺激试验0进行基线比较来捕捉这种关系。本工作的贡献有三个方面。首先,我们描述了一个可部署的模块化架构,它集成了可穿戴EEG采集、协议协调和自动化特征提取,形成了一个交互式试验工作流程。其次,我们指定了一个基于线性去趋势、带通滤波、Welch功率谱密度估计和基线比较得分的可重复SRI特征流程,所有参数选择都明确记录在案。第三,我们结合了保守的鲁棒性控制措施——伪迹筛选、生理钳制和可选的z分数标准化——这些都针对短窗口可穿戴EEG测量进行了调整。目标不是临床睡眠分期或诊断;而是提供了一个可解释的会话内代理指标,支持跨多次香味试验的比较分析,所有证据都受到报告评估的限制。
2. 相关工作
本工作涉及三个领域:(i)消费级可穿戴EEG采集和验证,(ii)嗅觉范式的EEG分析,以及(iii)总结短窗口内状态变化的紧凑型比率基谱指数。
2.1. 消费级可穿戴EEG设备
系统性的低成本EEG头戴设备综述涵盖了用于困倦和状态监测的应用,列举了主要设备类别,描述了它们的频率响应和伪迹特征,并强调了预处理要求,包括伪迹剔除、通道质量门控和谱归一化[11]。在这一类别中,Muse系列设备已被评估其在快速、移动测试条件下捕捉事件相关电位和神经振荡的能力,证实了在大型样本范式中可以可靠地提取δ、θ、α和β波特征[12]。单次试验的ERP可靠性和跨会话稳定性得到了进一步表征,表明在仔细设计协议的情况下,Muse设备可以支持会话内分析[13]。干电极与凝胶基记录的谱比较确认,消费级干电极系统可以复现静息状态EEG的主要谱特征,尽管在低频段存在增加的会话间变异性和敏感性限制[8,9]。全面的伪迹管理是可穿戴EEG部署中的一个一致前提:最近的一系列系统综述列举了在可穿戴记录环境中观察到的所有类型的伪迹——运动、肌电图、眼动和阻抗相关的伪迹检测技术[14]。在应用端,可穿戴EEG已扩展到紧凑型形式因子,包括入耳式和眼镜安装式系统,展示了如何通过谱特征实时分类心理压力和认知 workload[5,15]。
2.2. 嗅觉范式的EEG分析
EEG在嗅觉科学中有悠久的研究历史,涵盖了时域嗅觉诱发电位和频域气味相关状态调节的分析。关于嗅觉诱发电位的方法论综述记录了已建立的范式设计、时间约定、个体间变异性以及与短窗口嗅觉EEG直接相关的信号质量挑战[16]。通过便携式电味装置对相邻化学感觉通道进行可穿戴刺激,说明了如何将受控的化学感觉传递封装到消费硬件中,以及如何可重复地表征所诱发的感知,这是一种嗅觉试验平台继承的传递加测量的模式[17]。最近的范式开发工作将刺激传递控制、呼吸监测和时间对齐正式化为可重复嗅觉EE研究的先决条件[18],并且已经在脑-计算机接口框架内积极探索了由嗅觉刺激驱动的α和θ波基于EEG的神经反馈的可行性[19]。人类神经生理学研究证实,植物来源的香味会产生与放松一致的可测量谱变化:樟脑衍生物会减少β波功率并提高θ波功率[3],而更广泛的精油暴露已被证明可以增加α波和θ波功率,同时减少β波功率以及生理和主观放松标志[4]。神经影像学研究还报告了某些香味对静息状态大脑网络连接的长期影响,支持嗅觉刺激可以在急性刺激窗口之外改变大脑振荡状态的解读[20]。重要的是,香味引起的EEG变化并不总是与主观报告一致:在同一会话中比较不同香味时,EEG和心脏评估可能与自我评定的焦虑程度不同[21]。这种差异强调了在香味EE研究中会话内基线比较和严格协议文档的重要性。跨参与者群体的比较EE分析进一步表明,个体在嗅觉敏感性和神经动力学方面的差异需要保守的伪迹处理和条件间归一化[22]。
2.3. 谱指数、信号处理和验证框架
所提出的SRI属于总结EEG状态变化的紧凑型、可解释标量特征的谱比率指数家族。Welch的功率谱密度估计器[23]是从短EEG片段计算频带功率的标准方法,通过时间平均修改后的窗口化周期图提供方差降低的估计值。将增加的α和θ波功率与减少的β波功率与放松和困倦状态联系起来的理论基础在神经科学文献中已经得到了很好的确立[10]。最近的系统综述列举了37种不同的心理参与度谱比率指数公式,确认了它们的广泛采用,但也指出了跨频带和电极配置的标准不足[24]。这类比率已被专门评估为心理工作量和注意力控制的指标,结果支持其在受控认知负荷下的方向有效性[25]。α亚带分析在受控协议下被应用于高精度分类放松状态[26],便携式EE设备已被用于纵向范式中通过前额低α活动监测睡眠质量[6],以及表征静息状态任务中的稳定α振荡[27]。对于唤醒和困倦监测,基于标图的EE表示方法已被提出以提高跨受试者的普适性[28]。关于EE预处理、分解和特征提取的全面方法学综述为本工作中的选择提供了信号处理背景[29,30]。像PhysioNet上托管的Sleep-EDF Database Expanded这样的公共多导睡眠图存储库已在多项研究中用于谱特征的构建验证,证实了即使在简化的处理流程下,频带功率比率也能响应已知的生理状态转换。
在这个候选评分方法家族中,SRI占据了一个特定的工程位置,我们明确指出了这一点,因为方法设计选择本身就是贡献的一部分。表1将所提出的SRI与其他两种广泛使用的比率指数以及监督机器学习和深度学习替代方案进行了对比,这些因素对于消费级可穿戴嗅觉部署至关重要:数据和标签要求、可解释性、计算成本、跨受试者鲁棒性和与放松假设的方向一致性。监督模型——经典的判别分类器和较新的端到端深度网络,如EEG-Conformer风格架构——原则上可以在有足够的标记数据时超越任何固定的标量比率;然而,它们需要大量的标记数据集,往往失去可解释性,并且在消费者部署和教育透明度约束下更难审计。参与指数和α波相对于β波的比率是可解释的,但每个指标只捕捉了放松假设的一个子集;所提出的SRI将两者与相同的分母相结合,更直接地符合关于睡眠起始和困倦的文献。因此,我们保留SRI作为第一阶段的评分规则,并将学习到的特征表示作为未来数据密集型阶段的主题。
3. 材料和方法
3.1. 系统架构
该平台遵循从传感器采集到评分和可视化的模块化流程。一个可穿戴EEG头带将多通道样本流式传输到移动应用程序,该应用程序使用Open Sound Control(OSC)消息通过UDP将数据转发到后端服务,以实现轻量级的实时传输。后端提供了用于会话控制(试验开始/停止)的API,存储会话记录,并在每次试验后立即计算EE特征。桌面用户界面指导参与者完成实验阶段,并显示试验得分和汇总统计信息。可选的远程存储层可用于数据的持久性和可审计性;在本文中,远程基础设施的详细信息被抽象出来,以避免泄露特定于部署的标识符。图1总结了主要组件和数据流。图1. 可穿戴式脑电图(EEG)香水评估平台的高级架构。虚线边界包围了Orion平台的组件。编号的流程包括:①从Muse设备流式传输到移动应用程序的原始EEG样本;②转发到后端服务的实时OSC/UDP数据;③保存到本地或可选远程存储的已处理会话记录;④从桌面用户界面发送到后端的试验控制和协议元数据(虚线,控制路径);⑤计算出的SRI分数和频段功率特征返回到桌面用户界面进行实时可视化。故意省略了特定于部署的标识符。
3.2 实验协议
每次会话包含一个基线试验(试验0),随后是固定数量的香水试验(试验1–6)。每个试验由三个阶段组成:(i)准备/准备期,(ii)暴露/嗅闻期,以及(iii)休息期。持续时间分别为5秒(准备)、6秒(嗅闻)和8秒(休息)。分析窗口定义在嗅闻期,其中第一秒被排除在外,以减少立即发生的机械和行为启动伪迹的影响。因此,特征是从嗅闻期的后半段1–6秒提取的。
可穿戴式EEG配置使用256 Hz的采样率,具有四个通道(TP9、AF7、AF8、TP10)。对于每个试验,系统存储原始EEG样本(通道×时间)、协议时间元数据以及派生的EEG特征。特征是在后半段1–6秒计算得出的,相当于每通道大约1280个样本。试验0建立了会话内的基线SRI和基线频段统计;这些随后用于香水试验中的基线比较和可选的z分数标准化。
3.3 信号处理和SRI评分
本节描述了将原始EEG转换为频段功率特征、SRI和最终试验分数的流程。表2总结了整个处理链中使用的关键配置参数,算法1提供了端到端计算的简洁视图。
算法1 SRI特征提取和基线比较评分
需要:试验的原始EEG数据;采样率;基线和基线统计(可选)
确保:试验特征;伪迹标志
1. 选择1–6秒的后半段指数;提取
2. 对数据进行线性去趋势处理;应用0.5–50 Hz的带通滤波器(零相位)
3. 通过Welch方法估计功率谱密度(PSD);积分频段功率
4. 计算通道功率并将其限制在[0.1, 20.0]范围内
5. 对各通道进行平均以获得SRI
6. 如果总功率大于阈值,则进行z分数标准化
7. 如果是基线试验,则设置基线均值和标准差
8. 否则
9. 计算其他特征
10. (如果适用)计算z分数
11. (如果适用)设置其他参数
12. (如果适用)执行其他操作
表2. 提出的SRI流程中使用的关键信号处理和评分参数。
3.3.1 预处理和频谱特征
设为一通道的原始EEG序列,单位为微伏。首先,线性去趋势处理去除慢速漂移:
(1) 其中a和b是从最小二乘拟合中得到的系数。接下来,应用四阶巴特沃斯带通滤波器(0.5–50 Hz)。因为在触发任何分析之前,整个6秒的试验段落都会被缓冲,所以滤波是在整个时段上实现的(相当于filtfilt操作),而不是逐个样本进行的因果处理;这样可以在放松相关频段内消除相位失真,但代价是使得流程在亚秒级别变得非因果的,这是可以接受的,因为评分只在试验结束后触发。
然后使用Welch方法估计功率谱密度(PSD)。通过在标准EEG频率范围内积分PSD来获得频段功率:
(2) 在实现中,通过Welch频率区间内的离散总和来近似PSD。频段区间被视为半开区间,因此每个离散频率区间只归属于一个频段,边界频率的功率不会被重复计算(例如,8 Hz属于某个频段)。
为了在电极接触变化和会话间幅度漂移的情况下提高可比性,我们同时报告了限制的SRI和相对频段功率。
3.3.2 SRI、基线比较和鲁棒性
睡眠准备指数(SRI)定义为:
反映了一个假设,即增加的Alpha/Theta活动和减少的Beta活动与放松和困倦状态相关。对于每个试验,SRI是从后半段(1–6秒)计算得出的,并在所有通道上取平均。试验0产生一个基线SRI和基线频段统计;这些随后用于香水试验中的基线比较和可选的z分数标准化。
香水刺激的递送是通过从预先加载的密封容器(例如,单独的小瓶或香味条)被动手动采样来实现的,而不是通过仪器化的嗅觉计。每个容器包含固定量、预先测量好的测试香水,这些香水来自同一批次,因此试验间的浓度是通过准备来控制的,而不是通过调节气流来控制的。在嗅闻阶段开始时,实验者的提示下,参与者将容器保持在一恒定距离的鼻子下方,并进行自然、非强迫性的吸入,持续6秒的刺激窗口。在试验之间,容器被密封,并强制至少休息一段时间,以减少嗅觉习惯化和遗留效应。为了限制预期效应和需求效应,不向参与者透露香水的身份和顺序:试验仅在操作者界面上用一个中性的试验索引标记,而在内部部署中评估的具体商业产品名称出于保密考虑没有在本文中提及。这种手动采样协议与最近消费者级别的EEG嗅觉范式一致,这些范式更重视可部署性而非嗅觉计级别的刺激定时。
4. 结果
本节报告了支持所提流程的非敏感性证据,包括(i)一项合成敏感性分析,探讨SRI是否对受控的alpha/beta变化做出单调响应;以及(ii)对实时可用性的第一阶段特征提取例程的运行时基准测试。为了保护参与者隐私和产品机密性,本草案中故意省略了人类会话的结果。### 合成敏感性分析
为了验证SRI是否与其设计意图一致,我们生成了合成的5秒信号,这些信号逐渐增加了alpha功率,同时减少了beta功率,并保持theta功率和噪声水平不变。图3显示,随着控制的alpha到beta的转换(Spearman等级相关性),SRI呈现出单调递增的趋势,并在配置的20上限处达到饱和。图3展示了随着alpha增益的增加和beta增益的减少,SRI也单调增加(5秒窗口,256赫兹频率)。
### 第一阶段特征提取的运行时间基准测试
我们在合成的6秒、四通道试验中对第一阶段特征提取功能进行了基准测试(Muse采样率256赫兹)。表4报告了200次运行中的每次试验的计算时间分布,排除了网络传输和存储开销;这可以分离出决定样本缓冲后试验周转时间的分析计算成本。图4可视化了同样200次运行中每次试验的计算时间分布。观察到的运行时间与交互式使用是兼容的,但需要注意的是,绝对时间取决于硬件和实现方式。
### 讨论
#### 范围和验证边界
在讨论影响之前,我们明确界定了本文的贡献范围。本文是一篇工程和系统框架论文:主要成果包括一个用于重复短窗口可穿戴嗅觉EEG试验的模块化架构、一个生成睡眠准备指数(Sleep Readiness Index, SRI)的透明评分流程,以及一套可审计的工程控制,以确保该流程能在消费级硬件上重现。这不是针对任何特定香味的临床疗效试验,也不是声称具有特定放松效果的心理学研究。因此,我们提供的证据被组织成一个验证阶梯:在Sleep-EDF数据集上的构造级验证表明SRI在公认的清醒状态(Wake)与N2睡眠状态(N2)对比下的响应是预期的;合成敏感性分析确认了在受控alpha/beta转换下的内部单调行为;运行时间基准测试则证明了交互式部署的可行性。每一层都回答了一个不同的工程问题——方向有效性、内部一致性和可部署性——但没有一个可以替代体内香味疗效研究。
#### 范围和验证边界
本文还清楚地说明了Sleep-EDF构造验证与目标可穿戴嗅觉设置之间的差异,因为这些差异是系统性的,不应被忽视。
#### 工程意义、可解释性和教育价值
这项工作是一项工程贡献:它指定了一种用于重复短窗口可穿戴EEG试验的端到端架构,并将该架构与一个透明、可解释、可审计和可重现的特征流程相结合。这种架构选择——从消费级可穿戴设备通过轻量级传输到后端,在每次试验后立即计算特征——不仅仅是一种实现便利。它影响了测量的假设和用户体验。特别是,短的试验持续时间对稳定性和无伪迹时间段的时间造成了严格限制。因此,设计强调了紧凑的频域特征集和保守的质量门槛,而不是那些可能对数据泄漏或在小样本量(N值小)条件下容易过拟合的复杂模型。
SRI的设计具有明确的可解释性:它奖励alpha和theta功率的相对增加,同时惩罚beta功率,反映了这些频段与放松/困倦状态与警觉状态之间的标准关联。合成敏感性分析通过确认在受控alpha/beta转换下的单调行为支持了这种设计的内部一致性。公共数据集的构造验证通过显示在Sleep-EDF数据集上从清醒状态到N2睡眠状态窗口转换时同一比例的增加提供了互补的外部支持。这两种测试都不能替代特定应用的结果验证,但它们共同表明该指数的行为在方向上是合理的,并且不是任意数值变换。
从教育科学的角度来看,该方法支持工程和技术课程中的实际教学过程。学生可以追踪从采样和协议计时到预处理和频谱估计,再到可解释的特征和决策规则的整个流程,并且可以使用附带的脚本重现这些结果,而无需访问专有会话。这种可重复性在基于项目的课程中特别有用,这些课程的目标是学习严格的评估实践(例如,敏感性分析、基准测试和限制分析)以及实时系统的实现。因此,该平台可以作为教授测量不确定性、信号质量以及算法设计选择(窗口化、滤波、功率谱密度参数)与下游可解释性之间关系的框架。
#### 验证的有效性威胁、限制和报告建议
在解释基于SRI的可穿戴EEG短试验分数时,应考虑几个有效性威胁。首先,消费级头戴设备提供了有限的空间覆盖范围,并且对电极接触的变异性敏感;即使底层状态稳定,振幅漂移和通道特定的噪声也会改变相对频段功率估计。因此,本文报告了基于会话内基线的相对频段功率,并包括了可选的z分数标准化,但这些控制措施并不能消除所有混淆因素。其次,短时间窗口降低了频率分辨率并增加了估计器的方差。虽然Welch功率谱密度(Welch PSD)在单周期图上提高了稳健性,但所得到的频段功率估计仍然受有效窗口长度、重叠和段数的影响;因此,敏感性和构造验证部分应被视为最低限度的证据,而不是完整的特性描述。
#### 主体间变异性和跨会话泛化
EEG频段功率的主体间变异性是有充分记录的,这是任何跨通道聚合的标量放松指标的固有限制。在所提出的协议中,有两种不同的变异性来源相互作用:(i)由头骨厚度、电极接触质量、头发和基线唤醒水平驱动的振幅变异性,即使底层状态相同,也会改变绝对频段功率;(ii)反应性变异性,即两个个体对同一香味的反应方向可能截然不同(一个放松,一个变得更加警觉)。会话内的设计通过SRI的比率形式部分解决了这个问题:比率形式大致具有比例不变性,因此接触质量的均匀降低会同时压缩分子和分母,而基于基线的进一步处理则减去了特定于会话的操作点。然而,它并没有解决第二个问题,即嗅觉感知的固有特征,而不是测量伪迹,因此在评分语义中明确表示了这一点:SRI的分数可以是正的、零的或负的,对于一部分参与者来说,负分数被解释为个体反应的真实分歧,而不是模型故障。跨会话和跨主体的SRI值泛化超出了第一阶段的范围,需要专门的未来工作来处理,这将需要预先注册的体内香味实验和独立的结果测量。
#### 设备泛化
尽管当前工作是在Muse级别的四通道头带设备上验证的,但SRI流程本身在算法层面是设备无关的。最低要求是:(a)至少有四个覆盖前额和/或颞区的头皮接触通道,(b)采样率至少为128赫兹或更高,以避免混叠,(c)可用频带包括0.5–50赫兹,以及(d)每次试验的时间支持5–6秒的分析窗口。任何满足这些要求的消费级或研究级头戴设备原则上都可以无需修改评分规则即可运行该流程。然而,我们提供的设备级验证仍然局限于Muse级别的硬件,实际上有两种具体的变化可能影响操作点:首先,不同头戴设备的电极材料和头皮接触不同,因此用于粗略伪迹筛选的绝对功率阈值在部署前应在每个新设备上进行重新评估;其次,具有不同电极位置的头带设备(例如,入耳式或枕骨主导的系统)会强调不同的频段功率贡献,可能需要针对特定设备调整sigmoid映射的校准。
#### 结论
本文介绍了一个可部署的架构和一套可供审查者审核的信号处理流程,用于分析重复嗅觉试验中的短窗口可穿戴EEG数据。核心方法学贡献是睡眠准备指数(SRI),它是从晚期(1–6秒)分析窗口计算得出的,并与使用试验0的会话内基线进行比较。该流程使用了线性去趋势处理、0.5–50赫兹的带通滤波器、Welch PSD估计和频段功率积分来生成原始SRI和相对频段功率特征。包括了稳健性控制措施——伪迹检测、生理限制和可选的基于基线的z分数标准化——以减少短记录中的不稳定性,并防止极端值主导试验排名。
### 展望和实际建议
对于工程团队和研究人员来说,主要的实际建议是将基于SRI的分数视为会话内的代理测量,适用于在固定协议下的比较评估,而不是独立的临床指标。在实践中,高质量的发布应报告完整的测量上下文链:采样率、通道设置、窗口化、功率谱密度设置、伪迹阈值以及被中性评分或排除的试验数量。报告原始的SRI值以及基于基线的变化比率可以提高数据的可解释性,并降低对单一标量得分过度解读的风险。在跨会话或跨受试者进行比较时,应预先指定基线标准化策略,并对基线的稳定性进行合理性检查。从研究的角度来看,下一步是在不牺牲可解释性的前提下增强外部有效性。这可以通过添加预先注册的评估来实现,这些评估包含独立的结果(例如标准化主观量表、行为指标或客观的睡眠相关测量数据),并通过在实际的噪声源(如运动干扰、阻抗漂移、数据包丢失和时间抖动)下对系统的鲁棒性进行压力测试。在方法论上,未来的工作可以扩展到基于多通道表示的学习模型,但这些扩展应保持训练数据、评估结果以及用于做出决策的评分规则之间的明确区分。保持架构的模块化以及信号处理流程的透明性,将有助于确保改进措施的可重复性、报告的合规性,并使其适合工程应用和教育用途。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号