《CNS Neuroscience & Therapeutics》:AI-Driven Hemodynamic Detection of Self-Induced Daydreaming With EMG-Based Physiological Triggers During Pre- and Post-Prandial States Using fNIRS and EGG
编辑推荐:
摘要
背景:白日梦(DD)既可以通过监测以避免在执行实操任务时分心,也可用于增强创造力。尽管脑记录和机器学习领域已有大量研究,但某些问题仍未得到充分关注,其中之一便是结合生理信号和餐前餐后状态对白日梦状态进行自动化识别与分类。迄今为止,研究者仅依赖基于主观问卷
摘要
背景:白日梦(DD)既可以通过监测以避免在执行实操任务时分心,也可用于增强创造力。尽管脑记录和机器学习领域已有大量研究,但某些问题仍未得到充分关注,其中之一便是结合生理信号和餐前餐后状态对白日梦状态进行自动化识别与分类。迄今为止,研究者仅依赖基于主观问卷的白日梦识别方法,忽视了神经血流动力学变化。
方法:本研究引入基于肌电图(EMG)的生理触发器,用于检测餐前和餐后状态下自我诱导的白日梦(SiDD)片段。为了通过人工智能(AI)驱动的血流量动力学监测大脑,并结合胃电信号(EGG)分析自我诱导白日梦期间的胃部电活动,研究人员记录了30名参与者的功能性近红外光谱(fNIRS)和EGG信号,并进行了同步预处理与调查。利用这两种模态分析了白日梦片段的持续时间和频率,随后进行特征提取和类别标签编码,以实现白日梦和餐食状态的四分类。
结果与结论:机器学习模型被用于分类,最终白日梦检测的最高测试准确率达到90.77%,并揭示了食物摄入与白日梦之间的联系。
未来工作:未来,本研究可作为多模态监测系统的初步基础,用于并行评估认知状态与饮食摄入模式分析。该研究还可推动心理健康与注意力健康领域的个性化治疗发展。
论文解读:基于多模态生理信号的餐前餐后白日梦状态检测研究
本研究聚焦于通过客观生理信号监测自我诱导的白日梦(SiDD),并探讨其与餐前(Pre-prandial)及餐后(Post-prandial)状态的关联。针对现有研究过度依赖主观问卷而缺乏神经血流动力学证据的现状,研究人员开发了一套结合肌电图(EMG)、功能性近红外光谱(fNIRS)和胃电图(EGG)的人工智能检测框架。该研究由Emily等人、Hagar等人及Halleyson等人的理论基础支撑,旨在解决传统方法无法捕捉真实认知状态的局限性,相关成果发表于《CNS Neuroscience》。
关键技术方法
研究人员招募了30名符合纳入标准的受试者(BMI正常、无精神健康问题等),实验采用BIOPAC MP36系统采集右侧颞肌EMG信号及腹部EGG信号,使用NIRSport系统采集前额叶皮层20通道fNIRS数据。核心技术流程包括:设计基于咀嚼抑制的EMG生理触发器以标记白日梦时段;应用动态血流响应函数(dHRF)进行fNIRS通道选择(Z-score法)及特征选择(互信息MI、递归特征消除RFE及树模型TB);构建标签幂集变换(LPT)生成四分类数据集;最终采用CatBoost等机器学习模型进行分类验证。
研究结果
1. 白日梦时长与频率分析
统计分析显示,受试者在餐前的白日梦总时长显著长于餐后,平均下降幅度约为30%。在频率方面,餐后的白日梦发作次数较餐前减少了约25%至三分之一,表明进食行为显著抑制了自我诱导的白日梦的发生。
2. 血流动力学响应与脑激活图谱
fNIRS脑激活图谱揭示,在餐前及餐后的白日梦状态下,前额叶及内侧颞叶皮层的含氧血红蛋白(HbO)浓度均显著升高,最高可达3×10-3。相比之下,非白日梦状态下该区域呈现低代谢的蓝色区域。特别值得注意的是,餐后白日梦状态的脑激活强度明显低于餐前,这一现象与“食困”(Food Coma)状态下的代谢及激素变化(如胰岛素、血清素释放)导致的认知警觉性下降相吻合。
3. 基于窗口的二分类结果
针对fNIRS信号的窗口分析表明,随着特征提取窗口从5秒延长至15秒,分类器性能逐步提升。其中CatBoost模型在15秒窗口下表现最佳,测试准确率达到87.69%,F1分数为87.83%。这表明较长的窗口能更完整地捕获与认知状态相关的缓慢血流动力学变化。
4. fNIRS通道选择
通过T检验结合向后消除法以及Z-score法进行通道筛选后发现,自动通道选择(Auto CH)优于固定数量的通道配置。经T检验法筛选的自动通道集配合CatBoost模型取得了最高的测试准确率90.29%及F1分数90.72%,证明精简高信息量通道可有效提升模型泛化能力。
5. fNIRS特征选择
在互信息(MI)、递归特征消除(RFE)和树模型(TB)三种特征选择方法中,树模型选出的8个特征子集(包含峰值Peak、均方根RMS、极低频VLFO等)表现最优,使得CatBoost模型的测试准确率达到90.77%。这证实了频谱变异成分与非线性统计矩在区分认知负荷中的主导地位。
6. 基于EGG的餐食状态分类
利用EGG信号的16个特征进行二分类(餐前vs餐后),CatBoost模型在30秒窗口下取得了90.1%的测试准确率。这表明胃电慢波活动(约3次/分钟CPM)是区分消化状态的可靠生物标志物。
7. 四分类问题
当将白日梦(DD vs 非DD)与餐食状态(餐前vs餐后)合并为四分类问题时,模型性能有所下降(测试准确率83.01%,F1分数82.88%)。混淆矩阵分析显示,随着分类维度的增加,fNIRS信号在同时编码认知漂移与代谢状态时的区分度降低,表明多状态并发增加了模式识别的复杂度。
结论与讨论
研究人员指出,基于EMG的生理触发机制能够有效捕捉注意力脱离外部环境的时刻,为AI模型提供了无偏的标注依据。本研究表明,CatBoost算法在处理fNIRS和EGG时间序列数据方面具有卓越的性能,其分类精度超越了既往研究中SVM模型在类似任务上的表现。此外,研究量化了“食困”现象对认知功能的客观影响,证实了餐后代谢反应会显著降低白日梦的频率与持续时间。未来,该技术有望作为多模态监测系统的基石,应用于认知状态评估与饮食模式分析的并行处理,并为心理健康领域的个性化干预提供生理学依据。