从大脑到干预：基于 OpenBCI 与机器学习的实时压力检测框架

《Neurocomputing》：From Brain to Intervention: A Framework for Real-Time Stress Detection Using OpenBCI and Machine Learning

　　

摘要
压力检测是目前面临的主要挑战，因为它不明显，也因为人体并不总是以可预测的方式做出反应。然而，使用单一类型的传感器来记录这种压力数据，可能会忽略人体压力反应的细微复杂性。为了解决这个问题，本文提出了一种新方法，通过将大脑波与心率和行为数据相结合，将身体视为一个整体单元。为了使他们收集的数据详细反映人类的压力周期，参与者经历了四个不同的场景：放松、压力、全心冥想和恢复。这使得各种生理信号能够协调到一个快速系统中，该系统能够感知现实世界中已知的压力。该算法通过广泛的滤波设备建议和独立成分分析 (ICA)，在正常运动产生的噪声中识别出独特的神经信号。然后，它将如此详细的大脑波模式与重要的心率和血压信息相匹配。该系统将这些生理指标与心理测量 PSS-10 量表进行比较，从而创建一个既具有临床意义又在技术上正确的多层压力评估。系统的稳定性已通过留一主体验证 (LOSO) 程序进行测试，这表明该模型广泛适用于之前未知的个体，且生理参数各异。实验结果表明，集成模型达到了 99.33% 的准确率，这远高于仅基于 EEG 或心血管信号的传统方法。此外，系统的响应时间少于两秒，这意味着它足够快，可用于现实生活中的应用，甚至医疗设备或临床系统，以帮助个人在压力发生时立即进行管理。

引言
心理压力已成为 21 世纪紧迫的社会健康问题，全球影响超过 2.64 亿个体，并单独造成每年超过 1 万亿美元的经济损失 [1], [2]。压力相关疾病的普遍发生，及其对心血管疾病、抑郁症和代谢疾病的影响，导致了对可扩展和客观的压力检测和监测手段的即时需求 [3], [4]。经典的压力评估技术尽管经过临床验证，但在实际使用中存在严重局限性。诸如感知压力量表 (PSS) 或状态 - 特质焦虑清单 (STAI) 等自我报告问卷仅仅是主观的且容易受偏差影响，而基于实验室的方案如特里尔社会压力任务则需要专业设备和受控条件 [5], [6]。

这些传统方法也是受限的，因为它们是间歇性的，无法捕捉自然环境中出现的压力的动态模式 [7]。机器学习 (ML) 策略已成为解决这些缺点的创新解决方案，因为它们基于多模态数据的集成，提供自动、客观和连续的压力预测 [8], [9]。可穿戴传感器设备的近期进展、智能手机的普遍性以及强大的 ML 算法的结合，促进了能够在现实世界环境中 24/7 追踪压力模式的系统的创建，甚至在大规模下也是如此 [10], [11]。

ML 应用于压力预测有多种算法选项，每种在不同部署情况下都有特定的优势。经典的监督技术，如支持向量机 (SVMs) 和集成技术，如随机森林和 XGBoost，在基于生理信号精心设计的特征进行分类压力方面显示出强劲结果 [12], [13]。SVMs 特别是已证明在小规模特征集上表现良好且不易过拟合，这使它们适用于资源受限的应用 [14]。深度学习框架通过引入原始传感器数据的端到端学习而无需手动特征工程，改变了压力预测的方式。使用卷积神经网络 (CNNs) 对心电图 (ECG) 和光电容积脉搏波 (PPG) 等生理信号进行分层时间特征自动提取，可以在存在大量训练数据时实现更高性能 [15], [16]。PPG 信号是一种由两部分组成的信号，即负责血液和组织性质恒定体积的直流 (DC) 部分，以及代表心脏每次泵血时血液体积变化的交流 (AC) 部分。信号中可以分析多种与健康相关的信息，并且可以通过信号的导数，即二阶导数，推导出更多关于心血管健康的信息。循环神经网络 (RNNs)，特别是长短期记忆 (LSTM) 网络，具有捕捉生理反应对压力的时间相关特征的能力，无论是在急性压力事件还是长期动态中 [17], [18]。标签压力数据稀缺的问题最近通过使用自监督学习的最新进展得到了解决，它将对比学习技术应用于在未标记的生理数据上学习有意义的表示 [19]。

这些方法允许使用尽可能少的未标记数据开发模型，并在竞争水平上表现，使得系统的部署成本更低且更简单。基于 ML 的压力预测系统的有效性在于所有其他数据模态融合的复杂性，这显著反映了压力反应多方面性质的复杂性。大多数方法基于生理标志物的理念，研究最广泛的是心率变异性 (HRV)，因为它与自主神经系统的活动有直接相关性 [20], [21]。时域、频域和非线性 HRV 特征代表了心脏自主活动的完整表征，这使得在广泛人群中对压力进行分类成为可能。皮肤电活动 (EDA) 提供了关于交感神经系统激活的互补数据，相应的张力和相位分量提供了关于基线压力水平和急性压力状况的详细信息 [22]。这种多生理模式的先进融合技术总是被证明优于单一模态方法 [23], [24]。随着以智能手机传感器为先锋的数字表型的出现，使用表明压力状况的行为模式在压力预测中揭示了新发现。为了增强这一点，通过加速度计（身体活动模式）、GPS 位置（移动模式）、应用程序使用统计和通信模式获得的数据都代表了行为画像的特征 [25], [26], [27]。物联网 (IoT) 设备 和环境传感允许考虑噪声水平、空气质量和照明条件等外部压力源，并提供上下文信息，这可以提高预测的准确性 [28]。通过多模态融合架构将个人生理数据与环境信息合并，是迈向更通用压力预测解决方案的一条令人兴奋的路径。

然而，尽管基于机器学习的预测系统取得了巨大进展，但仍有一些关键问题阻碍了压力预测手段的大规模应用。个体间压力反应的差异本质上是一个问题，难以提出可泛化的模型，因为诸如年龄、性别和健身状态以及预先存在的生理差异等变量大大决定了压力模式 [29], [30]。生产能够调整个人特征且仍提供群体层面知识的定制化模型是一个正在进行的研究领域。数据质量和标准化问题也是额外的挑战，运动伪影、传感器移位和环境干扰显著降低了现实世界应用中信号的质量 [31]。由于缺乏跨研究的标准数据收集协议，这使得跨研究比较变得困难，并使提出强大、可泛化的模型变得具有挑战性 [32]。隐私和伦理问题也是日益增长的关注点，因为预测压力的系统需要不断收集敏感的生理和行为信息 [33]。隐私关注的关注点以及需要遵守隐私规则同时保持模型性能的要求，需要开发像联邦学习和差分隐私这样的隐私保护算法 [34]。

尽管最近在压力检测系统方面有进展，但现有系统存在许多局限性，包括单一模态传感、对其他主体的泛化能力差、多模态生理和心理信息集成有限，以及缺乏负担得起的实时可穿戴实施。这些挑战推动了实用且稳健的多模态压力检测框架的发展。为解决这些挑战，本文做出了以下贡献：
1. 提出了一种统一的框架，结合 EEG、血压、心率和 PSS 进行实时压力检测。
2. 为可穿戴 OpenBCI 信号构建了强大的预处理和特征提取管道，以增强信号质量和分类性能。
3. LOSO 验证的应用使框架适合实际部署，并表现出强大的跨主体泛化能力。
4. 应用全心冥想进行全方位的压力监测和管理体系。

本文的结构如下：第 2 节是文献综述和现有方法综合的描述。提出的集成框架架构显示在第 3 节。第 4 节讨论了方法论，包括数据收集过程、预处理和实际的机器学习过程。统一的实验结果讨论在第 5 节。第 6 节讨论了影响和使用。最后一节是局限性和未来方向 (7)。第 8 节是本文的结论。

章节片段
基于机器学习的压力检测
与十年前相比，基于 EEG 的压力检测现状相当发达，但不同研究中使用的方法的异质性也是缺乏对最佳管道共识的一个迹象。独立成分分析 (ICA) 在预处理阶段仍然占主导地位：Negara 等人添加了 ICA 到相对于基线归一化的相对差异中，并说在结构化差分熵特征上使用 CNN 对 SAM-40 数据看到了 94.44% 的准确率 [35]。

提出的方法论
为了实现第 2.4 节末尾所述的研究空白，提出了一种智能压力检测和管理系统的通用框架，该系统结合了当前研究中最有效的元素。该框架由五个相互连接的层组成，如图 1 所示，每一层都设计用于满足特定的功能需求。每一层在随后的子节中都有详细解释。

方法论
设计了一个四阶段实验协议，以实施和验证上一节提出的基于五层系统架构的多模态压力检测框架。五层架构描述了系统中的功能组件和信息流，而实验协议描述了在数据收集、预处理、特征提取、压力期间为了实现每个这些组件而采用的操作程序。

结果
对分类准确率、灵敏度、特异性和泛化行为的定量评估被开展，以分析所提出的多模态机器学习框架在实际实施后的分类行为。结果部分呈现了这些结果，首先是对混淆矩阵的分析，随后是关于指标的绩效比较。

讨论
实验的发现表明，多模态生理融合可以大大提高基于机器学习的压力检测系统的灵敏度、可靠性和泛化能力。EEG 也被确定为所有研究模型中最常见的单一模态信号源，准确率为 85.55%，且具有像 Alpha/Theta 比值这样的光谱标记的良好可分性。然而，它们表现出显著更大的统计显著性绩效。

结论
在本文中，展示了一种高精度、低延迟的架构，在保持秘密实时压力检测的同时，这意味着将实验室规模神经生理测量与心理健康感知带入现实世界。为克服当前研究采用的单一模态生理测量固有的不确定性而使用的策略之一是时间对齐的 EEG 谱活动、心血管线索和上下文分析的汇流。

未引用的参考文献
[65]; [66]; [67]; [68]; [70]; [71]; [72]; [73]; [74]; [75]; [76]; [77]; [78]; [79]; [80]; [127]; [128]; [129]; [130]; [152]; [153]

CRediT 作者贡献声明
Harish Kenchannavar: 写作 – 审阅与编辑，写作 – 原创草案，验证，监督，项目管理，方法论，概念化。Rajeshwari Hegde: 写作 – 审阅与编辑，可视化，验证，资源，调查。

Shrivatsa Perur：写作 – 初稿，可视化，方法论，调查，形式分析，概念化。Shanmugasundaram Hariharan：写作 – 审阅与编辑，写作 – 初稿，方法论，形式分析。

Anita 利益冲突声明

作者声明，他们不存在已知的竞争性经济利益或个人关系，这些利益或关系可能被认为会影响本文所报道工作的客观性。

致谢

作者谨向贝拉维 Jain 工程学院计算机科学与工程系，以及 DSCE、KLSGIT、Vel Tech Rangarajan Dr. Sagunthala 科学技术研究所和班加罗尔 BMS 工程学院的相关参与部门表示感谢，他们以基础设施和实验室设施的形式提供了进行本研究所需要的设施。特别感谢参与数据收集的志愿者。

Shrivatsa Perur 是计算机科学副教授，拥有超过十年的教学与研究经验。他的研究兴趣包括应用机器学习、神经计算和脑机接口，重点专注于脑电图（EEG）信号处理与压力分析。他的工作将统计建模与可解释人工智能相结合，应用于认知与心理健康领域，并在智能健康分析方面拥有多篇同行评审出版物和专利。

Shrivatsa Perur|Harish Kenchannavar|Rajeshwari Hegde|Anita Kenchannavar|Amruta Deshpande|Shanmugasundaram Hariharan

计算机科学与工程系，Jain 工程学院，贝拉维，卡纳塔克邦，印度