音乐诱发脑电信号用于心理健康评估的二分类与三分类研究

《Frontiers in Systems Neuroscience》：Music-evoked EEG signals for mental health assessment using two- and three-class classification

　　

摘要 引言： 脑电图（Electroencephalography，EEG）作为一种非侵入性的脑活动测量方法，已成为心理健康研究中检验与各种心理障碍及神经反馈疗法（包括音乐疗法）相关神经活动的重要工具。然而，在音乐与无音乐条件下使用EEG进行心理健康筛查的有效性仍未得到充分验证。 方法： 在这项初步研究中，研究人员实施了一项实验方案，48名参与者在音乐与无音乐两种条件下接受了EEG记录，并遵循相同的放松指令。同时采用了患者健康问卷-9（Patient Health Questionnaire-9，PHQ-9）和广泛性焦虑障碍7项量表（Generalized Anxiety Disorder 7-item，GAD-7）。针对每个精神疲劳类别提取了五种互补的EEG特征：不同频段的功率谱密度（Power Spectral Density，PSD）、频带功率、α-θ比值、θ-β比值以及通道相干性（Coherence）。采用深度残差多层感知机（Multi-Layer Perceptron，MLP）——一种带有残差跳跃连接的前馈神经网络，实现了二分类（精神疲劳）和多输出二分类（焦虑、抑郁和压力成分）。留一被试交叉验证（Leave-Subject-Out Cross-Validation，LOSO-CV）确保了稳健的泛化能力，所有指标均在受试者层面而非片段层面计算。 结果： 对于二分类任务，模型在音乐条件下达到了72.92%的准确率，在无音乐条件下为58.33%的准确率，其中音乐条件下的召回率尤为突出（96.67%）。音乐条件下的多输出分类结果显示，压力分类具有较高的准确率（93.75%）但AUC较低（35.56%），这反映了压力类别的高患病率（85.7%），而焦虑和抑郁的分类则面临更大挑战（准确率分别为54.17%和62.50%）。 讨论： 这些初步结果表明，音乐可能以增强精神疲劳状态可区分性的方式调节脑活动模式，尽管固定的条件顺序意味着无法排除顺序效应和习惯化效应。

论文解读：基于音乐诱发脑电信号的心理健康评估研究

一、研究背景与问题提出

心理健康障碍，包括焦虑、抑郁以及持续性压力等相关状态，已成为全球重大健康挑战，影响数百万人的生活质量和生产力。传统的心理健康评估方法主要依赖自我报告问卷和临床访谈，常用工具包括广泛性焦虑障碍7项量表（GAD-7）、患者健康问卷-9（PHQ-9）、多维疲劳量表（MFS）和感知压力量表（PSS）。尽管这些工具在筛查和初步诊断中有效，但其本质上具有主观性，易受社会期望偏差、回忆偏差和参与者当前情绪状态等多种偏倚影响。

脑电图（EEG）作为一种非侵入性脑电活动测量方法，已成为心理健康研究中的重要工具。不同的EEG波形模式，如γ、α、β、θ和δ频段，与特定的心理状态和认知过程相关联。例如，额叶α不对称性与抑郁症相关，而β活动增强与焦虑状态相关。然而，现有的大多数基于EEG的心理健康研究依赖传统的静息态记录，其神经活动反映的是相对稳定、无刺激的基线状态。音乐聆听则能调动注意力、情绪和记忆网络，诱发更广泛、更具条件特异性的神经动力学。研究人员假设，音乐诱发的反应能够放大疲劳相关的脑活动差异，从而比静息态EEG暴露更多具有判别力的生物标志物。因此，本研究将音乐作为一种记录情境而非治疗干预手段，评估其是否能增强精神疲劳状态的可分离性。尽管已有研究探索了AI和EEG在评估音乐对抑郁和焦虑影响方面的应用，但针对精神疲劳以及应用AI评估音乐对精神疲劳影响的研究仍然较少。

二、研究设计与主要结论

研究人员开展了一项初步研究，从阿联酋大学招募了49名受试者，其中1名因问卷数据不完整被排除，最终纳入48名（30名女性，18名男性；年龄范围18-25岁）。每位参与者完成标准自我报告问卷后，由一名对EEG数据不知情的持证临床心理学家根据标准化疲劳评估将其分为精神疲劳组或非精神疲劳组。每位受试者先进行5分钟无听觉刺激的EEG记录，随后进行5分钟有听觉刺激的记录，条件顺序固定（先无音乐后有音乐）。音乐条件使用的听觉刺激为REIKI WORLD的《Ambiance》曲目。EEG数据通过g.USB放大器配合16通道干电极帽按照10-20系统记录，采样率为1200Hz。

研究结果表明，音乐条件下的二分类准确率（72.92%）显著高于无音乐条件（58.33%），音乐条件下的召回率高达96.67%。这一显著差异提示音乐聆听可能以增强精神疲劳状态可区分性的方式调节脑活动模式，但固定的条件顺序意味着无法排除顺序效应或习惯化效应。该研究代表了迈向客观、AI驱动的EEG心理健康筛查的一步，可能有助于早期发现和更有效的心理健康监测，但研究结果仍属初步性质，不适用于临床诊断。

三、关键技术方法

研究人员采用了以下主要技术方法：实验设计方面，48名参与者在音乐与无音乐两种条件下接受EEG记录，并完成标准化心理问卷。信号预处理方面，使用四阶巴特沃斯带通滤波器（1-45Hz）和50Hz陷波滤波器，并通过独立成分分析（ICA）去除伪迹。特征提取方面，提取了五种互补特征：功率谱密度（PSD）、频带功率、α-θ比值、θ-β比值和通道相干性。模型架构方面，采用深度残差多层感知机（MLP），包含三个残差块和512、256、128三个隐藏维度。验证策略方面，采用留一被试交叉验证（LOSO-CV），所有指标在受试者层面而非片段层面计算。

四、研究结果

4.1 特征分析

4.1.1 功率谱密度（PSD）分析： 研究人员对EEG频谱模式的分析揭示了有/无精神疲劳两组在音乐/无音乐条件下的不同特征。无音乐条件下，无精神疲劳的受试者表现出更高的整体功率和更低的信号变异性，α频段功率更高；而精神疲劳组在额叶区域表现出增加的θ活动，β活动也存在显著组间差异。音乐条件下，疲劳组的θ功率较无音乐条件有所降低，两组α频段活动在后部区域均更为突出。统计检验显示，无音乐条件下16个通道均保持显著差异，而音乐条件下T7、P3和P4三个通道失去显著性，提示音乐可能使颞叶和顶叶区域的神经活动模式趋于正常化。

4.1.2 相干性特征： 相干性分析揭示了组间功能连接模式的差异。无音乐条件下，多个通道对之间存在显著差异，额叶-顶叶连接尤为突出；音乐条件下，显著差异持续存在但空间分布不同，颞叶和中央通道对的差异更为明显。这表明精神疲劳同时影响局部频谱功率和大规模功能连接模式。

4.2 受试者层面分类结果： 深度残差MLP模型在音乐条件下达到72.92%的准确率、70.73%的精确率和96.67%的高召回率，F1分数为81.69%，AUC为69.63%；无音乐条件下准确率降至58.33%，AUC仅为53.15%，仅略优于随机水平。音乐的存在似乎增强了精神疲劳状态的可区分性。

4.3 特征重要性与模型解释： SHAP分析显示，音乐条件下额叶通道（Fp1、Fp2、Fz）的α-θ比值特征重要性较高，中央电极（Cz）的θ-β比值也有显著贡献；无音乐条件下，α和β频带的频带功率特征相对更重要，但整体判别力较弱。

4.4 基线模型比较： 深度残差MLP在音乐条件下优于所有经典基线模型（随机森林、线性SVM和逻辑回归）。无音乐条件下随机森林表现更好（70.83%准确率），而线性模型在两种条件下表现均较差，表明类别间的决策边界高度非线性。

4.5 多输出分类结果： 多输出分类中，压力分类准确率最高（93.75%）但AUC仅为35.56%，平衡准确率为50.00%，表明其高准确率完全归因于85.7%的类别患病率；抑郁分类准确率为62.50%但召回率较低（27.78%）；焦虑分类准确率为54.17%，F1分数为57.69%。

五、讨论与结论

研究讨论指出，音乐与无音乐条件间的显著性能差异是核心发现，提示音乐聆听能调动注意力、情绪和记忆网络，从而放大疲劳相关的神经差异。高召回率（96.67%）但较低精确率（70.73%）的权衡在筛查应用中可能可接受。数据集存在显著类别不平衡，特别是压力成分（85.7%阳性），导致其高准确率反映的是类别患病率而非真实判别能力。研究局限性包括样本量较小（n=48）、条件顺序固定、类别不平衡、单一大学招募、记录时间短、使用单一音乐曲目、基于问卷而非正式精神病学诊断的标签分配、干电极易受伪迹影响以及缺乏外部验证数据集。未来研究应探索纵向设计、多样化人群、个体音乐偏好、其他生理标志物和源级分析，并在更大规模人群中验证这些发现。总体而言，这项初步研究表明音乐增强的EEG可能为心理健康评估提供优势，但需在平衡或随机化设计中加以确认，且任何临床应用前仍需显著提升分类性能。