《Sensors》：A New Interval Belief Rule Base Model Based on Hybrid Optimization and Adaptive Reference Intervals for Diesel Engine Health State Assessment
Hongming Zheng,
Bing Xu,
Motong Zhao,
Hongyao Du and
Wei He
编辑推荐：
为解决慢性应激（Chronic Stress）这一持续性、多系统失调健康挑战的客观监测难题，研究人员综合评述了基于生理感知与人工智能（AI）的检测方法。研究系统梳理了静息基线失调、纵向监测与反应性推断三大范式，指出当前研究主要依赖经典机器学习，面临标注模糊、纵向验证不足等挑战，并提出了标准化数据集、多模态生物整合等未来方向，为开发可推广的临床级慢性应激监测系统奠定了重要基础。
在快节奏的现代生活中，长期、持续的压力——即慢性应激（Chronic Stress）——已成为影响全球超十亿人健康的隐形“流行病”。与那种让人心跳加速、瞬间紧张的急性应激不同，慢性应激更像一种悄无声息的“磨损”，它并非短暂的情绪波动，而是由环境需求长期超过个体适应能力所引发，导致神经、自主神经和内分泌系统持续失调的一种状态。这种状态会逐渐累积为“稳态应变负荷”（Allostatic Load），最终与心血管疾病、代谢功能障碍、抑郁甚至过早死亡等严重健康风险紧密相连。然而，准确评估慢性应激却非易事。传统的自评量表（如感知压力量表PSS）存在主观回忆偏差，而生化指标（如皮质醇）又易受昼夜节律和情境影响。因此，如何利用客观、连续的生理信号，结合先进的计算方法，实现对慢性应激的精准、无创监测，成为了当前健康科学与生物医学工程领域亟待攻克的前沿难题。
为了系统梳理这一交叉领域的研究进展、明确挑战并指引未来方向，一篇题为“A New Interval Belief Rule Base Model Based on Hybrid Optimization and Adaptive Reference Intervals for Diesel Engine Health State Assessment”的综述论文（尽管标题涉及柴油机评估，但实际内容为关于慢性应激检测的综述）发表在《Sensors》期刊上。本文旨在将分析焦点从短暂的急性应激反应，转向强调对持续基线异常、纵向生理变化及改变的应激反应性（即慢性应激）进行建模的必要性。研究者对现有基于人工智能（AI）的慢性应激检测研究进行了批判性审视与整合。
为开展本项综述研究，作者采用了叙述性综述的方法，通过在Scopus、PubMed和Web of Science数据库中进行有针对性的文献检索，聚焦于人工智能（AI）、生理感知与慢性应激的交叉领域。最终，研究综合了23项明确采用机器学习（ML）或深度学习（DL）管道对生理数据进行自动化慢性应激推断的研究。这些研究涵盖了不同的生理模态和推断范式。
概念基础：从急性反应到慢性失调
研究首先厘清了慢性应激的生物学本质。它不应被简单视为急性应激的延长，而是一种伴随稳态应变负荷累积的多系统长期重校。在神经层面，慢性应激与前额叶、海马体等调控区域的树突丢失和体积减少，以及杏仁核等边缘区域的活动增强相关，这导致了自上而下执行控制减弱和情绪反应性增强。在自主神经领域，慢性应激一致表现为心率变异性（HRV）降低，反映了副交感神经调节减弱和神经内脏整合受损。在内分泌方面，则表现为昼夜皮质醇节律平坦化以及对急性挑战的反应钝化。这些特征共同构成了慢性应激可被生理信号检测的生物学基础。
生理推断的三大范式
基于上述生物学理解，当前研究主要围绕三大互补的推断范式展开：
- 1.
静息基线失调：假设慢性应激会导致内在生理调节的稳定改变，即使在无急性挑战时也可被检测。例如，利用静息态脑电图（EEG）频谱功率、功能连接性特征，或静息心率变异性（HRV）指标，通过支持向量机（SVM）等模型区分高、低应激群体。
- 2.
纵向监测：强调慢性应激的累积性，需要通过可穿戴传感器在数天或数周内重复或连续记录生理信号（如光电脉搏波PPG衍生的心率变异性HRV），以捕捉自主神经张力的渐进性变化和变异性抑制。
- 3.
反应性推断：通过观察个体对标准化急性挑战（如斯特鲁普Stroop任务）的生理反应变化来推断慢性应激。研究表明，长期应激暴露可能与钝化的生理反应性相关，例如减弱的皮质醇反应或改变的心血管反应，这反映了应激调节系统灵活性的降低。
核心生理感知模态
研究详细评估了用于慢性应激推断的各种生理信号：
- •
中枢神经系统信号：脑电图（EEG）是当前计算框架中最常整合的中枢神经模态。静息态脑电图（EEG）标记物（如β和γ波段功率、半球不对称性）以及任务诱发的脑电图（EEG）反应性特征，已被成功用于监督式分类。
- •
心血管信号：心率变异性（HRV）及其相关指标是使用最广泛的领域之一。静息态心率变异性（HRV）特征（如RMSSD、SDNN、LF/HF）可区分不同应激水平，而通过可穿戴设备进行的纵向监测能提高推断的稳健性。
- •
皮肤电与外周自主神经信号：皮肤电活动（EDA）常作为交感神经系统活动的标记物，通常与心血管信号在多模态系统中融合使用，以提升分类性能，其在反应性范式中的作用尤为明显。
- •
生化标记物：皮质醇是主要的内分泌变量，但较少被系统地整合到机器学习（ML）管道中，目前主要作为补充或验证变量。
- •
多模态整合：融合两种或以上生理模态的系统较为常见，例如同时整合脑电图（EEG）、心率变异性（HRV）和皮肤电活动（EDA）。特征级联是主要的融合策略，通常能获得比单模态更好的分类性能。
人工智能（AI）方法的应用与挑战
尽管深度学习（DL）方法开始出现，但经典机器学习（ML）特别是支持向量机（SVM）和基于树的集成方法（如随机森林RF），由于数据集规模较小且大多数管道仍依赖于人工设计的特征，目前仍占据主导地位。研究总结的专用人工智能（AI）管道涵盖了从信号质量控制、预处理、范式特异性特征工程到最终机器学习（ML）推断的全流程。然而，该领域面临一系列方法论挑战：标注模糊性（依赖自评量表等代理标签）；有限的纵向验证（多数为横断面研究）；昼夜节律与情境混杂；巨大的个体间变异性；以及小样本量导致的过拟合和泛化能力弱等问题。
结论与未来方向
本综述表明，基于人工智能（AI）的生理感知技术有助于识别跨神经、自主神经和内分泌领域的慢性应激相关失调。然而，大多数现有系统仍依赖于经典机器学习（ML），反映了可用数据集规模小、标准化程度有限的现状。该领域要取得进展，将取决于标准化慢性应激数据集的开发、基于生物学的多模态建模、自适应个性化策略以及更严格的受试者独立评估。未来的研究应超越单纯追求分类准确率，更加注重模型的生物可解释性、可解释性及其临床验证。只有通过更具生理学基础、更稳健且可解释的人工智能（AI）框架，该领域才能朝着具有临床意义且可扩展的慢性应激监测系统迈进。
