《Sensors》：A Narrative Review of AI Frameworks for Chronic Stress Detection Using Physiological Sensing: Resting, Longitudinal, and Reactivity Perspectives
Totok Nugroho,
Wahyu Rahmaniar and
Alfian Ma’arif
编辑推荐：
为解决慢性应激评估主观、难以长期监测的问题，研究人员聚焦于利用生理传感与人工智能进行慢性应激检测。他们通过系统回顾，归纳出基于静息基线失调、纵向监测和反应性推断三大范式的AI研究现状，发现传统机器学习仍占主导，深度学习应用受限于数据规模。该综述为开发更稳健、可解释的慢性应激监测系统指明了未来方向，对推动其从实验走向真实世界应用具有重要意义。
在快节奏的现代社会，慢性应激（Chronic Stress）如同一个悄无声息的“健康窃贼”，影响着全球超过十亿人。它不仅与焦虑、抑郁等心理健康问题紧密相连，更是心血管疾病、代谢功能障碍乃至过早死亡的重要推手。与来去匆匆的急性应激不同，慢性应激是一种长期的、累积性的生理失调状态，涉及神经、自主神经和内分泌系统的持续紊乱，医学上称之为“稳态应变”（Allostatic Load）。然而，精准评估慢性应激一直是个难题。传统的自我报告量表（如PSS）存在主观回忆偏倚，而皮质醇等生化指标又极易受昼夜节律影响。如何客观、连续、无创地捕捉这种长期的身心负担，成为了科研与临床共同面临的挑战。
近年来，可穿戴生理传感与人工智能技术的飞速发展，为这一难题带来了新的曙光。研究人员开始尝试利用脑电图（EEG）、心率变异性（HRV）、光电脉搏波（PPG）、皮肤电活动（EDA）等信号，结合机器学习（ML）和深度学习（DL）算法，来自动识别慢性应激的生理指纹。但相关研究分散且范式不一，急需系统的梳理与整合。为此，Totok Nugroho, Wahyu Rahmaniar 和 Alfian Ma’arif 在《Sensors》期刊上发表了一篇叙事性综述，旨在厘清当前基于人工智能的慢性应激生理检测研究图景。他们不再局限于短暂的急性应激反应，而是将分析焦点明确转向慢性应激所特有的、时间依赖性的生理失调模式。
为了开展这项研究，作者们采用了结构化的文献检索策略，在Scopus、PubMed和Web of Science数据库中，围绕应激类型、推断任务和生理模态三个概念组别进行关键词组合检索。最终，他们筛选并综合了23项明确采用AI计算框架（如ML分类、回归或DL流水线）用于生理数据慢性应激推断的研究。这些研究涵盖了不同的生理信号采集技术和数据分析方法。
研究结果
3.1. 慢性应激的概念基础：从急性反应到慢性失调
慢性应激不应被简单视为急性应激的延长。在急性应激中，交感神经-肾上腺髓质（SAM）系统和下丘脑-垂体-肾上腺（HPA）轴被短暂激活后能恢复平衡。而在慢性应激下，反复的应激暴露导致生理调节系统发生长期的重校准，稳态应变不断累积。这表现为两种可能路径：成功的适应使生理反应在一个新的调定点维持动态波动；而适应失败则导致稳态超载，生理反应变得迟钝。因此，慢性应激的特征是持续的基线偏移、生理灵活性降低以及对后续挑战的反应改变。
3.2. 持续失调的生物学特征
慢性应激在多个生理层面留下可测量的印记：
- •
神经层面：与前额叶皮层和海马体等调节区域的树突减少和体积缩小相关，而与杏仁核等边缘区域的树突生长和活动增强相关，这提示自上而下的执行控制减弱，情绪反应性增强。功能上则表现为皮层振荡和网络连接性的改变。
- •
自主神经层面：与心率变异性（HRV）降低 consistently 相关，反映了副交感神经调节减弱和神经内脏整合受损，表明生理灵活性下降。
- •
内分泌层面：主要表现为HPA轴失调，特征是昼夜皮质醇节律变平以及对急性挑战的反应迟钝（低反应性）。
3.3. 慢性应激研究中的标注策略
由于缺乏“金标准”，慢性应激的AI模型严重依赖代理标签。最常用的是感知压力量表（PSS），用于评估过去一个月的压力感知。其他还包括特里尔慢性应激量表（TICS）、抑郁焦虑压力量表（DASS）的压力子量表，以及用于评估职业倦怠的马斯拉奇倦怠量表（MBI-GS）等。生物标志物如头发皮质醇浓度（HCC）可作为长期皮质醇分泌的回顾性指标。此外，长期的学业或职业压力期等自然环境暴露范式也被用作标注依据。标注策略的选择直接影响模型的特征解释和性能评估。
3.4. 慢性应激检测的生理推断范式
基于慢性应激的时间依赖性本质，研究主要汇聚于三种互补的推断范式：
- 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，即使在无急性挑战的静息状态下也可检测。例如，通过静息态EEG频谱功率、功能连接性或静息HRV来识别持续失调。
- 2.
纵向生理监测：通过可穿戴传感器在数天或数周内重复或连续监测，捕捉自主神经张力、变异性抑制和昼夜节律组织的渐进性变化，以反映累积的生物负担。
- 3.
反应性推断：通过个体对标准化急性挑战（如认知任务）的反应改变来推断慢性应激。慢性应激个体常表现出迟钝或低反应性的生理反应（如皮质醇、心血管反应），这反映了应激调节系统灵活性的降低。
这三种范式共同构成了一个多层次的概念框架，将中枢、自主神经和内分泌失调与相应的计算策略联系起来。
4. 用于慢性应激检测的生理传感模态
- •
中枢神经系统信号：脑电图（EEG）是AI框架中最常用的CNS模态。静息态EEG标志物包括与高感知应激相关的β和γ频带功率升高、额叶α不对称性等。在反应性范式中，任务诱发的EEG活动（如Stroop任务）也显示出区分价值。然而，纵向EEG监测的研究仍然不足。
- •
心血管信号：心率变异性（HRV）是应用最广泛的领域之一。静息时HRV降低（如RMSSD减小）与慢性应激相关。可穿戴纵向监测通过聚合PPG衍生的HRV特征来增强推断稳健性。反应性范式中，慢性应激个体常表现出对认知任务的心血管反应迟钝。
- •
皮肤电与周围自主神经信号：皮肤电活动（EDA）常作为交感神经活动的标记物，但在慢性应激研究中多与心血管信号等多模态整合使用，在反应性范式中能提供补充信息。
- •
生化标志物：皮质醇是主要的内分泌变量，但较少被系统性地纳入AI分类流程，目前主要作为补充或验证变量。
- •
多模态整合：整合两种或以上生理模态（如EEG+HRV+皮质醇，或PPG+EDA）的框架最为常见，通常通过特征级联实现，能获得比单模态更好的分类性能。
5. 慢性应激检测中的人工智能方法
当前研究形成了专门的AI流水线，从信号采集、预处理，到范式特异的特征工程，最后进行机器学习推断。
- •
经典机器学习主导：由于数据集通常较小且依赖人工特征，支持向量机（SVM）、随机森林（RF）等经典ML方法占主导地位（78.3%的研究）。特征选择和降维对于防止过拟合至关重要。
- •
深度学习初现：深度学习方法（如CNN、LSTM）开始出现，但应用仍受限于小样本、会话级标注以及缺乏标准化纵向基准数据。
- •
建模策略与泛化：多数研究将问题定义为二元分类（高/低压组），并使用PSS等工具标注。一个关键挑战是广泛依赖被试内验证，这可能导致模型学习个体特异性而非通用的应激特征，因此采用留一被试出（LOSO）等被试独立验证策略对未来临床转化至关重要。个性化与自适应机制在当前系统中仍然缺乏。
6. 方法论挑战
领域面临多个核心挑战：1) 标注模糊性：自我报告标签与短时生理记录存在不匹配，且依赖临床慢性应激的代理构造；2) 有限的纵向验证：多数为横断面研究，长期观测数据不足；3) 昼夜与情境混杂：HRV、EEG等信号受昼夜节律和日常活动影响大；4) 个体间变异性：基线生理差异大，缺乏个性化校准；5) 小样本量：多数研究队列规模有限，增加了过拟合风险并削弱了外部效度。
研究结论与未来方向
该综述指出，基于AI的生理传感在识别慢性应激相关失调方面展现出潜力，但当前研究大多基于感知应激等相关代理构造，而非临床诊断。尽管EEG、HRV和多模态系统在区分这些构造上显示出价值，但该领域仍由经典ML主导，并受限于数据规模小、标准化不足。
未来进展取决于以下几个关键方向：开发标准化的慢性应激数据集和基准测试协议；推进生物基础扎实的多模态整合，特别是纳入更多内分泌通路信息；构建结合基线、纵向与反应性的混合模型；开发个性化与自适应AI框架以应对个体差异；以及致力于构建可解释且经过临床验证的系统，确保AI推断具备生理意义并能预测 clinically 相关结局。唯有通过这些努力，慢性应激检测系统才能从实验环境走向具有临床意义和可扩展性的真实世界应用。
