基于时域特征与时序分段技术的脑电图(EEG)压力分类研究

《Scientific Reports》：EEG-based stress classification using time-domain features and segmentation techniques

　　

压力已被确认为一项重大的全球性健康问题，影响大多数人群。快速准确地检测压力对于压力治疗至关重要。先前大量工作聚焦于通过分类脑电图(Electroencephalography, EEG)信号来实现压力的初步检测，并已在EEG信号的压力分类/检测中取得可观成果。本研究旨在利用EEG信号对人类压力进行分类以实现早期干预。研究人员使用包含近211名被试的数据集，提出一种基于时域分析(Time-Domain Analysis, TDA)的方法，采用分段(Segmentation)技术分析EEG信号中的压力特征，同时使用重叠(Overlapping)与非重叠(Non-overlapping)两种分段方法。EEG信号总时长约480秒，压力与非负压标签依据感知压力问卷(Perceived Stress Questionnaire, PSQ)划分。研究人员采用不同分类器区分压力与非负压类别，所提方法在使用K最近邻(K-Nearest Neighbors, KNN)分类器结合非重叠分段技术时取得了96.32%的分类准确率。

论文解读：《Scientific Reports》刊载EEG-based stress classification using time-domain features and segmentation techniques一文解读

研究背景与意义：压力作为生理与心理反应已成为重大全球健康关切，全球约35.1%人群经历压力，与心血管疾病、免疫功能紊乱、糖尿病及中风等相关，世界卫生组织估计约15%劳动年龄人口受压力相关问题影响。传统压力评估依赖访谈与自评量表如感知压力问卷(Perceived Stress Questionnaire, PSQ)、感知压力量表(Perceived Stress Scale, PSS)，虽实用但主观且难以连续实时监测。脑电图(Electroencephalography, EEG)可非侵入性直接记录脑活动，反映不同脑区神经动态及各频段(α、β、γ、δ、θ)变化，便携穿戴设备使其具实用前景。现有EEG压力检测文献存在数据集规模、通道数、特征提取策略、分段方法及验证协议差异大，多数依赖高密度EEG或计算密集型深度学习，少有在公开较大数据集上系统探究少通道、时域特征结合重叠与非重叠分段比较的研究。为此，研究人员以低复杂度、可穿戴适用框架系统评估4导联EEG、时域特征、信息增益特征选择及5种传统机器学习分类器在两种分段策略下的表现。

主要关键技术方法：研究人员选用公开Leipzig Study for Mind-Body-Emotion Interactions(LEMON)数据集，筛选其中211名有完整约480秒62通道EEG记录的健康被试，取与压力情绪相关的4个电极(AF7、AF8、TP7、TP8)；依PSQ得分以均值±半倍标准差为阈值二分为压力组(PSQ > μ+σ/2，61人)与非负压组(PSQ < μ?σ/2，75人)，中间分值被试排除；EEG信号分别进行非重叠(480秒分为48段×10秒)与重叠(窗长W秒、步长10秒滑动窗)分段；每段自4通道提取20种时域特征(均值Mean、标准差Std、峰度Kurtosis、偏度Skewness、峰峰值Peak-to-Peak, PP、峰峰时间PPT、峰峰斜率PPS、最小潜伏期L_min、最大幅值Amp_max、最小幅值Amp_min、绝对潜时幅值比ALAR、一阶差分绝对值均值MDIF1、二阶差分绝对值均值MDIF2、最大潜伏期L_max、归一化一阶差分Mdif1norm、归一化二阶差分Mdif2norm、能量Energy, E、归一化能量E_norm、潜时幅值比LAR、熵Entropy)；以信息增益(Information Gain, InG)做特征选择；采用随机森林(Random Forest, RF)、决策树J48(Decision Tree, DT)、多层感知器(Multilayer Perceptron, MLP)、K最近邻(K-Nearest Neighbors, KNN)、AdaBoostM1(ABM)五分类器，10折交叉验证评估准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F值(F-measure)及金距离(Golden Distance)。

研究结果：

数据标注(Data labeling)：LEMON数据集原始228人保留211人(EEG≥480秒)，PSQ均值μ=30.20、标准差σ=15.52，阈值下限22.44、上限37.96，低于下限标为非压力75人、高于上限标为压力61人，中间分值剔除。此二分法减少模糊样本但缩小有效样本量并增大类分离度，属约束二分类设定。

特征选择(Feature selection)：信息增益法自20个时域特征中遴选高分特征，非重叠分段优选特征含峰峰值、均值、最大潜伏期、熵、潜时幅值比及ALAR等(来自AF8等通道)，重叠分段入选特征略有不同，详见原表。

分类性能(Classification performance)：非重叠分段下KNN准确率达96.32%为最高，ABM为95.59%，MLP为91.91%，RF为80.14%，DT(J48)为76.47%；重叠分段下ABM最高达94.12%，RF为90.44%，MLP与KNN均为91.18%，DT为78.68%。金距离指标显示非重叠KNN最低(0.0784)代表最均衡优秀性能，次优为非重叠ABM(0.0907)。混淆矩阵显示各分类器正确与错误分类分布。

讨论与结论总结：研究人员使用AF7、AF8、TP7、TP8四通道自约8分钟静息态EEG提取时域特征，经信息增益筛选后以五种传统机器学习分类器及10折交叉验证评估。非重叠分段配合KNN得最高准确率96.32%，优于重叠分段最佳(ABM 94.12%)。前额区电极(AF8)所选特征(峰峰值、均值、最大潜伏期、熵、LAR、ALAR)对压力分类贡献显著。轻量级时域特征与传统分类器在此少通道设置下性能可比拟更复杂深度学习迁移学习方法(如95.80%准确率之CNN迁移学习)，且更利于低功耗可穿戴部署。本研究未采用留一被试交叉验证(Leave-One-Subject-Out)，结果或因同体相关性略偏乐观，未来将引入被试无关验证、多尺度散布熵、多模态生理信号融合并探索可解释人工智能(eXplainable AI, XAI)。结论为：基于4导联EEG时域特征与非重叠分段之KNN分类框架对压力与非负压二分类可达96.32%准确率，证明少通道、手工时域特征配传统机器学习于EEG压力检测具高效性与实用部署价值，非重叠分段整体优于重叠分段。