通过多模态 EEG 与 ECG 融合改善认知压力分类：生理反应的性别差异

为何衡量日常精神负荷很重要

现代生活不断牵扯我们的注意力，从紧迫的截稿期限到在屏幕前的多任务处理。然而，我们很少能实时看到这些压力在身体和大脑内造成的影响。本研究探索了一种同时“倾听”大脑与心脏的方法，以判断一个人的心理压力程度，以及这种反应在男性与女性之间是否有所不同。此类工具最终可能帮助学校、工作场所甚至汽车在错误或倦怠发生之前，根据人们不断变化的心理负荷进行自适应。

同时倾听大脑与心脏

当我们承受心理压力时，大脑节律和心脏活动都会发生变化。研究者使用了两种常见的医疗记录：脑电图（EEG），用于追踪来自大脑的微弱电信号；以及心电图（ECG），用于监测心跳。研究不是输入数百个原始测量值，而是聚焦于三个具有明确生理意义的紧凑指标：反映心理负荷的脑基 theta/alpha 比率（TAR）、简单的心率（HR），以及捕捉交感/副交感平衡变化的心率变异性平衡指标 LF/HF。这些信号来自66名健康的大学生，他们在执行逐步加难的心算任务时采集数据，这些任务被设计为可靠引发从轻度到强烈的认知压力。

从原始信号到智能压力检测器

团队并非盲目依赖任意信号；他们首先用统计方法检验所选特征在静息与压力状态之间确实存在差异。通过标准检验，他们确认 TAR、HR 与 LF/HF 在任务的五个阶段（从放松睁眼静息到最困难的计算）之间以系统性方式变化。随后他们对数据进行归一化，使脑与心的度量处于可比尺度，并用主成分分析确认每个特征提供了独特信息而非重复其他特征。接着，他们构建了若干经典机器学习模型——包括决策树、k 近邻、线性判别分析、朴素贝叶斯、随机森林和支持向量机（SVM）——并训练这些模型以区分静息与压力，以及低压与高压，分别使用仅 EEG、仅 ECG 或两者融合的数据。

信号融合提高了准确性

在几乎所有比较中，使用 EEG 与 ECG 融合的模型均优于单一信号的模型。SVM 分类器表现最强，在区分静息与不同压力水平时最高准确率约为 94–95%。基于单一 theta/alpha 比率的简化脑部模型已经表现不错，但加入心脏测量显著提升了性能，尤其是在压力较为细微而非极端时。从技术上讲，融合模型在准确率、精确率和 F1 分数上更高，并在各类别之间表现得更为平衡，表明大脑与心脏在对应同一心理负荷时提供了互补视角。

男性与女性的反应并不完全相同

由于该公开数据集对每位参与者的性别进行了细致标注，作者得以进一步探讨大脑与心脏对认知压力的反应模式在男女间是否存在差异。他们分别对各组重跑模型，发现女性在许多任务上的分类得分往往高于男性。平均而言，女性参与者在负荷下显示出略高的脑力信号（TAR）和更高的心率，而男性则略倾向于较高的 LF/HF 平衡。尽管差异并不巨大，但统计检验足以将其标记为显著，机器学习模型也能够利用这些差异。这表明“一刀切”的压力检测器可能并不完全公平或最优。

对未来智能系统的意义

对普通读者而言，结论很直接：通过结合少量精心选择的脑与心信号，可以可靠地读出一个人的心理压力，而且这些信号在男性与女性之间并不相同。该研究表明，高性能并不必然依赖复杂的“黑箱”深度学习或数百个不透明特征；将可解释的三项指标——脑节律比率、心率与心率变异性平衡——输入到标准分类器中，就能达到令人印象深刻的准确性。从长远看，这类考虑性别差异的多模态系统可以驱动可穿戴设备、学习平台或安全关键界面，悄然感知用户何时超负荷并实时调整任务需求，帮助减少错误、疲劳与长期压力。

引用: Salam, A., Alam, F., Shah, D. et al. Improving cognitive stress classification via multimodal EEG and ECG fusion: gender differences in physiological response. Sci Rep 16, 7304 (2026). https://doi.org/10.1038/s41598-026-38356-3

关键词: 认知压力, EEG 与 ECG, 机器学习, 性别差异, 生理监测