一种基于注意力的多模态深度学习框架，整合 EEG 与 ECG 以增强压力检测

为何对压力进行客观跟踪很重要

压力影响我们的思维、情绪和健康，但大多数人往往只有在问题出现后才意识到它。本研究提出了一种实时跟踪压力的新方法，通过同时使用大脑与心脏的信号，而不是问人们的主观感受或单独观察某一种信号。目标是将看不见的紧张状态转化为清晰、可靠的信息，以便将来能支持医疗保健、职场福祉以及个人心理健康工具。

仅依靠询问人们感受的局限性

目前，压力常用回顾性问卷来测量，询问人们在过去几天或几周内感觉多紧张。这类自我报告会受到记忆、文化或想显得“没事”的愿望影响，且无法捕捉到压力瞬间在身体内的快速变化。与此同时，可穿戴设备现在收集详细的生物学数据，提供了一种直接从身体读取压力信号的途径。挑战在于如何解释这些丰富的数据流，使其既反映心理又反映生理，而不是把压力简化为单一的数值。

脑电与心跳能透露什么

研究者关注两类信号。脑电图（EEG）跟踪脑电波，可显示与注意力、忧虑及情绪负荷相关的变化。心电图（ECG）记录心跳并提供心率变异性，这是衡量心脏对需求反应灵活性的细微指标。压力下脑节律会改变，心率变异性通常下降，但不同人或不同情境下并不总是以相同方式表现。通过结合这两种视角，研究旨在更全面地描绘压力如何在神经系统中显现，从思维与情感延伸到心脏。

将大脑与心脏信号融合的智能系统

团队设计了一个将 EEG 与 ECG 当作两条互补通道的深度学习框架。首先，他们对原始信号进行仔细清理与重整。脑活动被滤波、切分为短时间窗，并转换为显示不同脑电频段随时间变化功率的图像。心脏数据则经过独立流程，既保留原始心跳节律，也提取经典的变异性指标。三个最初在大规模图像数据上训练的强大图像识别网络被用来从这些转换后的信号中提取模式。随后，一个基于注意力的融合层学习如何根据时刻的有效信息权衡来自大脑和心脏，甚至来自各个网络的贡献。

在不同类型压力下测试系统

为检验该方法的效果，作者在两个独立的公开数据集上训练并测试了模型。其一 WESAD，包含志愿者在中性、紧张社交任务与有趣活动中的脑与心记录；另一数据集 CASE 则增加了更多受试者以及心理挑战和情绪场景的混合，对泛化能力构成更严峻的考验。在这两组数据中，结合 EEG 和 ECG 的系统能以约 95.7% 的准确率区分中性、紧张与积极状态。这明显优于仅依赖脑数据、仅依赖心脏数据或更简单融合方法的版本，并且即便在一个数据集上训练、在另一个上测试时也表现出相当的稳健性。

从实验室成果走向日常压力支持

除了高准确率外，该模型在设计时也考虑了实用性。它运行足够快，可用于近实时监测，并可为计算能力受限的设备简化。注意力权重还提供了关于哪些特征最重要的可视化窗口，突出显示与压力相关的模式，例如额叶活动增加与心率变异性降低。简单来说，研究表明同时“倾听”大脑与心脏，并让智能系统决定如何融合两者的信息，可更忠实地读取压力。尽管要把这类系统推向临床、职场与消费设备仍需更多工作，但这是朝着客观、非侵入式工具迈出的具体一步，帮助人们理解并管理心理负荷。

引用: Kumar, R., Krishnan, S.B., Yadav, R.K. et al. An attention-based multimodal deep learning framework integrating EEG and ECG for enhanced stress detection. Sci Rep 16, 15188 (2026). https://doi.org/10.1038/s41598-026-44499-0

关键词: 压力检测, EEG, ECG, 多模态深度学习, 生理信号