基于 EEG 的压力分类：时域特征与分段技术

为何大脑中的压力与日常生活相关

压力影响我们的感受、思维与工作，但通常通过询问人们感受的问卷来追踪。这些工具虽有价值，却主观，无法实时监测一天中压力的升降。本研究探讨是否可用少量脑电传感器提供一种客观、快速的方法来识别谁处于压力状态，且所用方法足够简单，可以集成到未来的头带或其他可穿戴设备中。

通过脑电波“倾听”压力

研究者采用了脑电图（EEG），它通过置于头皮的传感器记录大脑的电活动。他们使用了一个大型的公开数据集，数据来自已用标准问卷评分的健康志愿者。研究没有依赖大量传感器，而是聚焦在额头和头部两侧的四个传感器，这些区域与情绪与压力调节有关。每位受试者大约记录了八分钟的静息脑电活动，提供了一段较长的数据，在其中可能隐藏与压力相关的模式。

将长信号切成短快照

为了理解这些长时间记录，团队把每个人的 EEG 切成短片段或窗口。他们尝试了两种简单策略。在不重叠的方式中，八分钟的信号被切成连续的十秒片段，彼此不共享数据。在重叠方式中，窗口沿记录滑动并有共享部分，从而产生更多但部分重复的快照。比较这两种切分方式帮助团队判断哪种能够提供更干净、更有用的压力信息。

把原始波形变成计算机能读的数字

一旦窗口确定，每个脑电片段就被降维为一组基本数值特征，以捕捉其形状与变异性。这些特征包括常见的概念，如平均值、离散程度和能量，以及信号上升下降的陡峭程度和可预测性。从每个窗口的 20 个此类特征中，基于信息量的方法筛选出对区分受试者是否处于压力组最有用的特征。在许多情况下，来自右侧额部单个前额传感器的特征尤其具有信息量。

让简单算法区分紧张与平静

在得到精简的特征集合后，作者测试了五种现成的机器学习方法，评估它们将紧张志愿者与非紧张者区分开的准确性。他们采用了标准的交叉测试方法，反复将数据分为训练集和测试集以公平估计性能。在这些试验中，一种称为 k 最近邻（k-NN）的方法表现最好，它通过将每个新样本与数据中最相近的邻居比较来进行分类。使用来自四个传感器的不重叠窗口时，该方法大约能在 100 个案例中正确标注 96 个，优于若干常用于 EEG 研究的其他流行方法。

这对未来压力追踪意味着什么

对读者而言，关键结论是准确的压力检测可能不需要深度学习或笨重的高通道脑电扫描仪。此项工作显示，适量的传感器、简单的信号分段方法以及直接的数值摘要，合在一起就能提供关于谁处于压力状态的强烈线索。尽管还需在日常环境和不同人群中进一步验证，此研究暗示未来的头带或其他可穿戴设备可能通过脑活动静默地追踪压力，帮助人们及早察觉并管理压力。

引用: Rauf, U., Zahid, A., Qadeer, A. et al. EEG-based stress classification using time-domain features and segmentation techniques. Sci Rep 16, 16568 (2026). https://doi.org/10.1038/s41598-026-50857-9

关键词: EEG 压力检测, 脑电波, 机器学习, 可穿戴传感器, 心理健康监测