脑波检测心理健康问题系统

摘 要：设计一款采用脑电波技术的测试系统，用于检测年轻人在现代生活压力下的心理状态。通过佩戴神念科技（NeuroSky）出品的MindWave Mobile耳机，实时检测佩戴者额叶脑波信号。利用傅里叶变换算法分析脑波能量值，并结合独特的脑意识分类算法对其进行分析。通过能量值的特征提取和模型分析对比，结合十大情绪核心指标、eSense“专注度”指标和脑电波分析，检测个体的心理健康情况。程序将检测信号处理为具体指标，从而实现用户心理健康检测，并提供相关治疗措施。该系统能够较好地进行心理健康检测与诊疗康复，具有广阔的发展空间。

关键词：脑波检测；心理健康；信号去噪；分类算法；FISTA_tail；脑波分析

中图分类号：TP391.8 文献标识码：A 文章编号：2095-1302（2025）02-00-03

0 引 言

随着现代社会生活节奏的加快和各种竞争压力的不断增大，心理健康的检测与诊断倍受关注。过去，由于患者对心理评估的回答主观性较强，针对心理健康问题的准确诊断曾是一项艰巨的任务。然而，随着脑电图（EEG）技术的不断发展，科学家们已经开始将其应用于诊断多种神经系统和心理疾病，包括抑郁症等。这一进展为更精准地识别和理解各种心理疾病提供了新的工具和可能性。

在当前背景下，如何有效地将EEG技术应用于心理健康评估与治疗成为一个重要议题。脑机接口（Brain-Computer Interface）凭借其天然的优势被视为解决心理健康问题的重要工具。

脑机接口即“脑机融合感知技术”，它无需经过传统的肌肉或神经系统来建立人脑与外部设备之间的通信连接，便能使大脑与外部设备交互。人类大脑在不同的情绪状态下脑电信号会产生有规律的变化。对这些信号进行机器学习、处理，并将其数字化，采用分类算法对数字信号进行分类，从而构建训练模型，使人们能够通过这些数字信号了解个体的不同心态与情绪。这为检测个体心理是否健康提供了重要的途径，成为医学与人工智能交叉领域中的关键。

在医学领域，尽管脑机接口的研究已经取得了一些进展，但相关研究更侧重于如何利用脑电信号来控制外部设备[1-4]，在情绪与心理健康检测方面，尚未有深入的研究。尽管文献[5]详细描述了如何利用脑电信号进行情感识别，但目前仍未达到能够全面检测心理健康状态的水平。因此，需要采用新的更简便的方法，以更有效地识别个体的心理健康情况。

本文使用NeuroSky出品的可穿戴蓝牙耳机脑电采集设备（NeuroSky Headset）[6]对佩戴者额叶脑波信号进行实时检测，以获取脑波数据。通过算法对采集的脑波数据进行处理，包括缺失片段的恢复[7]和降噪处理等，随后与EEG中的十大情绪指标进行对比，从而获取个体的心理健康状况。该系统具备评估个体心理健康状况的能力，满足了当代青年在面对日常压力和情绪波动时对心理健康检测和自主诊疗的需求。

1 脑波检测与分析处理

1.1 脑波的基础理论

脑波，又被称为“脑电波”，描绘了人脑内因细胞活动引起的电位变化而通过仪器呈现出的波形。人脑由数以亿计的神经元组成，而脑电波则是这些神经元相互作用时产生的电信号。脑波的生成不受人体当前活动或情绪状态的限制，会持续不断地产生。

人类主要的脑波波形可根据频率从低至高分为5类，包括：δ波、θ波、α波、β波以及γ波[8]。这些波形的变化能够反映一个人当前大脑的状态，如紧张程度、注意力集中程度等。基于正弦波构造的脑波波形如图1所示。表1列出了脑波的种类、频率以及特性。其中α波和β波是应用最广泛的波形，通过波形阻断分析可以得出眨眼产生的眨眼脑电波。脑电波的发现，为人类量化情绪、分析解决心理问题奠定了基础。

1.2 脑波的检测

脑机接口系统的输入信号可分为3种形式：非侵入式、半侵入式和侵入式。实施侵入式和半侵入式的方式需要进行大脑手术，以植入电极或芯片。尽管这2种方法能够获取高质量的大脑信号，并具有卓越的时间和空间分辨率，但伴随有较高的手术风险和昂贵的费用。非侵入式脑机接口采用头皮EEG，直接从大脑外部获取信号。尽管这种采集方式存在一些限制，例如脑电信号的精度相对较低和存在较大的噪声，但由于其相对安全和经济实惠，仍然是一种可行的方法。该方法通过监测额叶上的电位变化来获取原始的脑波数据，采集时将脑环佩戴在额头并挂在双耳上。脑环内部配备有3个电极，其中2个电极分别位于测试者的双耳处，第3个电极位于采集者的前额，以捕捉脑电信号的变化。

本文采用NeuroSky出品的MindWave Mobile耳机，其包括TGAM脑电图采集模块（用于脑电图采集）、前额电极（作为参考点）、耳夹电极（用作接地电路）、蓝牙传输模块、蓝牙接收模块以及连接到该设备的计算机[9]，由MindWave移动耳机处理和输出脑波谱、原始脑波、EEG信号质量参数和2个NeuroSky参数：注意力值和冥想检测值。该设备采用了一种干式传感器，无需使用生理盐水或凝胶便可确保传感器与前额表面贴合，同时还能保证低噪声获取脑电图信号。脑波检测设备的佩戴方式如图2所示。

1.3 脑波的分析处理

在正常情况下，人类脑波的频率范围[4]为2.8～45.9 Hz，因此本文只保留这个范围内的波动信号，将其作为主要提取对象。此外，针对设备异常导致部分信号片段丢失或者噪声信号与目标信号一致，导致无法识别的情况，本文采用线性模型进行信号恢复，以提升信号获取的准确性。

在信号重组过程中，本文采用的基本模型如式（1）所示：

y=Ax+e" " " " " " " " " " " " " " " " " " " " " （1）

式中：y为观测信号；e为噪声。本文的目标在于求解min（Ax-y），对于这个问题，本文采用尾部快速迭代软阈值算法（FISTA_tail）[7]求解。

脑电信号通常很微弱，在采集时容易受到其他噪声信号的干扰。虽然NeuroSky的MindWave Mobile耳机能有效减少噪声干扰，但采集的信号中仍存在一些噪声，因此在后续操作之前，本文首先需要对采集的信号进行去噪处理。

实现信号去噪的主要方法包括滤波去噪、小波变换和傅里叶变换等[10]。本文采用傅里叶变换，将脑电波信号从时域转换到频域，获取脑电波信号的频率、功率等参数。对于一个连续信号x（t），将其经过傅里叶变换后得到的X（f）定义为：

（2）

式中：t表示时间；j表示虚数单位；f表示频率。

在探索阶段，本文通过使用耳机记录了500多位测试者在整个心理咨询过程中的脑电波。本文观察到，当受试者处于抑郁状态时，他们的“注意力”信号的脑电波呈现出一种特殊的m型。具体而言，在受试者接受抑郁症心理咨询干预时，本文首次观察到了一个明显的m型波形。值得注意的是，图3中用白色圆圈圈出的这一波形在受试者表现出抑郁症状，如提到无助感或自杀念头时，反复出现在“注意力”和“冥想”信号中。

因此，本文提出假设：当受试者处于抑郁状态时，他们的“注意力”信号中将出现m型波形。基于这一现象，本文选择采用基于脑电波对比的方法来识别抑郁状态，并采用了详细的标准来对m型波形进行分类[11]。

2 心理监测系统

本文的系统运行流程基于公开的志愿者及组织机构提供的相关数据。首先，对收集到的数据按心理状况进行细致分类，如将抑郁症、焦虑症等不同心理状态的脑部数据分别归类，并进一步根据其严重程度（如轻度、中度、重度）进行子分类。接下来，在数据处理阶段，采用快速傅里叶变换（FFT），将脑波时域信号转换为频域信号，以便更准确地分析和构建特定脑波模式的图像。此外，本文还运用了先进的区域FasterRCNN图像识别技术，对脑波数据的图像进行了深层次分析。通过这种方法，可以识别出特定心理状况下的脑波特征，例如在抑郁症患者中，某些特定的脑波形态（如m波形）可能更为明显。系统将这些特征与现有数据库进行对比分析，从而提高识别准确性。分析结果会依据与现有模式的相似度，确定最可能的心理状态，并将这些新的发现反馈到数据库中，实现数据的动态更新和优化。此过程不仅增强了人们对不同心理状态的识别能力，而且通过持续学习和适应，能够不断提升系统的判断准确性。

心理监测系统利用先进的脑波检测技术和脑机接口系统，为脑波数据的提取和分析提供了必要条件。该系统的使用步骤分为：佩戴使用者脑环、APP监测数据、生成指数、生成报告（含干预方案）。

当使用者佩戴好脑环后，脑环内的传感器便开始通过提前设置好的生物特征标准去感受被测量的信息，并将感受到的信息按所规定的规律变换为电信号或其他所需形式的信号进行输出，以达到脑波信息传输、处理、存储、记录等要求。在信息被传输到云端后，系统开始运行心境团队所设计的脑波信息分析代码，对获取的数据进行分析，把数据按抑郁心理和身体焦虑、情绪管理能力、睡眠质量、内心修复能力、沉浸度、慧熵质量、创新思维以及精神疲劳等进行归类整理并反映到APP上，同时系统结合信息库进行对比，对使用者的心理状态进行分析并为干预方向和需要采取的措施提供参考，使其转化为简单易理解的语言展示在给用户呈现的分析报告中。监测系统运行流程如图4所示。

3 结 语

本文介绍了一款基于脑电分析的系统，采用新型的信号对比方式来检测个体心理健康状况同时结合了NeuroSky穿戴设备对测得的脑波信号进行实验分析。本文通过大量实验发现，在抑郁情况下，“注意力”信号呈现出一种特殊的m型波形。因此本文采用特定算法对比处理脑电信号，以检测是否存在这种独特的m型波形，从而判断个体是否处于抑郁状态。系统为测试者提供检测结果，并根据检测结果提供相应的干预措施。该系统为解决个体的心理健康问题提供了一种先进且精准的检测和干预手段，具有广阔的应用前景。

参考文献

[1] ABIRI R， BORHANI S， SELLERS E W， et al. A comprehensive review of EEG-based brain-computer interface paradigms [J]. Journal of neural engineering， 2019， 16（1）： 011001.

[2] CAO Z. A review of artificial intelligence for EEG-based brain- computer interfaces and applications [J]. Brain science advances， 2020， 6（3）： 162-170.

[3]孙浩，张然，戴巍.基于TGAM脑波传感的互动冥想系统的设计与实现[J].数字通信世界，2022（11）：77-79.

[4]李瑛达，周海波，杨易青.脑波控制的智能医疗轮椅系统[J].物联网技术，2019，9（5）：63-66.

[5]柳素红.基于脑波信号的情感识别[D].合肥：合肥工业大学，2021.

[6] BHATTI A M， MAJID M， ANWAR S M， et al. Human emotion recognition and analysis in response to audio music using brain signals [J]. Computers in human behavior， 2016， 65： 267-275.

[7] ZHAO Q， LUO Y， MA C， et al. Sparse signal recovery via tail-FISTA [C]// 2022 34th Chinese Control and Decision Conference （CCDC）. Hefei， China： IEEE， 2022： 1410-1415.

[8] SEZER A， INEL Y， SECKIN A C， et al. An investigation of university students’attention levels in real classroom settings with NeuroSky’s MindWave Mobile （EEG） device [C]// International Educational Technology Conference. [S.l.]： [s.n.]， 2015： 88-101.

[9] ZHANG S， LI B， CHEN X， et al. Research on the method of evaluating psychological stress by EEG [C]// IOP Conference Series： Earth and Environmental Science. Bristol， England： IOP Publishing， 2019， 310（4）： 042033.

[10] FOURIER J B J. Théorie analytique de la chaleur [M]. Paris： Gauthier-Villars， 1888.

[11] LEI X， JI W， GUO J， et al. Research on the method of depression detection by single-channel electroencephalography sensor [J]. Frontiers in psychology， 2022， 13： 850159.

作者简介：武家辉（2001—），男，研究方向为人工智能。

王 津（1999—），女，在读硕士研究生，研究方向为运筹学与最优化。

收稿日期：2023-10-17 修回日期：2024-01-04

基金项目：广西民族大学国家级大学生创新创业训练计划项目（202310608031）