可穿戴耳内情绪脑电设备靠谱吗?

 

可穿戴耳内情绪脑电设备缘起

 

随着全球人口老龄化加剧，居家或远程医疗监护成为未来医疗的重要方向。情绪状态作为反映心理健康的关键指标，对老年人及独居患者的监护尤为重要。传统多通道脑电设备体积大、设置复杂，不适合长期连续监测。为此，本研究开发了一种低成本的单通道干接触式耳内EEG设备，用于非侵入式情绪监测。该设备基于价-唤醒情绪模型，通过耳道内电极采集脑电信号，利用机器学习进行分类。其优势包括：体积小、佩戴舒适、不易受汗水影响、设置简便、用户接受度高，且信号质量与靠近耳部的T7/T8头皮EEG位置相当。如图1所示，早期定制化耳内EEG原型展示了其耳塞式设计，便于日常佩戴。

 

 

图1：首个定制化耳内EEG原型（2012年）

 

图1 展示了最早由David Looney等人提出的定制化耳内EEG设备，基于用户耳模3D打印制成，贴合度高但成本较高。

 

可穿戴耳内情绪脑电设备系统概述

 

该耳内EEG系统主要由耳塞主体和电极两部分构成，设计目标是实现低成本、通用适配、高信号质量。

 

 

图2：通用型耳内EEG原型（硅胶材质）

 

图2左侧为示意图，图2右侧为实物模型，采用圆柱形硅胶材质，但因柔韧性不足未能广泛适用。展示早期通用型设计的局限性。

 

耳塞选择：研究比较了定制化耳模与通用耳塞。定制耳模虽贴合性好但成本高；通用耳塞中，硅胶和记忆泡沫均存在贴合不牢或易滑出的问题。最终选用多种尺寸的耳机橡胶作为主体（图3），因其柔韧性好、适配性强，能稳固贴合不同大小的耳道。

 

 

图3：多尺寸耳机橡胶耳塞

 

图3 展示多种尺寸的柔性耳机橡胶耳塞，用于适配不同用户耳道，提升佩戴稳固性与舒适度。本研究最终选用的耳塞主体材料及其适配性优势。

 

电极选择：测试了三种材料：半球形银电极、铝箔和银粘合织物。银电极刚性较强，铝箔难以焊接导线。最终选用银粘合织物作为电极材料（图4），因其柔韧性与耳塞匹配良好，易于缝合导线，且阻抗低（0.05–5.5 Ω），与商用OpenBCI电极相当。每个设备仅使用单通道电极，因同一耳内多通道信号相似。

 

 

图4：最终原型：单通道耳内EEG电极

 

图4 展示本研究最终设计的耳内EEG设备，由耳机橡胶基座和银粘合织物电极组成，单通道设计。呈现本研究的实物成果，强调其低成本、柔韧性与实用性。

 

信号处理与验证：使用失匹配负波实验验证信号质量。通过播放标准音与意外音调，记录事件相关电位。结果显示，耳内EEG与T8头皮EEG信号高度相关（相关系数≈0.853），且ERP响应符合理论预期（图6、7），证实其信号有效性。

 

 

图6：失匹配负波响应对比

 

图6a 频率失匹配的ERP响应；图6b 持续时间失匹配的ERP响应；图6c 标准音调的ERP响应；图6d,e 传统MMN实验中的失匹配响应验证耳内EEG与T8头皮EEG在ERP响应上高度一致，证明其信号有效性。

 

 

图7：平均MMN响应对比

 

图7a 平均耳内EEG对所有失匹配试验的响应；图7b 平均T8 EEG对所有失匹配试验的响应；图7c 平均耳内EEG对标准音调的响应；图7d 平均T8 EEG对标准音调的响应；图7 可进一步展示耳内EEG与 scalp EEG 在平均信号形态上的相似性

 

MMN（失匹配负波）实验：在本研究中用于验证自制耳内脑电设备所记录信号的真实性与有效性。该实验通过向受试者交替播放重复的“标准音”与偶然插入的“偏差音”，利用大脑会自动对意外刺激产生特定负向脑电波（MMN）的特性，来检验设备能否可靠捕获这种源自大脑的神经电活动。实验结果清晰显示，耳内设备记录的信号与置于耳旁头皮（T8位置）的标准脑电设备信号高度一致（相关系数约0.853），且都能在偏差音出现后200-400毫秒内观察到典型的MMN负峰，从而有力地证实了该耳内脑电设备能够获取到高质量、可信赖的脑电信号，为其后续用于情绪分类任务奠定了坚实基础。

 

临床研究

 

研究方法：

 

受试者：13名20–30岁成年人（12男1女）。

情绪刺激：使用IAPS和GAPED图片库及四段古典音乐，基于价-唤醒模型诱发四种情绪（快乐、平静、悲伤、恐惧）。

数据采集：耳内EEG插入一侧耳道，接地电极置于前额，参考电极置于同侧脸颊。每次实验记录40个 trials。

信号处理与分类：

使用Butterworth滤波器去除50 Hz工频噪声，并分离出θ、α、β、γ频带。

提取6个统计特征，使用支持向量机进行情绪分类。

采用十折交叉验证评估分类性能。

 

研究结果：

 

情绪分类准确率（表1）：

效价：71.07%

唤醒度：72.89%

四类情绪：53.72%

与DEAP数据集对比：

使用DEAP中T7/T8信号的分类准确率为：价69.85%、唤醒78.7%、四类情绪58.12%。

统计检验（Bonferroni测试）显示，耳内EEG与T7/T8在情绪分类上无显著差异（p > 0.05）。

 

 

图8：情绪分类准确率箱线图（四类情绪）

 

图8 比较T7、T8和耳内EEG在四类情绪分类上的准确率分布，箱线图显示中位数、四分位数及均值。直观展示三类设备在整体情绪分类性能上的可比性。

 

 

图9：效价分类准确率箱线图

 

图9 针对效价（正/负）分类，比较T7、T8与耳内EEG的准确率。强调耳内EEG在效价维度上的分类能力与 scalp EEG 相当

 

 

图10：唤醒度分类准确率箱线图

 

图10 针对唤醒（高/低）分类，比较三类设备的准确率。显示耳内EEG在唤醒度略低于T7/T8但无显著差异。

 

总结

 

本研究成功开发了一种低成本、穿戴舒适、信号可靠的单通道耳内EEG设备，适用于情绪监测。通过MMN实验验证其信号与T7/T8头皮EEG高度相关，情绪分类准确率与传统方法相当。该设备具有易于自佩戴、不受汗水干扰、隐蔽性强等优势，特别适合未来居家或远程医疗监护系统。未来可进一步集成无线通信（如蓝牙）、增加双耳通道以提升分类性能，或优化耳塞设计以保留听力功能。

 

回映产品

 

产品1：单通道肌电/心电/呼吸采集设备

 

单通道肌电/心电/呼吸采集设备创新性地采用type-C转脑电电极以简单轻便的方式实现了单通道肌电/心电/呼吸采集，且基于结构与硬件的特殊设计，支持高原环境下进行采集。另外产品总体结构采用魔术贴设计，方便于全身佩戴。

适用领域:单通道生理参数采集

单通道肌电/心电/呼吸采集设备

产品2.基于干电极的32通道脑电采集仪

 

高质量脑电信号采集对于精准识别和分析非癫痫样异常（如弥漫性慢波、局灶性δ活动）至关重要。为此可以了解我们研发的一款32通道可穿戴脑电采集仪，采用高精度干电极采集脑电信号，无需导电膏即可快速佩戴，极大提升了受试者的舒适度和操作效率，特别适合长时间或动态环境下的数据采集。该设备不仅能通过全覆盖设计捕捉全脑电活动细节，还采用了type-C智能转接技术和抗干扰硬件架构，有效减少了运动噪声和电磁干扰对信号的影响，在高原或移动场景中也能稳定输出低噪声波形。

 

 

适用范围：多通道生理参数采集

 

32通道脑电采集仪

 

产品3：便携式TI时域干涉经颅电刺激仪

 

便携式TI时域干涉经颅电刺激仪通过紧密接触于头皮的电极传导两路不同频率的高频脉冲电流(如：2000Hz和2010Hz),高频电流流经大脑表层和深部区域，并在脑深部干涉产生低频包络(如：10Hz),由于大脑神经元对高频(>1000Hz)电刺激不响应，所以位于大脑表层的高频电流并没有对大脑产生刺激效应位于脑深部的低频包络刺激大脑，实现无创地刺激大脑深部而不影响大脑皮层，即无创脑深部电刺激。

        回映便携式时域干涉电刺激设备支持传统的tTIS时域干涉电刺激模式（基于正弦波），PWM-TI时域干涉电刺激模式（基于50%占空比方波），burst-TI时域干涉电刺激模式,细分为tTI-iTBS，tTI-cTBS两种模式（基于iTBS，cTBS).

 

适用范围：

能够应用于对老年痴呆、癫痫、帕金森、抑郁症等多种神经系统疾病治疗和神经科学研究的多个领域。

回映便携式TI时域干涉经颅电刺激仪设备示意图

 

产品4：便携无创脑脊接口设备（可ODM定制开发）
 

回映这款非侵入性脑脊接口整机设备是一个高度集成的闭环神经调控系统，其核心工作流程始于一个配备32个电极的便携式脑电帽，用于无创采集用户大脑感觉运动皮层的神经信号。这些信号被实时传输至内置的信号处理与计算单元，该单元运行着先进的机器学习算法（线性判别分析，LDA），能够从特定的脑电节律（μ波和β波）中持续解码出下肢的运动意图，并将其量化为一个实时的“运动概率”。一旦该概率值超过预设阈值，计算单元会即刻向经皮脊髓电刺激器发出触发指令。刺激器则通过精准贴附于使用者背部T10脊髓节段和腹部的电极，输送出与运动意图同步的、特定参数（如30Hz，10-15mA）的电刺激，以激活脊髓神经网络，辅助运动完成。整个系统通过统一的硬件同步机制，确保了从“意念识别”到“脊髓刺激”整个环路的时间精度，最终形成一个由“大脑意图驱动、脊髓刺激辅助”的一体化康复设备，旨在通过这种精准的闭环干预促进脊髓损伤患者的神经功能重塑与运动功能恢复。

 

 

便携无创脑脊接口设备示意图
 

参考文献

 

 

1. A Wearable In-Ear EEG Device for Emotion Monitoring.
2. Identifying Stable Patterns Over Time for Emotion Recognition from EEG.
3. Measuring facial movement with the facial action coding system.
4. Emotion Recognition Using Brain Activity.
5. Real-Time EEG-Based Happiness Detection System.
6. Emotion classification based on gammaband EEG.