大家好，欢迎来到IT知识分享网。
神经可穿戴设备在监测飞行员和司机的困倦和健康状态方面具有重要作用。尽管基于摄像头的眼动追踪、方向盘轨迹传感器或电生理记录设备等困倦监测解决方案已广泛应用于车辆场景中，但它们各有局限，例如眼动追踪容易被太阳镜和其他障碍物遮挡等。目前，神经可穿戴设备前景广阔，但大多数设备因湿电极和体积较大而使用不便，限制了其日常应用。
最近，加州伯克利大学的研究团队开发了一种新型可穿戴耳内ExG传感器系统，用于困倦监测。该无线干电极耳塞集成了干电极、无线电子设备及离线分类算法。研究团队采用支持向量机（SVM）分类算法，发现无线干电极耳塞在困倦分类准确性上可与现有湿电极采集系统（如耳内EEG和头皮EEG系统）媲美。新型无线干电极耳塞的应用将为未来隐蔽、无线、长期脑监测奠定基础。该研究成果于2024年8月2日发表在《Nature Communications》期刊上。
Fig1. 设想的耳内ExG可穿戴设备。系统可以全天舒适地戴在耳道内，以记录神经信号进行困倦检测并提供反馈。
1. 耳内ExG系统电极的设计制造
耳塞设计：神经可穿戴设备往往需要通用耳塞和电极设计，以便适应不同群体长期佩戴的需求。研究人员设计了小、中、大三种尺寸的耳塞，电极位置靠近耳道。中等尺寸耳塞包括耳道内4个60mm2电极和耳蜗钹和耳蜗腔2个3cm2电极（图2a）。3D打印的软耳塞体增强了用户舒适度，并使电极可以独立移动以适应不同耳形。这种模块化设计展示了耳塞制造工艺的能力（图2b）。
电极制造：研究人员开发了一种低成本的无电镀工艺，可以实现任意形状电生理传感器的快速原型制作。电极使用3D打印，通过喷砂处理增加表面粗糙度，随后镀上铜、镍和金金属层（图2c），适合干电极记录。镍层显著延长了电极的使用寿命，简化了制造步骤。
Fig2. 耳塞设计制造和组装工艺。a: 耳塞由4个入耳电极和2个耳外电极组成。3D打印的耳塞通过将镀金耳塞插入一个柔软、灵活的骨架中组装而成。b: 耳外电极按压在耳蜗钹和耳蜗腔上，入耳电极在耳道入口。c: 电极制造的示意图. i) 电极通过3D打印或模具成型。ii) 裸电极经过喷砂和清洗。iii) 电极进行化学镀铜。iv) 化学镀镍层。v) 化学镀金层。
2. 电镀工艺特征
材料酸洗测试和胶带测试：电极表面具有很高的物理和化学耐久性。Kapton胶带测试显示电极与基底粘附力强，没有金、镍或铜的剥离。酸洗测试中，电极在1M硝酸浴中表现稳定，无腐蚀现象，无微裂纹（图3a）。最终电镀表面粗糙度增加，显示了低电极-皮肤阻抗（ESI）。
表面粗糙度特征：电镀步骤中表面粗糙度略有减少，但最终金表面比平面表面粗糙，增加了电极表面积，促进膜附着，并降低了ESI（图3b）。
片电阻：四点探针测试表明每层金属的添加使片电阻趋于稳定，表面导电性增强（图3c）。
多用户耳内电极的生物阻抗：阻抗谱测试评估耳内电极的皮肤阻抗，结果显示，在50Hz时，界面平均阻抗为120 kΩ。所有测量均使用LCR表进行，结果拟合到等效电路模型，用于未来模拟前端设计参考（图3d-e）。
Fig3. 电镀表面特征。a: 镀层表的光学显微镜图像。b: 平面样品在每个镀层步骤后的轮廓仪测量。c: 绝对片状电阻测量值。d: 耳内电极-皮肤阻抗大小、相位和拟合。e: 用于拟合的恒相位元件电极模型。
3. 轻量级ExG记录系统
ExG信号通过头带固定的WANDmini无线平台记录（图4a）。WANDmini基于定制的神经记录电路，采样率为1 kSps，可记录64个全差分通道。它采用单极布局，使用一个参考电极，适用于EEG、EOG和EMG记录。该系统通过低功耗蓝牙传输数据，整体功耗较低，可运行约44小时。其高通道数量和低噪声底使其适合耳内EEG原型。
Fig4. 实验装置、记录和标记方案。a: 被试参加游戏实验，测量基本反应时间。头戴的WANDmini固定在3D打印的外壳中。被试玩游戏时，对侧耳塞记录并传输ExG信号到基站。b: 记录的ExG信号、反应时间和李克特量表评分用于生成脑状态分类器的特征和标签。标记困倦事件为绿色阴影部分。
4. EEG特征与用户困倦检测
困倦研究：9名被试佩戴两个耳塞，通过简单的游戏诱导困倦，记录基本反应时、卡罗林斯卡困倦量表（KSS）评分以及耳内ExG数据。反应时间和KSS评分用于生成警觉、困倦标签。所有数据用于后处理和机器学习模型训练（图4b）。
机器学习算法分类流程：ExG数据的训练流程包括数据后处理、特征提取和模型分类训练（图5a）。数据经过最大化空间覆盖、带通滤波、时间窗口分割，并丢弃了伪影数据。提取与困倦检测相关的时间和频谱特征，包括眼动伪影和标准EEG频带活动：δ（0.05-4Hz）、θ（4-8Hz）、α（8-13Hz）、β（13-30Hz）和γ（30-50Hz）。之后，使用逻辑回归、SVM和随机森林进行警觉、困倦二分类。
三种交叉验证技术用于估计模型性能，分别是：用户特定（user-specific）、留一试次法（leave-one trial-out）和留一用户法（leave-one-user-out）交叉验证。为解决困倦和警觉类的不平衡，每个模型采用类别平衡方案，警觉时期的权重与其数量成反比（图5b）。
Fig5. 困倦分类器训练和验证图。a: ExG数据经过新参考，过滤，清除伪迹，然后进行特征提取和模型训练。b: 交叉验证以类似方式进行，将处理后的数据输入三个分类器中并进行分类验证。
5. 机器学习分类结果
α调制比：α波（8-12Hz）是一种自发的神经信号，反映放松状态，是困倦分类的重要频谱特征。图6a显示个体的α波示例。
分类器准确率：user-specific交叉验证中，分类平均准确率在77.9%到92.2%之间；leave-one trial-out的平均准确率更高，为91.4%到93.2%，这可能是由于训练数据量增加所致；leave-one-user-out平均准确率为88.1%到93.3%。
10s vs. 50s时间特征窗口：研究发现，在user-specific交叉验证中，10s窗口导致显著的性能损失，将窗口大小增加到50s时，逻辑回归分类器的平均性能从77.9%提高到90.8%。leave-one trial-out和leave-one-user-out交叉验证中，10s窗口的特征损失较小，可能是由于训练数据量增加所致。
分类器架构比较：逻辑回归使用随机平均梯度下降求解器和L1正则化。SVM使用RBF内核，训练模型最多使用400个支持向量，正则化参数C=1。随机森林模型使用100棵树，最大深度为5。三种模型均能达到高准确率，逻辑回归模型计算效率高，内存需求少，适合用较小数据集训练和测试。
Fig6. EEG测量和分类器性能表现。a: α波调制的频谱图。b: 10s特征窗口的逻辑回归困倦事件检测。c: 10s特征窗口的SVM事件检测。d: 10s特征窗口的随机森林事件检测。e,f,g: 50s特征窗口的事件检测。
这篇文章展示了耳内干电极的设计和制造过程，以及用于困倦检测的无线耳内ExG记录系统的构成和测试结果。该新型耳内传感系统适用于不同年龄群体，并具备长期重复使用的能力。机器学习分类精度的结果表明，基于干电极的大脑状态分类具有巨大的潜力，这不仅为用户友好的无线耳内ExG脑机接口的大规模应用奠定了基础，还可望在未来用于追踪抑郁症、阿尔茨海默症或压力等疾病引起的长期认知变化。
Reference:
https://www.nature.com/articles/s41467-024-48682-7
仅用于学术分享，若侵权请留言，即时删侵！
加入社群
欢迎加入脑机接口社区交流群，
探讨脑机接口领域话题，实时跟踪脑机接口前沿。
加微信群：
添加微信:RoseBCI【备注：姓名+行业/专业】。
加：
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
点击投稿：脑机接口社区学术新闻投稿指南
2.加入社区成为兼职创作者，请联系微信：RoseBCI
一键三连「分享」、「点赞」和「在看」
不错过每一条脑机前沿进展
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://haidsoft.com/146273.html
