前言

• 开发了一种基于干电极和通用耳机外形的入耳式耳部脑电图设备

• 其离线分类算法可对用户的困倦程度进行高准确度分类

神经系统的可穿戴设备可以对飞行员和驾驶员的疲劳、困倦和疾病情况进行监测，从而在关键时刻挽救他们的生命。虽然现有的机舱内传感器可以提供警报，但可穿戴设备的应用范围更加广阔，对环境的限制更小。目前的神经可穿戴设备大多数都需要湿电极和笨重的电子设备。

有最新研究展示了用于监测困倦的入耳式干电极耳机系统。所采用的系统集成了干式、用户通用耳机的增材制造、现有的无线电子设备和离线分类算法。在执行诱发困倦的任务的九名受试者中记录了 35 小时的电生理数据。使用用户特定、留一试验和留一用户分割训练了三个分类器模型。支持向量机分类器在评估之前见过的用户时实现了 93.2% 的准确率，在评估从未见过的用户时实现了 93.3% 的准确率。

这些结果表明，无线、干式、用户通用的耳机可用于对困倦进行分类，其准确度可与现有的最先进的湿电极入耳式和头皮式系统相媲美。此外，这项研究还表明，在未来的电生理应用中，群体训练分类是可行的。

本研究由加州大学伯克利分校的团队完成，详细内容于8月2日报道在了《自然 ·通讯》杂志。

Ear ExG 可穿戴设备概念图

设想中的系统可以全天谨慎佩戴，舒适地记录耳道内的神经信号，进行困倦检测并提供反馈。

耳机组装、安装和制造过程

a. 最终的耳机由四个入耳电极和两个外耳电极组成。歧管 3D 打印耳机是通过将刚性镀金耳机插入柔软、灵活的骨架来组装的。

b. 外耳电极压在耳朵的耳甲鼓和耳甲碗上，而入耳电极接触耳道的孔径。入耳电极只进入耳道的前 10 毫米。

c. 电极制造的图表和照片：

i) 电极是3D 打印或模制的。

ii) 裸电极经过喷砂和清洁。

iii) 通过依次暴露于表面活性剂、催化剂和硫酸铜溶液对电极进行化学镀铜。

iv) 化学镀镍层。

v) 最终化学沉积金层。

镀层表面表征

a. 代表性的电镀表面光学显微镜图像，展示了喷砂造成的粗糙度。

b. 在每个电镀步骤之后，使用触针轮廓仪对平面样品进行测量。

c. 电镀后立即进行的绝对薄层电阻测量、平均值（红色圆圈）和标准偏差（误差线）。

d. 入耳电极-皮肤阻抗幅度、相位和幅度拟合。绿色阴影区域显示电极幅度的标准偏差。

e. 用于拟合的恒相元件电极模型。

实验设置、记录和标记方案

a. 受试者坐在一台显示基本反应时间测量游戏的笔记本电脑旁。受试者玩游戏时，头戴式 WANDmini 固定在 3D 打印外壳中，记录 ExG 并通过 BLE 从对侧佩戴的耳机传输到基站。游戏记录受试者的反应时间和李克特调查答案时，可以为试验监督员实时绘制所有捕获的 ExG。

b. 记录的 ExG、反应时间和李克特项目用于生成大脑状态分类器的特征和标签。当受试者的反应时间和李克特反应超过每个受试者确定的困倦阈值时，就会确定为昏昏欲睡事件（以绿色阴影表示）。同时使用反应时间和李克特分数可以创建不受用户暂时错误影响的稳健标签。

困倦检测器训练和验证图 

a. 耳部 ExG 实验记录被重新引用、过滤、清除受运动污染的时期，然后进行特征提取和模型训练。

b. 交叉验证以类似的方式进行，特征化的耳部 ExG 时期被输入到所有三个分类模型中。然后，模型输出被输入到事件检测器中，该检测器执行移动平均，然后对结果分类进行阈值处理，以估计警觉和困倦状态。

EEG 测量和分类器性能 

a. 频谱图显示受试者闭上眼睛时的 alpha 调制。闭眼时，alpha 波段功率（为清晰起见，8-12 Hz 通过 2 秒滚动平均滤波器）的幅度调制为 4 倍。

b. 使用10 秒特征窗口的逻辑回归事件检测。

c. 使用10 秒特征窗口的支持向量机事件检测。

d. 使用10 秒特征窗口的随机森林事件检测。

e~g. 使用 50 秒特征窗口的困倦事件检测。显示所有九位用户结果的标准偏差 (Std Dev)。

结论

该研究报告了一种入耳干电极的设计和制造，以及无线可穿戴入耳 ExG 平台的组装和评估，该平台可用于对从未见过的用户进行离线困倦检测。

3D 打印和无电解金镀层电极可以快速增强以用于任何经过解剖优化的可穿戴设备并长期使用/重复使用，WANDmini 可以支持多日电生理监测，而所提出的离线分类器展示了未来基于干电极的脑状态分类的潜力。与其他最先进的入耳记录平台相比，所提出的电极、无线电子设备和轻量级算法为未来大规模部署使用多种机器学习算法的用户通用无线耳 ExG 脑机接口奠定了基础。

未来的工作需要将这些分类器集成到芯片上，以进行实时大脑状态分类，并将所有硬件小型化到一对耳塞中。此外，硬件需要支持在线分类，以便全天流动使用。最后，重要的是利用这种小型硬件开展一项针对更广泛人群的用户研究。此外，这项工作中执行的特征选择表明，更简单的计算（例如带宽功率比）足以进行嗜睡分类。这使得成本和低功耗的分类成为可能。这些测量将开启一个全新的研究时代，用于跟踪抑郁症、阿尔茨海默病、嗜睡症或压力等疾病造成的长期认知变化。

▼参考资料

Kaveh, R., Schwendeman, C., Pu, L. et al. Wireless ear EEG to monitor drowsiness. Nat Commun 15, 6520 (2024). https://doi.org/10.1038/s41467-024-48682-7.