使用生理信号输入的心理健康评估系统和方法与流程

使用生理信号输入的心理健康评估系统和方法


背景技术：
技术领域
1.本公开涉及用于评估人的心理健康的系统、方法和应用，并且具体地在此类评估中使用生理信号输入诸如脑电图(eeg)信号。
2.相关技术描述
3.心理健康是一个广义的术语，其包括使思维适应变化的内部状态和外部环境、使其能够以目标导向的方式主动引导行为、以及忽略内部和外部干扰的能力。实质上，这是人“执行任务”的能力。心理健康的关键要素在认知文献中被称为适应性控制或认知控制。这种认知能力对于作出良好的决策和对变化的或具有挑战性的环境作出最佳响应是至关重要的。
4.进行决策是人类高度发展的心理能力。虽然人类在生命过程中作出许多决策，一些决策是重要或复杂的，而其他决策是微不足道或容易的，但决策过程相当复杂并且涉及多种认知因素，包括注意力和记忆力，并且必然受情绪的影响。我们中的绝大多数曾经经历了“过于生气而无法说话”或“试图给人留下深刻印象时过于激动而嘟囔废话”的现象。这些是可能认知控制不理想并且因此情绪超过沟通的必要认知过程的情况的示例。认知控制不佳对情绪过程的影响已在金融和商业领域中得到详细记载。众所周知，情绪会在人们作出经济决策的时候产生影响，常常违背合理的金融原理和理性，使得情绪超出逻辑并且导致不良决策。行为经济学和行为金融学是研究情绪和行为对经济活动诸如投资、消费者偏好和营销的影响的学科。许多认知过程受到不良自我控制(包括注意力)的影响。缺乏注意力可能意味着遗漏信息，这继而也会影响决策。
5.人的心理健康必然会影响他们对生活中重要问题的决策：例如婚姻与关系、工作和学习，或定居在哪里。理想的是，人类可作出合理的决策，而不会过度受情绪或注意力缺陷的影响或更糟地被情绪或注意力缺陷打败，这些情绪或注意力缺陷可被广泛地归类为此刻心理不健康。如果人们可以认识到心理健康在决策过程中的作用，从而使得人们能够重新评估决策的有效性，这将是非常有价值的。如果可在最佳心理健康状态下作出决策，则将是理想的。
6.因此，在神经生理学上评估心理健康，并使用此类评估来定量地确定个人的精神状态，从而预测此刻它对个人决策和其他认知生活任务的影响将是一项创新。随着人变老或在痴呆的早期阶段，与决策相关的心理健康可能发展为更重要的问题。实际上，最近的论文表明脑波或电磁脑活动的谱评估显示出用于痴呆早期诊断的预测能力(priyanka等人，2018)。在这种情况下，人们可能能够足够地补偿而表现出正常的功能，但决策尤其是复杂决策可能由于心理健康的微妙劣化而受到影响，其可以使用eeg测量来更精确地检测。在这种情况下对心理健康的神经生理学测量可有利于人们理解他或她的心理状态并正确看待他们的决策，尤其是与以前按照自我评估或知情评估的终身决策的示例相比而言。可以设想的是，这种不理想心理健康的量度可用于评估各种类型的痴呆早期阶段，包括例如有机
或神经性脑综合征、阿尔茨海默病或外伤性脑损伤。还有以下情况，当一个人的心理健康得到改善时，此类测量也可用于评估恢复，最终目的是如果得到早期治疗以及适当且精确的干预，痴呆相关疾病可具有可逆病因。
7.迄今为止，心理健康传统上通过心理研究或生理研究间接评估，而不是通过大脑研究直接评估。缺乏用于评估心理健康的直接神经生理学评估在很大程度上是由于缺乏可量化心理健康的关键组分(诸如认知控制)的可靠测量。本公开包括使用定量eeg标记的系统，该标记可用于在决策过程之前、期间和之后评估人的心理健康状态，因此继而可帮助优化人的决策。


技术实现要素：

8.广义地讲，本公开包括使用来自人的客观生理信号来评估人的心理健康状态的方法和系统及其部件。一个或多个传感器被布置在人的头部附近以测量人的至少一个脑电图(eeg)信号。通过如下方式分析该至少一个eeg信号：计算eeg信号带中的eeg信号的功率，确定针对eeg信号带所计算的功率的指示人的情绪或认知状态的特性，并且基于所确定的特性来评估人的心理健康状态。生成评估输出，该评估输出报告人的所评估的心理健康状态。在至少一个具体实施中，eeg信号包含振荡θ波，并且计算围绕所确定的平均(均值)延迟在θ波中发生的最大功率的时间的方差。
附图说明
9.图1是根据本公开的至少一个实施方案的具有子系统及其部件的系统的示意图。
10.图2a是在人的头部上的标记位置上方嵌入有eeg传感器的头戴式耳机的侧视图的示意图。
11.图2b是人的头部上的头戴式耳机的顶视图的示意图，其指示如图2a所标记的eeg传感器的位置。
12.图3a是在人的头部上的标记位置上方嵌入有eeg传感器的简化头戴式耳机的侧视图的示意图。
13.图3b是人的头部上的简化头戴式耳机的顶视图的示意图，其指示如图3a所标记的eeg传感器的位置。
14.图4a是α去同步及其与刺激后θ同步的关系的散点图。
15.图4b描述了测量认知控制和决策的箭头侧抑制任务的一致状况的示例。
16.图4c描述了箭头侧抑制任务的不一致(更困难)状况的示例。
17.图5a是示出当正在进行的θ信号之间存在干扰时误差概率的增加的曲线图，其中峰值误差率在140ms(一个θ周期)。
18.图5b是示出θ相对于反应时间(rt)的预测能力的散点图。该示例中的相关性为.88，因此θ相几乎完全预测行为测量(在这种情况下为rt)。
具体实施方式
19.本文所公开的系统和方法使用创新性生理信号输入诸如eeg测量来确定人的心理健康状态。此类系统和方法为用户提供他或她的心理健康的评估，计量用户在脑训练中的
进展，并且可以引导用户在最佳的心理健康状态下作出更好的决策。参考附图以非限制性示例的方式描述本公开的例示性实施方案。
20.本公开的实施方案使用传感器、信号处理和分析算法来评估决策过程之前、期间和之后的心理健康，以及在不存在决策的情况下测量心理健康，并且量化认知处理的每个阶段例如对决策过程的相对影响。就决策而言，此类评估可帮助引导决策者评估其此刻的决策能力，从而选择继续执行当前的任务，或者采取或避免执行额外的动作以优化决策过程。本公开可应用于一般生活问题和许多其他环境中的决策，包括例如营销、消费者偏好、投资和财务决策以及其他社会和经济应用。对决策的评估也可一致地用于跟踪个体随时间推移并与不同状态相关联的决策能力，例如早晨与下午或晚上，或与时差或睡眠缺乏相关联。
21.神经科学已表明，大多数认知和记忆利用功能发生在新皮质中，新皮质是大脑最高度进化的部分。另一方面，人们认为情绪主要在中脑区域中被处理。存在源自中脑的某些神经通路和神经过程，这些神经通路和神经过程将情绪及其影响新皮质中的认知和记忆利用过程的效果相关联。已知与认知控制相关的神经生理过程从前额皮质和顶叶皮质出现。此类过程在皮质内产生电势，该电势可经由放置在头皮上的脑电图(eeg)传感器或电极以时间精度在头皮上测量。虽然本文所公开的实施方案集中于eeg信号对认知控制的影响以及它们如何促进心理健康，但大脑的所有电生理活动均可促进心理健康，以及身体的其他生理信号。这些信号可使用本文所公开的发明原理来评估。
22.尽管eeg测量可用来评估情绪、注意力和认知功能，尤其是在将它们与此类决策相关的情况下，量化此类参数一直是具有挑战性的。在各种实施方案中，本公开提供了新的且独特的方法以使用生理信号诸如eeg测量来定量地评估人的心理健康状态，该心理健康状态起因于人的认知执行、情绪、注意力和身体健康，尤其是与决策相关的心理健康状态。此类评估可用来计量心理健康作为健康评估，并且当人试图通过身体、心理和情绪健康训练-例如运动、心理游戏、调解、心智训练-来改善心理健康时，也用来评估心理健康的改善。
23.生理信号传感器诸如eeg传感器、心电图(ecg)传感器和提供皮肤电响应(gsr)的传感器已以相同的传统方式使用数十年。最近，存在可用于改善这些传感器的使用的若干技术创新。例如，此类传感器和相关电子器件可被集成、小型化并且嵌入聚合物贴片中以使其具有柔性。具有先进的信号捕获和信号处理技术的创新电子器件使得传感器能够在不接触皮肤的情况下使用，不需要导电凝胶或垫。这些高级、柔性、非接触传感器，诸如感测eeg或ecg信号的那些，可嵌入日常佩戴中，以难以觉察且舒适的方式从人收集eeg或ecg数据。随着移动无线技术和云计算的进步，信号处理和分析可以越来越复杂和巧妙的方式进行，这对用户来说更方便。此类移动eeg应用包括使用人工智能、脑-机接口(bci)和机器学习，这些应用迄今为止已成功应用于非移动(实验室)eeg和其他神经成像数据。这些创新为在临床和消费者应用中使用生理数据，例如eeg和ecg数据，开创了新的可能性。例如，迄今为止，已使用传统的基于实验室的eeg设备进行了利用eeg的对情绪、认知和决策的大多数研究，该设备往往笨重并且是临床定向的，并且根据定义，其为非移动性的，从而将数据收集限于单一环境。
24.移动可穿戴eeg传感器与连接到计算机、移动设备或计算云的无线技术的组合允许强效分析，该强效分析可阐明个体在任何给定时间的认知控制水平。然后，此类信息可用
作评估，包括自我评估，以在正常生活工作和职能期间有助于当前或潜在决策的质量。本公开使用所述的先进技术来创建用于评估心理健康的新型系统，并使用此类测量来优化决策。如前所述，本发明的实施方案可应用于各种情景，包括在生活问题、营销、消费者偏好、投资和财务决策以及其他社会和经济应用中的决策。
25.在各种实施方案中，本文公开了一种方法和系统，该方法和系统评估人的心理健康，并且允许使用这些量度来总体上评估心理健康，并且具体地还例如在面对干扰者、情绪状态或疲劳的情况下优化决策过程。该评估通过定量地评估人的神经生理测量来进行，其中选择由其他生物生理测量来补充。评估的结果可用于引导个人作出更优化和更具逻辑性的决策。
26.用于评估心理健康并继而评估决策的系统的一个示例在图1中示出。该系统包括：输入子系统(101)，该输入子系统获得与人的心理健康相关的神经生理信息和生物生理信息的测量结果作为输入；分析子系统(102)，该分析子系统基于神经生理信息和生物生理信息计算并分析人的心理健康状态，包括在决策过程期间；以及引导子系统(103)，该引导子系统显示分析的心理健康状态结果并使用该结果来提供关于决策过程的引导，并具有提供反馈机制以使人的决策过程的优化自动化的选项。还存在一种与其他用户进行网络联系以作出组决策的选项，其通过评估该组中的人的个体心理健康，并共同使用该组中的个体的心理健康状态结果来优化该组的决策过程。
27.输入子系统(101)包括能够测量作出决策的人的神经生理参数和生物生理参数的传感器(104)。这些参数可包括但不限于例如eeg信号、ecg信号、心率、皮肤出汗、皮肤电响应(gsr)信号、机电信号和/或光学脉冲血氧定量测量。传感器可以与皮肤接触或不接触，需要或不需要传导介质(例如电解质凝胶)，并且可以是刚性的或柔性的。例如，传感器可作为可穿戴设备嵌入贴片或衣服中。输入子系统还包括例如用于信号处理的电子电路(105)和电源，其中数据传输电路(106)例如向分析子系统(102)提供无线或硬连线通信选项。
28.分析子系统(102)包括计算设备(107)，诸如计算机、包括移动平板电脑在内的移动设备、电话、智能手表或计算云系统，以及可由计算设备(107)操作以用于处理数据(包括例如本文所述的分析算法)的软件(108)。软件(108)可包括存储在通信地耦接到计算设备(107)中的处理器的存储器中的可执行指令。执行指令的处理器实现算法以分析由处理器从输入子系统(101)接收的所测量的人的神经生理参数和生物生理参数，并且产生一个或多个评估数据输出，该评估数据输出可例如在也通信地耦接到处理器的显示器上示出。分析子系统(102)可包括实现人工智能算法的软件，该人工智能算法可通过机器学习来教导，以分析由处理器接收的所测量的信号数据，并且基于从用户过去的决策模式、所作出的决策及其结果所获知的信息来就用户当前所作出的决策提出建议。待计算和分析的参数表示在决策期间人的神经过程的心理健康状态，如由定位在人上或人附近的传感器感测到的生理信号所指示的。
29.引导子系统(103)通信地耦接到分析子系统(102)的输出并且包括显示设备，该显示设备独立于(109)或作为用作分析子系统的计算设备(107)的一部分(110)，以向用户显示所收集的相关数据和分析结果或建议。引导子系统(103)还可包括到用户界面的有线或无线连接(111)，该用户界面向作出决策的人提供反馈或向其他用户的一个或多个网络(112)提供信号以优化决策过程。
30.输入子系统(101)的一个示例包括使用例如32、64、128或256个电极以标准配置部署的脑电图(eeg)传感器(104)，其中放置利用标准10-5、10-10或10-20系统。
31.可使用充当空间滤波器的独立分量分析(ica)来处理从输入子系统(101)接收的eeg信号，以指定所记录的多通道数据中的不同信息源。该eeg设置可捕获并提供关于指标化心理健康所需的eeg数据的广泛的时间和空间信息、以及相关的情绪和认知测量。然而，这些类型的标准高数目通道eeg设备具有体积庞大、显眼的头盔，并且通常需要与导电凝胶或垫一起使用。在多种情况下，此类eeg设置笨重、高度不可移动，并且使用劳动密集型，因此通常限于临床或实验室环境。
32.进一步设计不太复杂和更容易使用的系统以总体上评估心理健康并优化适用于个人的多种经济、投资、财务承诺、消费者选择和日常生活决策的决策过程是有价值的。优化决策过程包括帮助用户(例如，通过指令或其他反馈)优选地在处于最佳心理健康状态-具有确定的认知控制水平时作出决策，该认知控制水平可限制促成决策的情绪分量并增加认知和记忆利用努力分量，以便作出更合理的决策。
33.为了能够在更现实、移动、日常生活环境中使用如本文所述的心理健康评估和决策系统，可将特定配置的较小数目的eeg传感器放置在人的头部上的特定位置上。传感器被设计和定位成捕获所期望的时间和空间eeg信息以导出心理健康测量。在至少一个非限制性示例中，输入子系统(101)包括接触或不接触皮肤、需要或不需要传导介质的脑电图(eeg)传感器(104)，其使用如图2a和图2b所示的头戴式耳机(201)或使用具有类似传感器配置的可穿戴帽子附接到人的头部。eeg传感器以特定配置，例如但不限于图2a和图2b所示的配置，在人的头部的某些位置上收集来自大脑的eeg信号。对于该示例，可为接触或非接触类型的十个eeg传感器(104)按照标准限定位置(10-20系统)嵌入头戴式耳机(201)中的例如fpz、fz、cz、pz、af3、af7、f7、af4、af8和f8的具体位置上，该具体位置覆盖头皮的额头和中线区域，其在该示例中具有特别关注。其他示例性配置可包括头部上的不同位置上的不同数目的eeg传感器，该位置不限于如前述示例所述的额头和中线区域，如被设计成优化对来自人的相关eeg信息的捕获。由传感器(104)检测到的eeg信号被传输到头戴式耳机或帽子中的电子电路以进行处理，例如进行数字化和/或放大，并且通过有线或无线方式传输到分析子系统(102)的计算设备(107)，以便用分析软件和算法进一步处理和分析。如前所述，机器学习或人工智能算法可被实现为用于在帮助用户优化当前决策的过程中从用户的过往历史(所感测的输入和决策结果)提取的分析的过程的一部分。
34.另外的规范可应用于要在那些特定位置研究的eeg数据带，例如但不限于θ带和α带。这些规范用来在执行某些特定任务例如测量心理健康、注意力和情绪时优化eeg数据收集，这将在以下章节中描述。并且由于所需eeg传感器的数目是有限的，如根据eeg信息位置和待研究的频谱的具体需要所定制的，因此用于此类装置的头盔可更加不引人注目、不明显且可接受。使用该示例的非接触式eeg传感器和无线电子器件，传感器可嵌入常规头戴件中而不需要导电凝胶或垫，使得其可接受为常规可穿戴物品以随时评估用户的心理健康，或者同时在实验室或诊所外的日常生活和工作环境中作出决策。
35.本公开的一种迭代测量并分析θ波。eegθ活动被定义为其中eeg信号中的最大功率(微伏平方)介于4hz至8hz之间的信号。在人类中，最典型的θ波信号在7hz下最大。我们的工作(在一系列目前未公布的研究中)已经建立了人的θ活动和人的认知控制之间的关系，以
及它对人的注意力/决策的影响。这项工作的前提根植于发现一系列先前公布的研究表明，θ波信号中的功率明显与冲突监测(认知控制和决策的整体组成部分)、注意力和表现(误差和反应时间)有关。在我们的工作中，我们确定θ信号影响已知的eeg冲突监测指数(事件相关电势(erp)，称为n2)和注意力指数(erp，称为p3)。此外，我们确定了断开α带活动(8hz至13hz)的能力与后续θ活动之间的关系，其中α在y轴上去同步(或断开α)，并且θ在x轴上同步(或接通θ)，如图4a所示。线(401)示出了α活动和θ活动之间存在显著且强的负相关性：θ信号中的功率越大，α信号中的功率越低。关于本专利公开，α活动和θ活动之间的这种相关性是重要的，因为α活动是觉醒指数，例如用情绪克服可被视为过度觉醒并因此即使在休息期间(不需要任何动作)也缺乏α，并且相反地，疲劳可导致α过量并因此导致未充分觉醒的状态。对α信号和θ信号的检查可给出个体的心理健康的综合图片。参见图4b和图4c，我们的工作已表明θ活动在决策任务中对行为结果具有主要影响，其中参与者必须选择在侧抑制阵列中箭头是向左还是向右指向，该侧抑制阵列可与中央(目标)箭头一致(402)或不一致(403)。更具体地讲，我们的工作已表明，θ活动的某些模式导致决策不佳(即误差增加)或决策过程中反应时间更可变(即不可预测)。具体地讲，参见图5a，θ信号中振荡开始的时间预测误差数量(501)，使得当θ周期重新开始而不是连续振荡时误差概率最大(可变性增加)。此外，θ周期的时间影响反应时间(502)，如图5b所示。反应时间是心理健康的已知指标：响应越快且越一致，心理健康越好。缓慢且可变的反应时间与衰老、疲劳、缺乏认知控制和觉醒、以及注意力不集中相关联。我们建议经由例如移动电话(或平板电脑)使用直接标记来使这些标记与eeg信号同步，以便我们在由人执行的简单认知任务中测量与此类标记相关的θ信号峰值。我们提出的心理健康指数是关于个体的θ信号的平均(均值)峰值延迟的方差。由于θ具有7hz的典型峰值，因此峰值的时间应介于120毫秒和170毫秒之间。如下文将更详细地描述的，反应时间(以ms为单位测量)和θ信号的开始的时间(θ相)之间存在强相关性，因为当θ相或开始更可变(在图5b中以弧度为单位测量)时，反应时间也更可变。基于我们对当θ活性在时间上不一致时，具体地讲，θ信号的开始，即，在峰值不是始终在每140ms的情况下，误差增加和更多可变的反应时间的认识，此类可变性可被认为是心理健康的代表。换句话讲，θ相可变性在本文中被用作心理健康的量度。
36.分析子系统(102)包括一个或多个计算设备，包括例如计算云，该计算设备提供强大的计算能力以用于分析eeg数据，包括使用机器学习、迁移学习和其他形式的人工智能能力。计算分析可涉及随时间推移训练机器以学习个体的峰值θ功率或耦合，其可有助于对个体的决策和/或心理健康的持续评估。
37.分析子系统(102)还可向引导子系统(103)提供信息，以通知用户此人是正在接近还是偏离最佳心理健康状态。这可呈现为描绘引导子系统任务期间的θ功率的条。例如，这可涉及简单的在线快速傅里叶变换，其在任务期间将θ功率测量为移动平均值。此类信息可尤其有助于脑部训练的目的，或在改善人的心理功能的其他努力期间是有用的。
38.在作为示例的一种迭代中，反映个体的
‘
典型’θ的eeg数据可通过一至三分钟的短测试来定义，这足以准确评估个体在该时刻的θ活动。本文所公开的实施方案可提供用于此类评估的视觉和/或听觉选项。一个视觉示例是向个体呈现一系列x和o刺激，其中个体需要以游戏的方式在其移动电话上响应，仅响应x刺激而不响应其他字母(例如，o)刺激，或者响应箭头的方向(如图4b所示)。听觉示例是需要个体仅响应高频刺激而不响应低频刺激的情
况。对于大多数振荡，需要个体的θ峰活动的100个示例以在给定的一天在人的脑中获得振荡活动的可靠平均值。刺激将以经由电话或平板电脑测量的所需反应时间呈现。刺激可以每1秒至1.5秒呈现。因此，θ功率的估计可在三分钟或更短的时间内实现。对于该示例，预计θ峰值在大约7hz处最大，但这可具有可在测试/游戏期间持续估计的轻微个体差异。就功率而言，个体的θ峰值活动越低，表明人的θ波的可变性，这继而表明注意力、认知控制和心理健康不佳。
39.如上所述，短θ波评估可使用音频或视觉刺激。在另一示例中，当某人佩戴eeg头戴件或头戴式耳机时，测试的迭代可在移动电话或平板电脑或计算机屏幕上呈现刺激。一种迭代可使用视觉刺激，诸如简单的反应时间任务，在此期间个体必须仅响应显示器上所示的一系列字母“a”、“d”、“f”、“g”等中的“x”刺激。另一种迭代可使用听觉刺激，使得通过耳机呈现蜂鸣声，并且个体仅对一系列音调较低的蜂鸣声中的较高音调的蜂鸣声作出响应。多个任务可经由其计算机、平板电脑和/或电话上的应用程序或app用于个体，该计算机、平板电脑和/或电话可以是用于图1所示系统中的分析子系统(102)的计算设备(107)，或者它们可以是链接到计算设备(107)的独立设备。
40.本公开的另一种迭代涉及可用于分析被研究的人的情绪状态的若干过程，该过程使用eeg和可能的其他生理测量。一个非限制性示例利用α带功率的eeg测量来估计“额不对称性”，其将左额区域中的α信号功率与右额区域的α信号功率进行对比。传统上，较大的左侧激活推断出更积极的情绪效价(tomarken 1990)。其他研究已表明，指示更大左侧激活的额不对称性与接近的性格倾向(相对于逃避)(sutton1997)和愤怒情绪(harmon-jones 2006)相关。
41.在不指定任何特定情绪的情况下，对人的eegα带功率进行分析以例如评估额不对称性，识别较大的左侧激活可将较大的情绪状态指示为“维度
”‑
情绪维度。在该示例中，可测量人的eegα带功率的额不对称性基线水平。然后人经历决策过程，并在该过程中评估人的额不对称性水平。人的情绪维度水平的变化可通过测量额不对称性来推导和量化。
42.也可利用其他eeg测量来计量情绪维度的水平。例如，已表明人的情绪体验的主观评分与人的前中线和额中线区域中的θ带功率显著相关(aftanas 2001)。对eeg测量量化情绪的能力的有力支持来自显示一系列情绪的高分类率(83.26％)的研究，包括愤怒、厌恶和恐惧(murugappan等人；2010)以及使用短eeg片段正确预测参与者是否想象到正情绪情景或负情绪情景的另一项研究，包括爱、敬畏、沮丧和愤怒。这纯粹基于没有刺激事件锁定响应的自发振荡eeg活动，并且通过使用滤波算法，实现71.3％的平均准确度(kothe等人，2013)。
43.当开发出特定eeg测量并用来量化人的情绪维度时，可指定并定制所研究的特定eeg传感器放置和eeg带以按如前所述的最相关、有效且方便的方式优化数据收集。如所述的那样，一个示例可利用嵌入在可穿戴帽子或头戴式耳机中的非接触式eeg传感器，而无需在人的头部的特定区域例如额头和中线上的导电凝胶或盐水垫，以收集θ带eeg信号和α带eeg信号用于处理和分析，从而测量人的情绪状态，如给定的示例所示。另选地，在另一个具体实施中，例如，64通道标准eeg接触电极系统可用来从被研究的人收集eeg信号，并且该系统可使用ica来处理所期望的具体信息源位置和eeg带以提供所需的信息，从而使用例如来自额头区域和中线区域的α频带额不对称性和θ功率来测量人的情绪状态，如上所述。基于
所公开的方法，可使用从多通道ica研究和大规模移动eeg研究获得的关于源位置和eeg带标记的具体信息来执行头戴件和eeg评估中的特定eeg传感器放置的进一步迭代，该源位置和eeg带标记涉及心理健康、情绪和认知。这些示例利用从此类研究获得的信息来定制具有甚至更少eeg传感器的头戴件，使得头戴件对于消费者市场甚至更具用户友好性。
44.在上述示例中测量的人的情绪状态更多地为情绪作为某个维度而不是特定情绪状态，例如恐惧、悲伤、愉快或贪婪。使用情绪作为维度简化了对人的情绪的评估和定量。其他示例可评估传感器信号例如但不限于eeg信号以测量特定情绪，诸如与额不对称性eeg研究中的左侧激活相关联的快乐或接近；或类似地，与右侧激活相关联的负效价或逃避的特定情绪。利用如上所述的分析和人工智能算法，可使用人的特定情绪状态例如恐惧来评估人在例如产权投资方面的决策，利用如下文的分析部分所述的示例所示的分析过程。
45.认知和/或记忆努力维度同样可通过eeg研究来评估。已证实eegα和θ波振荡反映了认知和记忆表现(klimesch 1999)。例如，良好的认知和记忆表现与α信号功率的音调增加但θ信号功率的减小以及α信号功率的大幅相位(事件相关)减小但θ信号功率的增加相关。另一个示例是对高密度eeg数据使用ica，例如，如模拟空中交通管制任务的研究中所用。在这种情况下，发现五个eeg独立分量(ic)信号与特定神经基质相关联，具体地讲，与额叶、中央内核、运动神经、顶叶和枕部区域相关联(dasari 2017)。检测到额ic的θ带光谱功率和四个其他ic的α带光谱功率与心理工作负荷和努力水平相关联。
46.另一个非限制性示例使用收集eeg数据的标准方法结合用于处理期望的特定信息源位置和eeg带的ica来评估认知努力，该标准方法具有eeg电极的标准放置，从而提供eeg数据以测量认知和/或记忆努力，例如，通过利用ic的θ频带频谱功率测量和α频带频谱功率测量，如上文dasari所述(dasari 2017)。在该示例中，额ic中的θ信号功率峰值以及中央内核、运动神经、顶叶和枕部ic中的α信号功率峰值被解释为与认知努力增加相关联。
47.作为非限制性示例，本公开的另一种迭代使用具有几个接触电极的简单头戴式耳机或嵌入在可穿戴帽子中的非接触eeg传感器，而不需要导电凝胶或盐水垫，其在头部的特定区域上例如在额头和中线上，以收集θ带eeg信号用于处理和分析，从而通过研究θ振荡来测量认知和记忆表现，如mcloughlin等人所述(mcloughlin 2014)。θ带活动投影到头皮的额中线区域，并且因此在例如任何eeg头戴式耳机中的cz(头部的中心)或fcz(额中线)处放置接触或非接触电极，或具体地，在包括至少一个接触或非接触电极(104)的简化eeg头戴式耳机(图3a中的301，图3b中的顶视图302)中-例如，在cz或fcz位置-将足以测量θ带的相位。对信号的分析将滤除θ范围-即4hz至8hz-内的活动之外的活动。因此，清晰的θ信号将可能识别，并且可以评估θ信号的相位或开始时间。如果相位开始存在大于该个体的平均值的可变性，则可告知该个体他/她的心理健康以及决策能力是不理想的。类似于其他可穿戴设备，可针对每个个体校准可变性。当开发并在特定实施方案中使用特定eeg测量来量化认知和/或记忆努力时，可指定并定制所研究的特定eeg传感器放置和eeg带以优化如上所述的最相关、有效以及便利方式的数据收集，目的是通过减少设计中传感器和电子器件的数量和尺寸来使嵌入有传感器的头盔或头戴件更具用户友好性并且可接受，同时特别用于所实现的实施方案的预期功能。
48.分析子系统(102)从输入子系统(101)收集eeg数据，然后使用一种或多种分析算法，可选择包括可教导的人工智能组件，例如，通过机器学习来计算和分析eeg数据以导出
人的神经过程例如在决策期间的心理健康状态，包括反映认知努力和记忆利用的量度。
49.eeg信号中振荡峰存在个体差异。机器学习可以提供反馈回路，以确保基于用户的当前数据和历史数据，对每个个体用户的心理健康的评估(例如，θ相一致性)是准确的。例如，大多数成人在7hz下具有θ峰值功率；然而，这可在7hz左右变化，并且对于不同的人而言为介于5hz和8hz之间的任何值。
50.如本文所述的机器学习系统可通过使用决策结果作为系统的进一步输入来为特定个体定制分析算法处理，从而提高评估的准确性。该系统的部件可包括具有使用决策刺激的任务的短期在线评估。此类评估的结果允许针对个体用户校准系统。
51.本公开的另一种迭代使用脑-机接口(bci)系统中的eeg测量。例如，人的θ带活动可随时间推移进行训练并用于操纵外部系统，例如，就机器人而言，向左或向右移动臂部。此外，在bci中使用θ带测量允许本公开的实施方案确定何时作出决策，诸如向左或向右。
52.在一些实施方案中，引导子系统(103)包括显示设备(109)，该显示设备独立于计算设备(107)或作为用于分析子系统中的计算设备的一部分(110)，以显示所收集的相关数据、分析结果和/或对用户动作的建议，从而改善用户的心理健康状态。心理健康状态信息可例如被显示在设备上。作出决策的用户利用所提供的信息来评估已影响所作出的决策的任何相关心理健康状态分量。另一种选择是，利用相同类型的设备和过程，经由有线或无线连接(112)将用户的心理健康信息传送到其他用户的网络，以便优化作为一个组的用户的决策过程，从而利用人群的智力效果，但仍要考虑到个人情绪因素。例如，由于每个不同的用户在面临作出决策时可能具有不同的情绪反应或处于不同的心理健康状态，因此某个组中的聚合的心理健康分量量度作为对决策的贡献通常是多样化的。然而，在某些情况下，当可能设定“乌合之众”或“群体”情绪时，系统可通过基于所测量的组的各个成员的情绪分量的聚合测量异常高的组情绪分量来区分此类组情绪。
53.另一个非限制性示例包括有线或无线连接(111)以将引导信息传输到用户界面，该用户界面向作出决策的人提供反馈或用于脑训练目的。引导信息可为与源自由分析子系统(102)执行的分析的结果相关的电子信号的形式，例如，心理健康状态结果或来自来源eeg信息的处理信号将用来执行自动神经反馈以改善心理健康或降低情绪成分在用户的决策过程中的影响。利用该原理来帮助使用神经反馈过程训练用户的大脑以优化用户心理健康(包括在决策过程期间)的示例可作为示例，如以下所述。与用户的心理健康程度相关或表示用户的心理健康程度的所处理的eeg信号可生成相关的分级音频音调，该音调在大脑训练课程期间或在用户的决策过程中由系统经由扬声器输出。然后，用户可例如采用呼吸练习来减小情绪维度，如通过神经反馈的音频音调的变化所指示的。换句话讲，作为示例示出，用户使用呼吸练习通过神经反馈来优化用户的心理健康，如通过听到指示心理健康状态改善的减小的音频音调所反映的。该过程帮助用户优化心理健康和用户当前的决策过程，并且进一步帮助用户应用此类训练以使未来的决策尝试受益。
54.至于可以使用所公开的方法和系统评估的决策的类型，一个非限制性示例涉及二元决策-是或否；购买或销售；购买或持有；销售或持有；去或停留；以及例如其他类似的决策。二元决策过程将很可能允许使用对人的生理信号诸如eeg信号的研究来生成人的心理健康的相关量化，如本文所述。多个选择/结果决策，诸如从十个可能的股票中选择两个股票以投资，或从五种颜色中选择穿着的最佳颜色，在一些情况下可使eeg信息量化不太相
关。然而，大多数多个选择/结果决策可以减少到相关的多个二元决策(具有子决策)。另一个非限制性示例使用多个二元决策，其中每个决策允许生理(诸如eeg)信息的更相关量化，以使得能够基于推导最终多个选择/结果决策所需的二元子决策来构建决策树或多个决策树。
55.尽管前述具体实施方式涉及获得并分析eeg信号，但还应当理解，除了eeg信号之外或作为eeg信号的替代，本文所述的系统和方法还可使用其他生理信号。此类其他生理信号可包括心电图(ecg)信号、心率信号、出汗测量值和/或测量的皮肤电传导(gsr)参数。例如，如本文所述的计算设备可分析从放置在人身上的ecg传感器获得的ecg信号，并且识别通常与焦虑症相关联的心率增加，作为人的心理健康状态的指示。另选地或除此之外，可从放置在人身上的相应传感器获得人的心率、出汗和/或皮肤电反应的测量结果，以识别可能与神经质相关联的出汗增加，作为人的心理健康状态的指示。计算设备可使用此类生理信息来确定与人的心理健康状态相关的评估输出，从而可例如在决策过程中优化人的心理活动。
56.例如，本文所述的方法和系统的各种非限制性方面可概述如下：
57.方面1：一种评估人的心理健康并通过评估和利用来源于人的客观生理输入的人的心理健康状态的一个或多个测量来优化人的决策过程的方法和系统，该方法和系统包括：
58.传感器，其测量人的一个或多个生理参数，例如但不限于脑电图(eeg)、心电图(ecg)、心率、出汗或皮肤电反应(gsr)参数，以及
59.计算设备，
60.其中由传感器测量的生理参数被传输到计算设备，其中通过使用一种或多种分析算法，计算设备在决策过程之前和期间量化指示人的心理健康状态的生理信息，并且计算设备使用此类生理信息来确定与人的心理健康状态相关的一个或多个评估输出，诸如指示人的心理健康状态在决策过程中的相对影响的评估输出，从而使人能够优化决策过程。
61.方面2：上述方面1中的传感器本质上可为接触式的或非接触式的。
62.方面3：上述方面1中的传感器可为柔性的或刚性的。
63.方面4：任何上述方面中的传感器可捕获单一类型的生理信息，例如eeg信号，或多种类型的生理信息，例如eeg信号、ecg信号和心率。
64.方面5：任何上述方面中的传感器可以嵌入佩戴在人头部上方的头盔中。
65.方面6：任何上述方面中的传感器可以是嵌入佩戴在头部上方的常规头戴件中的非接触式传感器，而无需将传感器耦接到头部的传导介质。
66.方面7：任何上述方面中的eeg传感器可被配置成以标准eeg位置放置在人的头部上。
67.方面8：任何上述方面中的eeg传感器可被配置成以特定图案放置在头部上，并且被设计成从特定信息位置和/或在特定eeg波带捕获eeg信号。如果需要，该图案可在构造可穿戴eeg头戴式耳机之前使用高密度eeg来确定。
68.方面9：由任何上述方面中的传感器收集的生理信息可无线传输到计算设备。
69.方面10：任何上述方面中的计算设备可包括计算机、包括移动平板电脑、电话和/或智能手表的移动设备、或计算云。
70.方面11：任何上述方面中的一种或多种分析算法可包括人工智能，诸如机器学习软件。
71.方面12：在任何上述方面中决策过程要作出的决策本质上可以是二元的。
72.方面13：在任何上述方面中决策过程要作出的决策可使用一个或多个决策树形式的多个二元决策来构建。
73.方面14：来自计算设备的评估输出可显示在计算设备上或独立的显示设备上。
74.方面15：来自计算设备的评估输出可经由网络传输，并且使用相同类型的计算设备与来自其他用户的评估输出聚合以执行组决策。
75.方面16：来自计算设备的评估输出可用于向正被评估的人和/或系统的其他用户提供神经反馈。
76.方面17：计算设备可使用评估输出来计量人的心理健康作为健康评估，并且当人试图通过身体、心理和情绪健康训练，包括但不限于运动、心理游戏、调解和心智训练来改善此类心理健康时，也用来评估心理健康的改善。
77.方面18：确定一个或多个评估输出可涉及训练计算设备以识别人的峰值θ带功率或耦合，这有助于对人的决策过程和/或心理健康的评估。
78.可组合以上所述的各种实施方案和各方面来提供另外的实施方案。本说明书中提及和/或申请数据表中列出的所有美国专利申请和非专利公开均以引用方式整体并入本文。必要时，可以修改实施方案的各个方面，以采用各申请和公开的概念来提供另外的实施方案。
79.鉴于上文的详细说明，可以对这些实施方案作出这些和其他改变。一般来说，在随后的权利要求中，使用的术语不应解释成将权利要求书限制在本说明书和权利要求书中披露的具体实施方案中，而应解释成包括所有可能的实施方案以及这类权利要求书赋予的等效物的全部范围。因此，权利要求并不受本公开内容所限定。
80.参考文献：
81.aftanas li、golocheikine sa人前中线和额中线θ和下α反映情绪积极状态和内化注意力：高分辨率eeg冥想调查(human anterior and frontal midline theta and lower alpha reflect emotionally positive state and internalized attention:high-resolution eeg investigation of meditation)。神经科学通讯(neuroscience letters)。2001；310:57-60。
82.cavanagh jf、zambrano-vazquez l、allen jj(2012)：θ通用语：用于动作监测过程的常见前中额基质(theta lingua franca:a common mid-frontal substrate for action monitoring processes)。心理生理学(psychophysiology)。49:220-238。
83.cavanagh jf、figueroa cm、cohen mx、frank mj(2012)：在探索和开发期间额θ反映不确定和意外(frontal theta reflects uncertainty and unexpectedness during exploration and exploitation)。脑皮层(cereb cortex)。22:2575-2586。
84.dasari d、shou g和ding l。衍生自ica的eeg与实时模拟空中交通管制任务中的精神疲劳、努力和工作负荷相关(ica-derived eeg correlates to mental fatigue,effort,and workload in a realistically simulated air traffic control task)。神经科学前沿(front.neurosci.)2017；11:297
85.harmon-jones e、lueck l、fearn m、harmon-jones c。个人相关性和接近相关动作预期对相对左额皮质活动的影响(the effect of personal relevance and approach-related action expectation on relative left frontal cortical activity)。心理科学(psychological science)。2006；17(5):434-440。
86.klimech，w。eegα和θ振荡反映认知和记忆表现：回顾和分析(eeg alpha and theta oscillations reflect cognitive and memory performance:a review and analysis)。大脑研究综述(brain research reviews)。1999；29:169-195。
87.kothe c、makeig s、onton j。在自我节奏情绪表象期间通过eeg的情绪识别(emotion recognition from eeg during self-paced emotional imagery)。情感计算和智能互动国际会议(international conference on affective computing and intelligent interaction)。瑞士日内瓦。2013。第855-858页。
88.mcloughlin g、palmer ja、rijsdijk f、makeig s：双生子研究中诱发的额中央区θ带相可变性、反应时间可变性和注意力缺陷/多动障碍症状之间的遗传重叠(genetic overlap between evoked frontocentral theta-band phase variability,reaction time variability,and attention-deficit/hyperactivity disorder symptoms in a twin study)。生物精神病学(biol psychiatry)。2014。75:238-247。
89.nigbur r、ivanova、g、sturmer b(2011)：θ功率作为认知干扰的标记(theta power as a marker for cognitive interference)。临床神经生理学(clin neurophysiol)：122:2185-2194。
90.priyanka p、shah-basak a、deschamps t、verhoeff pv、jokel r、meltzer j(2018)：两种形式的痴呆症认知状态的自发振荡标记(spoentaneous oscillatory markers of cogniive status in two forms of demntia)。人类大脑mapp(human brain mapp)。2018。出版中。
91.sutton sk、davidson rj。前额脑不对称性：行为接近和抑制系统的生物基质(prefrontal brain asymmetry:a biological substrate of the behavioral approach and inhibition systems)。心理科学(psychological science)1997；8(3):204-210。
92.tomarken aj、davidson rj、henriques jb。静息额脑不对称性预测对膜的有效响应(resting frontal brain asymmetry predicts affective responses to films)。个性与社会心理学杂志(journal of personality and social psychology)。1990；59:791-801。