基于HRV和EEG特征的脑-心相互作用的跨模态计算模型
机器学习
2026-01-13 v1
摘要
脑电图（EEG）是量化精神负荷的黄金标准，但由于其复杂性和非可携性，存在限制。心电图（ECG）信号可通过佩戴式设备（如头盔）实现，作为认知状态监测的有前景方法。本研究探讨了心电图信号是否能够一致地指示精神负荷，作为基于EEG的认知指标的替代品。本研究使用公开的多模态数据集（OpenNeuro）中的EEG和ECG记录数据，分析工作记忆和聆听任务期间的信号。从ECG中提取HRV和Catch22描述符，从EEG中提取谱带功率和Catch22特征。基于XGBoost的跨模态回归框架用于将ECG衍生的HRV表示映射到EEG衍生的认知特征。为解决数据稀疏和脑-心相互作用问题，本研究引入PSV-SDG以生成EEG条件下的合成HRV时间序列。这一方法通过多模态学习、信号处理和合成数据生成，解决了仅从ECG衍生特征推断认知负荷的挑战。这些结果为在非实验室环境中通过可穿戴生物传感器实现的轻量、可解释的机器学习模型提供了基础。合成HRV的引入在稀疏数据情况下提升了鲁棒性。总体而言，本工作是为面向老年人和临床人群的精神健康、教育和人机交互领域构建低成本、可解释且实时认知监测系统的起点。
引用
@article{arxiv.2601.06792,
title = {Cross-Modal Computational Model of Brain-Heart Interactions via HRV and EEG Feature},
author = {Malavika Pradeep and Akshay Sasi and Nusaibah Farrukh and Rahul Venugopal and Elizabeth Sherly},
journal= {arXiv preprint arXiv:2601.06792},
year = {2026}
}
备注
6 pages, 2 figures, Code available at: https://github.com/Malavika-pradeep/Computational-model-for-Brain-heart-Interaction-Analysis. Presented at AIHC (not published)