基于多模态EEG-VR融合的青少年情绪障碍康复系统设计与效果评估

祝俭（2005.06—），女，汉，湖南省张家界人，长沙市雨花区长沙民政职业技术学院在读，社会工作专业，

摘要 本文介绍一种基于多模态EEG-VR融合的青少年情绪障碍康复系统，阐述其设计架构，包含硬件设备与软件算法。通过实验评估系统效果，结果显示该系统在改善青少年情绪障碍上效果积极，为青少年情绪障碍康复治疗提供新的有效路径。

关键词 多模态；EEG-VR融合；青少年情绪障碍；康复系统；效果评估

一、引言

青少年情绪障碍已成为不容忽视的心理健康问题，严重影响其成长与发展。常见的焦虑症、抑郁症等，传统治疗方式如药物和心理咨询存在局限。随着科技进步，多模态技术融合带来新契机。脑电图（EEG）能实时反映大脑电生理活动，虚拟现实（VR）技术可营造沉浸式治疗环境 ，基于多模态EEG-VR融合的康复系统有望开辟新治疗途径。

二、系统设计

2.1 硬件设备

1. EEG采集设备：选用高精度设备，有6个电极通道，覆盖国际标准10 - 20系统关键位置，能精准捕捉大脑神经电活动。采样率达240Hz，确保高分辨率数据采集，能精准反映大脑瞬间电生理变化。

2. VR设备：采用VR头戴式显示器，提供清晰视觉体验。120° - 140°大视场角，带来沉浸式感受。配备高精度动作追踪系统，实时捕捉头部和肢体动作，延迟低于15ms，保障交互流畅。

3. 数据传输与处理设备：用高性能计算机处理数据，配置i9处理器、1t内存和3060显卡，可快速处理EEG数据、运行VR场景。通过无线蓝牙或USB接口，实现EEG采集设备和VR设备与计算机稳定、高效的数据传输。

2.2 软件算法

1. EEG信号处理算法：采集的EEG信号先经带通滤波器，去除50Hz工频干扰和高频噪声，保留0.5 - 30Hz有效频段，该频段与情绪紧密相关。再用独立成分分析（ICA）算法去除眼电、肌电伪迹，提升信号质量。采用功率谱估计计算不同频段（δ：0.5 - 3Hz、θ：4 - 7Hz、α：8 - 13Hz、β：14 - 30Hz）功率值，这些频段功率变化与情绪状态相关，比如α波功率降低可能与负面情绪有关。

2. 情绪识别算法：基于机器学习构建情绪识别模型，用支持向量机（SVM）作分类器，选取处理后的EEG特征如不同频段功率值、脑电微状态特征等作为输入。训练时，收集不同情绪状态下的EEG数据，优化SVM模型，调整核函数参数和惩罚因子，提高模型准确性和泛化能力，最终情绪识别模型准确率达96%以上。

3. VR场景交互算法：根据治疗需求设计多种VR场景，像放松自然场景（森林、海边等）、认知行为疗法场景（模拟社交互动、应对压力情境等）。

三、效果评估

3.1 实验设计

实验对象：招募50名13 - 18岁情绪障碍（主要是焦虑症和抑郁症）青少年，均经专业心理评估确诊，排除其他严重身体和精神疾病。随机分为实验组和对照组，每组10名。

3.2 评估指标

1. 心理评估量表：用儿童抑郁量表（CDI）和儿童多维焦虑量表（MASC）量化评估情绪状态。CDI有27个项目，从情绪、认知、行为等评估抑郁程度，得分越高抑郁越严重；MASC有39个项目，评估社交、分离、躯体焦虑等维度，得分越高焦虑越严重。

2. EEG指标：分析EEG信号中与情绪相关的频段功率变化和脑电微状态特征。重点关注α波和β波功率，α波功率增加、β波功率降低通常与积极情绪相关。研究脑电微状态分布和持续时间变化，其变化可反映大脑功能改变。

3.3 实验结果

1. 心理评估量表结果：实验前，两组量表得分无显著差异（p > 0.05）。第4周，实验组得分下降，但与对照组比差异不显著（p > 0.05）。实验结束，与对照组比差异有统计学意义（p < 0.05），表明实验组青少年抑郁和焦虑情绪改善更明显。

2. EEG指标结果：实验前，两组EEG频段功率和脑电微状态特征无显著差异。脑电微状态方面，实验组积极情绪相关微状态持续时间显著增加，负面情绪相关微状态持续时间明显缩短，与对照组比有统计学差异（p < 0.05），证明康复系统对青少年大脑情绪相关电生理活动有积极调节作用。

四、结论

基于多模态EEG - VR融合的青少年情绪障碍康复系统整合EEG和VR技术，实现对青少年情绪实时监测和个性化康复治疗。实验表明该系统在改善青少年情绪障碍上效果显著，能有效降低抑郁和焦虑程度，调节大脑情绪相关电生理活动。但本研究存在样本量小、实验周期短等局限。