腦機啟偵 | 情感腦機接口：來自心理學與神經科學的啟發（01.27）

摘要 ABSTRACT

賦予機器理解人類情感的能力是人工智能領域最具挑戰性的前沿課題之一。隨著心理學、神經科學與人工智能技術的深度融合，基于腦神經活動解碼情緒狀態的情感腦機接口正在成為新興研究熱點。該文聚焦心理學與神經科學前沿發展對情感腦機接口的啟發，系統梳理該領域的關鍵進展與未來方向。在理論層面，探討情緒心理學新進展如何重構情感計算范式，為神經解碼提供更符合真實場景的計算框架；在技術層面，分析神經科學如何啟發計算模型架構，應對實際挑戰；在應用層面，論述學科交叉如何促使情感腦機接口將研究話題從情緒狀態識別拓展至個體差異量化測評等新興方向。最后，展望情感腦機接口技術在用戶體驗、人機交互、心理健康等領域的應用潛力，并討論其面臨的倫理與技術挑戰。

人工智能先驅Minsky曾精辟論述：“問題不在于智能機器能否擁有情感，而在于沒有情感的機器能否實現真正的智能”。這一論斷充分肯定了情感在智能系統架構中的核心價值——作為人類認知過程的關鍵維度，情感不僅驅動著決策制定、社會交互和學習適應等高級功能，更是實現真正類人智能交互的必要基礎。在這一背景下，美國麻省理工學院Picard教授開創性地提出“情感計算”（affective computing），這一跨學科研究領域的建立標志著信息科學、認知科學和心理學等學科的研究者開始系統性地探索如何賦予計算機識別、理解、表達乃至模擬情感的能力，為構建具有情感智能的新一代人機交互范式奠定了關鍵基礎。

情感腦機接口(affective brain-computer interface) 作為情感計算領域的新興研究方向，通過直接解碼大腦神經活動來實現情緒狀態識別，展現出獨特的技術優勢。情緒相關線索的收集是實現情感計算的前提。傳統基于表情、語音等音視頻信息的方案具有容易采集、技術成熟度高等優勢，但其情緒線索來源是可直接觀測的外部行為表現；一方面，外部行為表現可能被主觀抑制或偽裝（如“撲克臉”現象）; 另一方面，外部行為表現可能是離散的，要實現連續識別需要用戶持續說話或做出表情。基于心率、皮膚電導等外周生理信號的方法雖然能夠實現連續監測，但這些信號主要反映情緒的喚醒程度，在情緒特異性識別方面存在局限。相比之下，腦電（EEG）、功能性近紅外光譜（fNIRS）等中樞神經信號具有3個顯著優勢：其一，腦神經活動具有天然的不可控性，具備優異的抗偽飾能力；其二，腦神經活動信號蘊含豐富的情緒特異信息，可用于區分不同情緒狀態；第三，持續的中樞神經活動為情緒狀態的連續監測提供了可靠的生理基礎。這些特性使得以中樞神經信號為情緒線索來源的情感腦機接口成為探索情緒神經機制和開發新型情感計算系統的理想技術路徑。

情感腦機接口自誕生伊始就攜帶跨學科的屬性。一方面，情感腦機接口的計算架構遵循典型的監督學習范式：通過采集帶有情緒標注的腦神經信號數據（如EEG、fNIRS），建立神經特征與情緒標注之間的映射關系，經模型訓練與參數優化后，最終實現對新采集腦信號的實時情緒解碼。因此，情感腦機接口的進展極大受益于機器學習、深度學習領域的發展。另一方面，情感腦機接口以情緒為識別目標。作為一種復雜的心理生理現象，情緒的主觀體驗與對應神經表征具有顯著的個體差異性、情境依賴性等特性，這使得傳統機器學習范式在情感腦機接口應用中面臨獨特挑戰。正是這種跨維度復雜性決定了情感腦機接口研究必須采用深度交叉學科的路徑。一方面需要信息科學在特征工程和算法架構上的持續創新；另一方面離不開心理學提供情緒理論框架，以及神經科學揭示情緒加工的神經機制。這種多學科協同創新的必要性是本文綜述的核心立場。

本文從理論層面、技術層面和應用層面分別進行論述，并從多學科交叉視角探討情感腦機接口的未來發展。

01情緒心理學重構計算范式

情感腦機接口的核心任務是在不同情緒狀態與腦神經數據之間建立穩定、可分的映射關系。要建立這一映射關系，首先需要確定情緒的基本框架，為情緒狀態量化標注提供標簽體系。對人類的主觀感受進行量化是心理學領域的重要研究問題。情緒作為最重要的主觀感受之一，大量的心理學研究者對情緒標簽進行研究，產生了廣泛的影響。在情感腦機接口研究實踐中，研究者常常選擇情緒心理學領域中的某一種代表性理論作為情緒標注框架。例如，以Ekman基本情緒理論為代表的離散情緒框架（見圖1a）嘗試用有限的、離散的類別（如憤怒、悲傷、喜悅等）描述情緒。以Russell核心情緒理論為代表的維度框架（見圖1b）則希望從平靜-激動（即喚起）和消極-積極（即效價）等連續坐標軸對情緒體驗進行量化。對于遵循典型監督學習范式的情感腦機接口而言，情緒標注框架既是計算建模的起點，也是計算模型識別的目標。這使得情緒心理學領域的早期研究成果深刻地影響了情感腦機接口的計算范式。目前，絕大多數相關研究基于離散或維度情緒框架開展算法設計與優化工作。

圖1 代表性情緒標注框架

然而，當前研究在情緒標注框架的應用中存在一定的局限。例如，基于離散情緒框架開展的情感腦機接口研究往往只關注少量基本情緒類別，但日常生活中的情緒狀態卻豐富多彩。有限的基本情緒類別難以覆蓋現實需求，限制了對應情感計算模型的應用范圍。與此同時，離散情緒框架主要關注不同情緒類別之間的區分，對同一類別情緒內部的強度動態變化則考慮有限。效價-喚起維度理論雖然提供了連續量化情緒空間的理論可能性，但相關實際應用常常未能實現對情緒狀態的充分精細化處理，主要側重高低效價、高低喚起的區分。

近年來的情緒心理學研究從精細化積極情緒、多元復合情緒結構、情緒情境特異性等方面拓展了經典情緒理論，正在形成更具現實解釋效力的情緒框架。無論采用離散框架還是維度框架，現有計算范式均有整合新發現的優化空間。其中，離散框架主要面臨積極情緒關注不足的問題。Ekman等提出的6種基本情緒中，僅有“喜悅”可被稱之為積極情緒，但文表明，人們在日常生活中更多體驗積極情緒而非消極情緒。當前分類體系的失衡一定程度上限制了情感計算的應用效度，并引起學界關注：積極心理學領域呼吁研究者重視積極情緒的獨特價值，細化積極情緒類別；神經科學的實證研究也基于腦神經特征實現了多種積極情緒的區分，證實了開展積極情緒識別的可行性。因此，發展面向精細積極情緒識別的計算范式應成為情感腦機接口的重點方向。對于維度框架，單一效價維度的基本假設是將積極和消極視作坐標軸上相對的、無法共存的兩極，但文表明人類的情緒體驗存在多元復合的特點，可以同時體驗到積極和消極情緒。例如，足球比賽中支持的球隊惜敗時，人們可能會體會到悲傷、憤怒，但也有對球員奮力拼搏的喜悅和感動。近年來，已經有研究者關注到這一問題。近期研究通過情緒分布學習等框架，已初步實現了基于腦電的混合情緒識別，并發布了混合情緒數據集助力進一步探索。關注自然情境的研究尤其可以考慮積極與消極情緒共現的可能性，通過將積極情緒和消極情緒重構為2個獨立的維度，實現對多元復合情緒的準確建模與識別。

此外，雖然情緒理論研究普遍追求跨情境通用的情緒框架，但情緒體驗的情境特異性正逐漸成為研究重點。實證研究表明，不同情境（既包括不同的情緒誘發任務，也包括自發產生情緒體驗的一般任務）中的典型情緒可能存在差異：視頻觀看可能引發欽佩、同情、痛苦、娛樂、敬畏和尷尬等27種情緒類別，而音樂聆聽則可能產生勝利和夢幻感等13種情緒類別；相比人際交互，人機交互情境下消極情緒出現頻率更高并伴隨特異的多元復合模式；學業場景則出現無聊、焦慮等情緒類型。上述研究展示了情緒的情境依賴性，說明在不同事件中，情緒體驗是因情境而異的。這也提示，在開發跨情境可用框架之外，也可聚焦特定情境的情緒識別。情境化情緒類別（如學業情境中的困惑、傳播實踐中的“萌”、游戲情境中的心流等）的探索性研究為構建情境適配的計算范式提供了重要基礎，也為解決具體應用場景需求提供支撐。

相比圖像識別等具有相對“金標準”的機器學習任務，情感腦機接口的一大重要特點是情緒標注體系本身仍處于不確定與不完備的狀態，仍有大量可拓展空間。這既影響訓練標簽的質量，也影響識別效果的評估。要解決這一問題離不開心理學對情緒通用理論框架的研究進展。雖然立足應用的情感腦機接口研究不必因問題尚無定論就停滯不前，根據具體研究情境在實踐中選擇適用的描述框架即可；但另一方面，情感腦機接口的研究者也應當對情緒心理學的前沿共識保持密切的關注，整合最新進展對計算范式進行拓展與重構。這種學科協同具有雙向價值：心理學提出的細粒度情緒分類（如多元復合情緒、情境特異性情緒等）能提升腦機接口的情緒覆蓋范圍，推動實用化腦機接口發展；而腦機接口研究本身也有望從計算視角出發，為優化情緒理論提供跨學科的證據支撐。

02神經科學啟發計算模型架構

腦神經活動中攜帶情緒相關信息是構建情感腦機接口計算模型所需的基本假設。腦神經活動與情緒狀態之間需要存在特定的映射關系，即某種腦神經活動模式對應某種情緒狀態。在這一前提下，研究者才能基于腦神經活動實現對情緒狀態的識別。面向情緒調節/干預的雙向情感腦機接口則提出了更高的要求：腦神經活動不僅僅需要是情緒體驗的伴生物，更應當是情緒體驗的物質基礎。對相關基本假設的檢驗正是情緒神經科學的研究范疇。與此同時，腦神經信號是情感腦機接口的信息來源，如何用好這一特殊的數據類型，也需要對腦神經信號特點的深入認識。因此，情感腦機接口的計算建模發展離不開神經科學對情緒神經機制的揭示。

近年來，神經科學研究對情緒腦機制與大腦基本工作原理的進展已經為計算模型架構設計提供了重要生物學依據。例如，神經科學研究發現的情緒效價偏側化現象為情感腦機接口的特征工程與模型設計提供了重要啟示。基于這一發現，研究者引入左右腦功率差異、雙側半球交互特征、半腦不對稱性特征和左右半球細粒度頻譜差異等體現偏側化的特征工程方法，顯著提升了情緒識別性能。與此同時，神經科學中關于情緒分布式表征的發現也讓研究者重視對大腦全局信息的引入、關注圖網絡的應用潛力，構建了系列基于腦網絡表征的情緒解碼方法，取得了較好的識別效果。可見，基于神經科學發現開發的特征工程與計算模型架構，對提升情感腦機接口性能具有重要意義。

與此同時，神經科學對大腦個體間同步現象的研究也促進了情感腦機接口泛化性的提升。2004年，Hasson等發現，在觀看同一部電影時，不同被試的大腦出現了廣泛分布的、與情緒喚起場景相關的被試間一致響應；Dmochowski等進一步發現，基于腦電提取的個體間相似性能反映情緒介導的注意力并預測偏好；Ding等則發現腦電個體間相似性能實時預測情緒效價和喚起的變化。這些研究表明，情緒刺激可引發個體間一致的神經響應，為情緒表征的個體間不變性學習和領域泛化提供了實證基礎。基于這一思路，Shen等提出CLISA方法，通過對比學習對齊不同個體在相同情緒視頻下的隱層神經表征，在THU-EP九分類和SEED三分類任務上的跨個體域泛化準確率分別達到45.7%和86.4%，取得了當時最優的領域泛化性能。后續，MSHCL方法引入雙曲損失以建模情緒和刺激的層級結構，CL-CS方法增強了腦電頻域特征提取，DAEST方法引入動態注意力機制建模腦電狀態轉換，進一步實現了性能提升。上述研究展示了基于神經活動同步性的表征學習對提升情感腦機接口跨個體泛化性能的潛力。與此同時，EEG、fNIRS等不同腦神經信號反映了腦活動的不同層面，存在不同的時空頻特點，也可能包含著情緒信息的不同表達。如何融合不同模態信息也是情感腦機接口的研究熱點。例如，Si等利用EEG微狀態時間動態、fNIRS空間模式和EEG-fNIRS時空聯合特征開展情緒識別，為情感腦機接口的發展提供了多模態互補特征。

綜上，對情緒腦表征、腦神經信號的基本原理的進一步理解可以幫助研究者以更高效、可泛化的方式挖掘腦神經信號中蘊涵的情緒、更好地構建情感腦機接口方法。未來，通過進一步整合神經科學的相關發現，研究者將有望在跨模態情緒識別、情緒實時追蹤及反饋等方向取得進展，為實現應用目標作出貢獻。

03應用拓展：從狀態計算到特質計算

在應用層面，情感腦機接口最初主要聚焦于用戶體驗、服務人機交互等具體應用場景。核心目標是基于神經信號建立可推廣至所有用戶的通用情緒識別模型。如前所述，個體差異在這一目標下往往被視為影響模型泛化能力和準確性的“噪聲”。這種“噪聲”主要源于2方面：一是個體對相同情緒刺激的反應差異。例如，讓所有被試觀看一段旨在誘發“悲傷”的材料，若部分個體未產生相應情緒體驗，則情緒標簽本身即帶有偏差，影響模型訓練效果。此類差異將影響依賴標準化情緒刺激（比如標準化情緒誘發圖片、聲音、視頻等）獲取情緒標簽的情感腦機接口任務。二是個體在報告自身情緒體驗時的能力差異。研究者發現，個體的情緒覺察能力存在差異，部分人難以及時、準確地識別自身情緒狀態，從而影響基于自我報告的情緒標簽質量。此類差異將影響依賴被試自我報告情緒體驗（比如利用Likert量表對于情緒積極程度進行評分）的情感計算任務。更進一步，上述2種差異來源也會放大情緒主觀體驗與神經響應映射關系的個體差異，因此影響情感腦機接口的跨被試遷移效果。近年來，研究者通過跨被試特征提取、特征歸一化、遷移學習、對比學習等策略，努力應對上述個體差異的“噪聲”，以提升情感腦機接口的跨被試應用性能。

然而，隨著情感腦機接口與心理測評、精神病學等應用領域的交叉融合，研究者開始重新審視這些“個體差異”，認為情緒相關的個體差異本身可能蘊含重要的現實意義與應用價值。比如，心理學研究發現，對于相同情緒刺激的差異化反應可能反映了個體的人格特質。例如，神經質更高的個體更容易體驗強烈的消極情緒，而外向性水平更高的個體更容易體驗更強的積極情緒。受此啟發，有研究通過記錄情緒刺激誘發的EEG響應，實現了對大五人格這一代表性個體特質的有效預測。類似地，精神病學領域的研究也發現個體對于情緒刺激的神經響應有望作為精神障礙的潛在神經標志物，比如抑郁患者通常表現出對情緒刺激的異常EEG/ERP響應。文已經嘗試基于此類神經響應建立了抑郁自動識別系統，有望用于輔助精神障礙的評估與篩查。

可見，與不同學科應用場域的深度互動一方面可以促進情感腦機接口方法體系本身的高速迭代，加強技術的“深度”，也有望促使情感腦機接口的研究范疇從“識別當前情緒狀態”拓展到“識別情緒相關的個體特質”，提升技術應用的“廣度”。在這一廣度的拓展過程中，過往被視為建模干擾因素的個體差異，成為了建模的核心目標。而此類聚焦個體特質的情感腦機接口的關鍵挑戰之一在于實驗范式的設計，即如何誘發對目標特質敏感的情緒反應。例如，若目標是識別抑郁風險，可考慮設計積極與消極情緒的誘發任務；若目標是識別社交焦慮，則可以考慮社交互動相關的任務范式。還需強調的是，情緒狀態與情緒特質并非彼此獨立。情緒特質往往影響個體在不同情境下的情緒狀態反應，而相同情境中的差異性情緒狀態亦可反映個體的特質傾向。因此，將情緒狀態識別與特質評估加以整合，成為情感腦機接口的又一重要發展方向。未來研究可以嘗試在模型架構層面對情緒狀態與目標特質分別建模，比如建立多任務學習框架，同時包含識別當前情緒狀態的模塊與評估個體特質水平的模塊，并在2個模塊之間共享部分特征或輸出互為輸入，從而實現聯動建模。盡管當前情感腦機接口領域對這一方向的直接探索仍較有限，但在其他模態（如語音、面部表情等）情感計算中已有成功先例。例如，一項基于面部表情錄像的情感計算研究嘗試采用多任務學習框架建立深度神經網絡，同時識別視頻中的人物的情緒狀態與人格特質。此外，一些研究雖然并未直接采用多任務學習架構，但是也嘗試利用個體特質信息優化情緒狀態識別模型，或反過來借助情緒識別任務提升特質識別模型的性能，展示了狀態預測與特質識別相互促進彼此性能表現的潛力。比如，一項語音情緒識別研究將個體的情緒顆粒度水平作為模型參數納入建模過程，有效提升了情緒識別的準確率。另一項語音和文本的多模態情緒識別研究則將個體的人格特質納入建模，提升了情緒識別的性能。還有一項利用面部表情錄像識別個體人格特質的研究在模型預訓練環節采用情緒信息引導的編碼器，有效提升了人格識別任務的準確性。

綜上，情感腦機接口不僅可作為狀態監測工具，也可作為特質識別與評估系統。情感腦機接口從情緒狀態識別向情緒特質識別的拓展，有望為個性化人機交互、精神障礙識別與智能心理干預等場景提供新的技術路徑與理論支撐。未來，情感腦機接口系統的長遠發展目標，或許并非僅僅是更準確地“識別情緒”，而是在多模態神經行為線索中，理解個體的心理傾向與變化趨勢。這一轉向也將推動情感腦機接口從被動反應式識別邁向主動理解式感知、預測，為人工智能的發展奠定更深層次、更人性化的情感智能基礎。

04未來研究展望

心理學、神經科學與計算機等不同學科交叉互動為情感腦機接口技術的發展提供了重要支撐（見圖2），也為其未來研究指明了方向。

圖2 跨學科視角的情感腦機接口概念框架

首先，情感腦機接口技術本身需要進一步提升。目前，情感腦機接口研究多集中于實驗室內的視頻觀看誘發情緒情境，但現實應用中存在更多復雜的情緒變化情境，如社交互動或思考、回憶中的情緒波動等。當前的算法如何有效泛化到復雜多變的日常自然情境，仍需要進一步探索。近年來，基于大規模腦電預訓練的基礎模型取得了重要進展，聯合大量腦電數據通過自監督學習得到的腦電表征能夠泛化到不同下游任務，為開發具有不同情境泛化性的情緒識別模型帶來了新的機遇。整合大模型的最新進展、提升情感腦機接口性能，將是研究的重要方向。與此同時，情感腦機接口離不開腦神經數據的獲取，傳感器硬件的設計與優化工作已經成為制約相關應用落地的重要瓶頸之一。雖然當前可穿戴式腦成像設備快速發展，耳電極等創新方案的提出大幅度提升了易用性，但成本與性能的平衡仍需進一步優化。而這一系列問題的解決離不開材料和電子領域的持續投入。

其次，情感腦機接口本質上可被視作一種通用技術：讓使用者不依賴傳統交互渠道即可實現個體情緒狀態實時表達。因此，情感腦機接口有望在關注個體情緒狀態的多個應用場域發揮作用。然而，如果希望將一項通用技術轉化為指向現實問題的解決方案，在實踐中發揮切實作用，離不開通用技術與應用場域的深度互動，在實踐需求的牽引下實現技術的深化與拓展。第3章關于情感腦機接口從個人狀態拓展向特質識別的討論正是一個典型案例。與此同時，從情緒被動感知到主動支持的轉變也是情感腦機接口應用方向的重要拓展機遇。面向日常場景，文嘗試基于實時情緒識別，提供視聽反饋，實現了情緒調節。隨著大模型共情對話生成功能的進一步加強，研究者將有望在教學等場景中形成較高質量的個性化閉環反饋，服務調節與提升的應用需求。當然，設計優化的反饋策略以實現應用目標離不開對具體場景的充分研究與把握。在視聽反饋之外，利用電刺激、磁刺激對情緒相關腦區直接干預，構建閉環情感腦機接口也是重要的研究話題。文利用植入式電極實現抑郁癥狀特異性生物標志物的檢測，并利用局部電刺激構建生物標志物驅動的閉環刺激療法，實現了難治性抑郁癥狀的改善，驗證了該思路的可行性。

最后，人工智能的高速發展使得Licklider[99]在1960年提出的“人機共生”（man-computer symbiosis）概念有望得以實現。作為解讀人類思維奧秘的重要工具，腦機接口技術可能將在人機共生的實現過程中發揮重要作用，也引發了研究者、用戶與政府機構等利益相關方對倫理問題的深入探討。其中，個人隱私、數據安全等多方面討論都同樣適用于情感腦機接口。特別地，情感作為人類主觀體驗的重要組成部分，驅動著決策制定、社會交互等高級功能。文認為，閉環腦刺激可能通過干擾情緒系統的自主決策過程，使人失去作為理性道德主體的地位。雖然相關研究目前主要關注情緒系統存在異常的難治性抑郁癥患者，但人作為理性道德主體的責任問題確實需要在人機共生的未來來臨之前進行充分的討論，以保護與促進人的情感主體性。

05結論

作為一個典型的交叉研究領域，多學科協作始終是情感腦機接口發展的重要動力。本文從理論、技術與應用3個方面，綜述了心理學與神經科學推動情感腦機接口取得關鍵進展的思路與案例，旨在為未來研究提供啟發。總體來看，情感腦機接口已完成可行性驗證，通過大量實證研究證明了其獨特價值，正不斷拓展研究范疇，探索其在用戶體驗、人機交互、心理健康等領域的應用前景。

當前，情感腦機接口領域形成了良好的開源氛圍，公開數據集與代碼不斷涌現，為加快研究迭代速度、檢驗算法穩定性和可重復性提供了重要支撐。在多學科有生力量的持續投入下，情感腦機接口領域將不斷迎來突破。

https://jst.tsinghuajournals.com/CN/10.16511/j.cnki.qhdxxb.2025.21.049

https://www.sciopen.com/article/10.16511/j.cnki.qhdxxb.2025.21.049

浙大科技園啟真腦機智能產業化基地是在浙大控股集團領導下，由浙江大學科技園發展有限公司與杭州未來科技城管委會共建，圍繞腦機智能產業主體，輻射腦機+生命健康、腦機+智能制造、腦機+新一代信息技術、腦機+新材料等領域的專業化特色產業基地，由杭州啟真未來科技發展有限公司負責全面運營。

基地依托浙江大學在腦機智能方面的學科優勢，以腦機智能作為核心科技支撐，貫徹浙江大學國家大學科技園“有組織科技成果轉化、有靶向科技企業孵化、有體系未來產業培育”的服務體系，致力于打造腦機智能領域具備成果顯示度、區域影響力的產業化高地。