Nature Communications|加州大学欧文分校研发多模态穿戴设备：定量评估并“精准分类”心理压力

该研究的核心突破在于其“多维度”的监测能力以及在复杂环境下的高稳定性，使其能够真正从实验室走向日常生活。

1 . 生理与分子指标的“双管齐下”

SQC-SAS 设备打破了单一监测的局限，能够同时并连续地测量多种关键指标：

• 分子标志物： 实时监测汗液中的皮质醇（Cortisol）。皮质醇被称为“压力荷尔蒙”，是衡量心理压力的直接分子指标。

• 生理标志物： 同时监测皮肤电活动（EDA）、心率（HR）和皮肤温度（Temp）。这些指标反映了自主神经系统对压力的快速反应。

SQC-SAS 穿戴式生物电子系统的设计与功能概览

上图展示了该腕带式设备的柔性传感器集成、无线电力传输（NFC）以及多模态传感架构，用于获取同步的生理和分子数据。

2 . 卓越的环境稳定性与可重复使用性

传统的汗液生物传感器往往受限于环境变化或一次性使用，而 SQC-SAS 进行了针对性优化：

• 环境抗干扰： 设备具有极佳的环境稳定性，在不同的温度和湿度条件下均能保持高精度的传感性能。

• 低成本与可重用： 传感器设计注重耐用性，降低了长期连续监测的成本，使其更具实际应用前景。

皮质醇传感器的表征与稳定性测试

上图展示了基于适配体（Aptamer）的皮质醇传感器在不同浓度下的线性响应、特异性识别能力，以及在复杂汗液环境中的抗噪声性能。

3 . 基于机器学习的压力“亚分类”

该研究最显著的创新在于利用机器学习对采集到的多模态数据进行深层挖掘：

• 定量评估： 系统不仅能判断“是否有压力”，还能根据生物标志物谱图对压力进行定量评分。

• 状态细分： 机器学习模型能够识别不同的压力亚状态（如急性压力 vs. 慢性压力，或不同触发源引起的压力），并将这些状态与特定的生物标志物变化趋势相关联。

基于机器学习的压力评估与分类表现

上图详细展示了通过集成生理和分子数据，机器学习模型在区分不同压力水平和亚状态时的混淆矩阵及准确率评估。

尽管 SQC-SAS 为压力管理提供了强大的工具，但要实现全民普及仍需解决以下挑战：

1 . 汗液采集的动态性： 汗液的分泌速率在不同个体和活动状态下差异巨大。虽然设备能够监测皮质醇，但如何确保在低汗量（如静坐）或剧烈运动（汗液稀释）时读数的准确校准，仍是一个持续性的挑战。

2 . 数据的长期临床解释： 虽然机器学习可以分类压力状态，但“压力指标”与“长期健康结果”之间的因果关系极其复杂。建立大规模、长周期的临床数据库，以证明该设备的干预能显著改善心理健康状况，是未来的关键步骤。

3 . 隐私与伦理： 连续监测压力荷尔蒙涉及高度敏感的个人隐私数据。如何确保这些数据在无线传输和云端分析过程中的安全性，并防止被滥用（如职场评估），需要建立严格的法律和伦理框架。

加州大学欧文分校团队的这项研究，标志着心理健康监测从“主观描述”向“客观定量”的一次重大跨越。

通过 SQC-SAS，我们不仅可以“看到”压力的存在，还能精确地剖析压力的生理组成和分子足迹。这种多模态集成方案为理解压力与疾病（如心血管疾病、抑郁症）之间的联系提供了前所未有的数据窗口。对于个体而言，这可能意味着未来每个人都能拥有一位“情绪预警助手”，在压力累积到危险水平前发出预警并提供科学的干预建议。