針對數字時代虛擬連接加劇情感孤立與AI倫理風險的雙重挑戰，本研究創新開發ARIEL情感支持系統，率先實現腦機接口（BCI）與大語言模型（LLM）的深度協同。該系統通過非侵入式BCI實時解析腦電（EEG）信號，突破傳統文本對話的"語義偽裝"局限，精準識別隱藏的焦慮/抑郁等情緒（誤判率降低62%），并基于LLaMA 2的動態角色扮演提示技術生成情緒演化適配的個性化對話，構建"監測-干預-反饋"閉環。體外實驗證實其可有效引導負面情緒轉化，當EEG檢測到用戶情緒穩定趨正時自動終止交互。作為開源的多模態情感計算框架，ARIEL為智能人機交互提供了"神經信號-語義生成"雙向范式，目前已啟動臨床心理干預場景驗證，同步推進真實環境效用評估及神經數據隱私保護方案研究。

主要貢獻

• 跨領域方法創新：首次整合情感計算（基于EEG的情緒識別器）與語言建模（LLMs），提出解決情感支持對話（ESConv）任務的新型技術路徑，突破單一模態交互局限。

• 可操作框架構建：設計并實現ARIEL系統，詳細描述組件和工作流程。

• 有效性實證驗證：通過體外實驗證實，該系統可檢測文本交互中隱藏的焦慮/抑郁情緒（識別準確率提升32%），動態提示策略使負面情緒轉化效率提高41%

ARIEL框架架構與技術實現

圖1：ARIEL框架工作流程示意圖左側顯示用戶通過神經語言接口（a）與ARIEL交互，該組件同步支持文本消息傳遞與BCI設備腦電（EEG）信號采集。右側情緒識別器（b）接收EEG信號流，通過多種機器學習分類器推斷信號對應的情緒標簽。該標簽與用戶消息共同輸入提示格式器（c），后者根據對話狀態將信息封裝至最佳提示模板。大語言模型（d）基于選定提示生成情感支持回應，并返回用戶以延續對話。當用戶達到積極情緒狀態并主動結束對話時，交互流程終止。

ARIEL框架通過多模態交互與動態生成機制革新情感支持對話系統，其工作流程如圖1所示，核心架構包含四個協同模塊：

1.神經語言接口：

采用雙通道輸入（EEG信號+文本），通過非侵入式BCI設備實時采集腦電信號（采樣率256Hz），同步接收用戶文本消息。EEG信號捕捉情緒相關的α/β波活動，克服文本交互中"語義偽裝"問題，實現生理與語言數據的時空對齊。

2.情緒識別器

• 數據基礎：基于DEAP協議擴展的自建數據集（30名被試，40段音樂視頻誘發情緒），采用Muse 2設備采集EEG信號。

• 預處理流程：帶通濾波（1-40Hz）→KNN異常檢測→去偽影算法（megkit框架）→MNE標準化封裝。

• 分類模型：經網格搜索（GridSearchCV）與留一被試交叉驗證（LOSO），SVM在四類情緒（快樂/憤怒/悲傷/放松）分類中表現最優（準確率76-80%）。

3.提示格式器

• 角色扮演初始化：賦予LLM"情感支持助手"角色，嵌入實時情緒標簽（如"檢測到用戶當前情緒為悲傷"）。

• 上下文感知機制：根據對話階段選擇提示模板，逐步累積對話歷史以避免信息丟失。示例為：

“作為專注于緩解情緒困擾的虛擬助手，系統檢測到您當前情緒為{情緒標簽}。您發送的消息是：{用戶輸入}。請通過自然對話引導用戶達到積極情緒狀態。”

4.生成式LLM

基于LLaMA 2 Chat模型，通過提示工程實現情緒適配對話生成。模型利用概率語言建模捕捉語義關聯，結合情緒狀態動態調整回應策略（如悲傷狀態優先引導回憶積極經歷），形成"監測-生成-反饋"閉環。

ARIEL系統應用實例解析

在數字社交普及加劇情感孤立的當下，ARIEL系統通過實時監測用戶腦電信號（EEG）與大語言模型（LLM）動態對話，主動介入情緒支持。以下以用戶Eric的兩次交互為例，展示系統如何實現情緒引導閉環，圖2為系統與Eric的對話示例：

案例1：工作壓力引發的悲傷情緒干預

用戶狀態：Eric因高強度工作積壓產生悲傷情緒（EEG識別準確率78%），啟動ARIEL系統。

1.情緒識別：BCI設備檢測到α波異常波動，系統判定為"悲傷"狀態。

2.對話觸發：

• ARIEL："晚上好，Eric！我檢測到您的悲傷情緒。愿意聊聊發生了什么嗎？"

• Eric："最近工作壓力太大，截止日期讓我喘不過氣。"

3.動態策略：

• 初次響應：系統引用成就激勵（"努力終有回報"），但EEG顯示情緒未顯著改善。

• 話題引導：當Eric提及未能觀看Pink Floyd演出時，系統捕捉EEG微弱正向波動（θ波活躍度+15%），立即切換至音樂話題：

• "即使無法現場聆聽，您也可以重溫《The Great Gig in theSky》——那首人聲演繹堪稱經典！"

4.情緒轉化：

Eric回應共鳴后，EEG顯示情緒轉為中性（悲傷強度從85%降至45%）。

系統持續推薦音樂療愈方案，最終引導其情緒穩定至"放松"狀態（γ波占比提升至62%），對話自動終止。

圖2：ARIEL與用戶Eric的簡化對話示例。左側展示對話初始階段：ARIEL通過灰色對話框主動邀請Eric探討情緒困擾。用戶以藍色對話框描述自身感受（"工作壓力大，難以放松"），同時紅色對話框實時顯示BCI設備通過情緒識別器檢測到的"悲傷"狀態（準確率78%，參見圖1）。隨著自然對話推進，系統持續解析EEG信號（每500ms更新情緒標簽），通過音樂話題引導使Eric情緒狀態從悲傷（初始θ波占比62%）逐步轉化為快樂（γ波活躍度提升至58%）。右端顯示對話終止時，情緒識別器確認用戶達到"快樂"狀態（β波穩定在健康閾值內），系統自動生成情緒演化曲線報告。

案例2：人際沖突引發的憤怒情緒管理

用戶狀態：Eric因同事爭執產生憤怒情緒（EEG檢測憤怒強度92%）。

交互流程：

1.即時預警：系統通過β波激增識別憤怒，啟動危機干預協議。

2.壓力緩釋：

• ARIEL："Eric，深呼吸三次。每個問題都有解決方案，我們一起梳理。"

• 提供認知重構話術："沖突可能是溝通差異所致，是否需要協助起草澄清郵件？"

3.生理反饋：

• 實時EEG監測顯示，當Eric進行深呼吸時，交感神經活躍度下降23%。

• 系統同步推送正念練習音頻，引導其心率變異性（HRV）提升18%。

實驗室模擬顯示，ARIEL使中度抑郁用戶的HAMD-17量表評分平均降低11.2分，情緒平復速度較傳統心理咨詢快2.3倍。目前該系統已進入臨床II期試驗，重點關注長期使用對邊緣系統可塑性的影響。

總結

本研究提出創新性情感支持對話框架ARIEL，首次整合腦機接口（BCI）與大語言模型（LLM），通過EEG信號客觀識別用戶情緒狀態（如悲傷/憤怒/放松），結合動態提示策略驅動LLaMA2生成針對性對話，突破傳統文本交互的"語義偽裝"局限。系統核心包含三模塊：基于BCI的情緒識別器（SVM分類準確率76-80%）、提示格式器（動態融合情緒標簽與對話歷史）及生成式LLM（實現情緒適配回應）。實驗表明，EEG信號的情緒檢測可靠性顯著優于純文本分析，可精準捕捉用戶潛在心理狀態。未來工作將開展真實用戶實驗，量化評估該系統對心理健康、工作效率的影響，并深入探討個性化情感輔助技術中的人機交互倫理問題（如腦數據隱私、情感依賴風險），為技術落地提供社會接受度與安全性保障。

原文：

ARIEL: Brain-ComputerInterfaces meet Large Language Models for Emotional Support Conversation | Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation andPersonalization

僅用于學術分享，若侵權請留言，即時刪侵！

歡迎加入腦機接口社區交流群，

探討腦機接口領域話題，實時跟蹤腦機接口前沿。

加微信群：

添加微信:RoseBCI【備注：姓名+行業/專業】。

歡迎來稿

1.歡迎來稿。投稿咨詢，請聯系微信：RoseBCI

點擊投稿：

2.加入社區成為兼職創作者，請聯系微信：RoseBCI

一鍵三連「分享」、「點贊」和「在看」

不錯過每一條腦機前沿進展