编辑推荐：
本研究针对职业倦怠(burnout)缺乏客观评估工具的问题，研究人员利用功能近红外光谱(fNIRS)技术，对33名现役警察在执行心算与言语流畅性任务时的前额叶血红蛋白浓度变化进行测量，结合支持向量机(SVM)算法，构建了训练与测试准确率分别达91.3%和90.0%的评估模型，为客观、有效地识别职业倦怠提供了有前景的新方法。
在现代社会中，职业倦怠(burnout)已成为一种普遍现象，几乎渗透到各行各业。这种由于长期工作压力未得到妥善管理而导致的身心耗竭状态，不仅严重影响个体的健康与幸福感，也给全球经济带来了沉重的负担。近年来，世界卫生组织(WHO)已将其纳入《国际疾病分类》，这标志着对职业倦怠影响的关注已上升至全球公共卫生层面。然而，目前对职业倦怠的判断仍然相当模糊，主要依赖于相关量表的自我报告，这些主观评估方法存在信度与效度上的局限，难以作为可靠、客观的诊断指标。因此，开发一套客观、有效的评估体系，成为精神健康与职业医学领域的迫切需求。其中，警察群体因其工作的高压、高风险性质，成为职业倦怠的高发人群，是研究这一问题的理想切入点。为了应对这一挑战，一项发表在《Scientific Reports》上的研究，将目光投向了大脑，试图寻找职业倦怠背后客观的神经活动“指纹”。
这项研究核心采用了功能近红外光谱(functional near-infrared spectroscopy, fNIRS)技术。这是一种通过监测大脑皮层血红蛋白浓度变化来间接反映神经活动的无创性脑成像技术。研究团队招募了33名现役警察作为参与者。研究人员让他们执行两项经典的心理负荷任务：心算任务(mental arithmetic task)和言语流畅性任务(verbal fluency task)。在执行这些需要认知努力的任务时，利用fNIRS设备持续监测其前额叶皮层(prefrontal cortex)的血红蛋白浓度动态变化。获取原始信号后，研究团队对数据进行处理并提取了相关特征。随后，他们使用专业的倦怠量表对参与者进行评估和标记，并将神经信号特征与量表评分一同导入支持向量机(support vector machine, SVM)这一机器学习算法进行模型训练。最终，他们成功构建了一个评估模型，该模型在训练集上达到了91.3%的准确率，在独立的测试集上也取得了90.0%的准确率。这一结果表明，结合fNIRS与机器学习的方法，能够以较高的准确性区分个体的倦怠状态，为建立客观的生物标志物评估系统提供了强有力的概念验证。
本研究主要应用了几个关键技术方法。首先是功能近红外光谱(fNIRS)技术，用于无创、实时地监测大脑前额叶在认知任务中的血流动力学响应。其次是采用了两项标准化的认知任务（心算任务与言语流畅性任务）来诱发特定的神经活动。最后，研究运用了支持向量机(SVM)这一机器学习算法，对从fNIRS信号中提取的特征进行分析和建模，以区分不同倦怠水平的个体。研究样本来源于33名现役警察。
研究结果
fNIRS信号特征提取：研究成功采集了33名警察在执行心算和言语流畅任务时的前额叶fNIRS信号，并经过处理后，提取了能够表征大脑活动模式的特征数据。
量表评分与分组：所有参与者均完成了职业倦怠相关量表的评估，研究者根据量表得分对参与者进行了相应的标记或分组，为后续的机器学习分析提供了监督标签。
机器学习模型构建与验证：将提取的fNIRS信号特征与量表评分标签结合，使用支持向量机(SVM)算法进行模型训练。结果表明，所构建的模型在训练阶段准确率达到91.3%，在测试阶段准确率也维持在90.0%，显示出了良好的分类性能。
本研究通过结合神经成像技术与人工智能算法，证实了利用功能近红外光谱(fNIRS)监测任务诱导的前额叶活动，可以有效识别现役警察的职业倦怠状态。该研究所构建的机器学习模型展现了高准确率的分类能力，这标志着在开发客观、基于生物标志物的职业倦怠评估工具方面取得了重要进展。这一发现具有重要意义：首先，它为解决当前依赖主观量表评估倦怠的局限性提供了新的技术路径，使评估更具客观性和可靠性。其次，该研究为理解职业倦怠的神经生理基础提供了直接证据，将一种心理状态与特定脑区的可测量活动联系起来。最后，这套方法未来有望应用于高危职业人群的早期筛查、干预效果评估，甚至为个性化的心理健康管理提供依据，具有广阔的转化应用前景。
