用于冥想神經反饋系統的腦電圖數據挖掘研究

徐　昊,黃　敏,2,周昌樂*

(1.廈門大學 信息科學與技術學院,福建省類腦計算技術及應用重點實驗室,2.廈門大學人文學院,福建 廈門 361005)

現代社會繁榮發展,人們內心卻越來越焦慮、失落和幸福感下降,各類心理和精神疾病呈上升趨勢[1]，此現象的一種可能原因是人們缺少對自我內心的關注,缺乏自我調節能力和技巧.“樂易心法”是廈門大學周昌樂教授經過深入研究并改造中華傳統心法而創建的適合現代人的科學禪修方法,由易道洗心秘法、臨濟宗門禪法和圣學傳統心法三部分融會貫通而得[2],其實踐部分包括打坐冥想等內容.科學合理地修習樂易心法能夠提升心理素質,完善心理品質,提高心理能力.冥想能夠改變腦電圖(electroencephalograph,EEG)特征[3-4],樂易心法的修行效果已得到眾多學員的主觀肯定及神經科學實證[5].

神經反饋(neurofeedback,NFB)是一種神經治療方法,可用于多動癥、抑郁癥等精神障礙的治療[6].其治療思路為:醫生根據經驗及健康人的EEG特征值,為病人設置其EEG特征的目標值,NFB系統采集并計算其EEG特征,病人根據系統的反饋信息進行大腦自我調節,使其EEG特征與目標值趨于一致.準確識別EEG模式是NFB系統的關鍵,生物信息數據挖掘是數據挖掘和機器學習的重要前沿方向[7],該領域許多算法能夠對生物信息進行模式識別和分類,可用于NFB系統.

將中華傳統心法中的冥想與NFB結合起來,研發有利于人們身心健康的智能應用是一個有價值又充滿挑戰的課題.市場上已出現冥想主題的NFB系統[8-11],但這些系統引導用戶做的事情與以“禪悟”為目標的禪修在修行方式和水平檢驗方面有根本區別,禪修要求修行者“以心觀心”,其禪悟水平必須由禪修導師“以心驗心”[12]，已有系統皆不具備.因此,符合傳統禪修目標和方式、針對初學者群體的冥想NFB系統還需要深入研究.

本研究采集樂易心法七日禪學員冥想EEG信號,選用6個波段能量、6個波段能量比和3種不同類別的EEG現代分析方法作為EEG特征,以禪修學員水平作為分類目標,對數據采用個性化校準方案,測試了隨機森林(random forest,RF)、支持向量機(support vector machine,SVM)、k近鄰(k-nearest neighbor,kNN)、貝葉斯網絡(BayesNet)等多種分類和回歸算法的準確率性能.

1　實驗方法

1.1　禪修過程及實驗對象

樂易心法七日禪為時長7 d的封閉式禪修訓練,由樂易心法創始人周昌樂教授親自參與組織、指導和管理,主要內容包括開示、打坐冥想、參公案、行禪、眾人討論和請益等環節,禪修期間所有被試統一活動,統一作息,不使用手機、互聯網,不接觸外界信息.

選取20名樂易心法七日禪修行結業36 h內的學員作為實驗被試，8女12男，年齡在20歲到48歲之間，平均年齡(35.4±8.3)歲.其中擁有博士學位者2人、碩士學位者6人、本科學歷者10人、大專學歷者1人和初中學歷者1人.所有被試身體健康、無精神病或大腦創傷史、無宗教背景、無禪修經驗，有一定的樂易心法入門知識，右利手，自愿參加實驗并簽署同意書.

1.2　實驗步驟及數據采集

實驗在安靜房間內進行,溫度和光線適中，EEG采集步驟如圖1所示.

圖1　實驗流程圖Fig.1 The flowchart of experiment

1) 15 min靜慮冥想:被試按照禪修靜慮方法冥想,該步驟無提示材料,目的是消除雜念并安靜下來,此步驟獲取的數據在后文中被稱作“基準數據”.

2) 8 min專注冥想:先呈現2 min動畫和文字提示供被試把握專注要點,再進行6 min專注冥想,專注提示材料如圖2(a)所示.

圖2　3類冥想提示材料Fig.2 Instructions of 3 types of meditation

3) 8 min正念冥想:先呈現2 min動畫和文字提示供被試把握正念要點,再進行6 min正念冥想,正念提示材料如圖2(b)所示.

4) 8 min坐忘冥想:先呈現2 min動畫和文字提示供被試把握坐忘要點,再進行6 min坐忘冥想,坐忘提示材料如圖2(c)所示.

被試的禪修水平由禪修導師周昌樂教授根據被試7 d中的禪修表現、領悟水平、悟性高低等因素進行綜合評分(采用10分制),7分及以上視作高分,評分分布見表1,高分學員占20%,低分學員占80%.

表1　禪修水平得分分布表

數據采集使用Emotiv Epoc便攜式腦電儀,采樣頻率128 Hz,左右乳突為參考電極[13]．已有研究表明大腦前額葉是與冥想關聯程度最大的腦區[14],本研究關注前額葉F3電極,將F4電極數據作備用，電極位置如圖3所示.

圖3　電極位置Fig.3 Electrode positions

2　數據處理

2.1　預處理

預處理包括數據分段、濾波、數據挑選3個步驟.

1) 數據分段:根據實驗過程的時間軸對EEG進行階段劃分,并將原始EEG以10 s為長度進行分段.

2) 濾波:對分段后的EEG數據分別進行δ(0.5～4 Hz)、θ(4～8 Hz)、α(8～13 Hz)、β(13～30 Hz)和γ(30～50 Hz)帶通濾波,再對濾波后的數據分別進行快速傅里葉變換,求出這5個頻段的能量.

3) 數據挑選:將能量過高和大幅震蕩視為異常,不予選取.針對每名被試,從第一步驟“靜慮冥想”數據中隨機采樣12段合格數據(12×10 s=120 s);從第二步驟“專注冥想”隨機采樣20段合格數據(20×10 s=200 s);從第三步驟“正念冥想”隨機采樣20段合格數據(20×10 s=200 s);從第四步驟“坐忘冥想”隨機采樣20段合格數據(20×10 s=200 s).有4名被試(3個5分，1個4分)的數據因異常而被拋棄,最終共16名被試的1 152個樣本用于后續研究.

2.2　特征計算

為了盡可能利用和發揮數據挖掘研究方式的優點和潛力,本研究選用6個波段能量、6個波段能量比和3種不同類別的EEG現代分析方法作為EEG特征,將每個樣本處理成15維特征向量:δ波能量(Eδ)、θ波能量(Eθ)、α波能量(Eα)、β波能量(Eβ)、γ波能量(Eγ)、總能量、Eα/Eθ、Eβ/Eθ、Eγ/Eθ、Eβ/Eα、Eγ/Eα、Eγ/Eβ、C0復雜度[15]、盒維數[16-17]、信息熵[18].

2.2.1C0復雜度

C0復雜度是一種適用于EEG這樣的非平穩、非線性連續信號的復雜度指標,計算量較小，易于推廣到高維,在實際應用中效果較好[15],能夠識別癲癇發作和衡量睡眠程度.它的直觀想法是將數據分為規則和非規則兩部分,C0復雜度定義為信號非規則部分的能量與信號總能量的比值.

設f(k)(k=0,1,2,…,N-1)是一個長度為N的時間序列,

設FN(j)的均方值為

記

定義C0復雜度為

2.2.2盒維數

盒維數(又稱閔可夫斯基維數[17])是分形維數的一種,用于表征復雜對象的分形特性[14].分形S的盒維數被定義為

其中，格子邊長為ε,N(ε)表示覆蓋分形S最少所需的格子數.通過格子的逐步精化,統計覆蓋分形S所需的格子數目的變化,從而計算出盒維數.

本研究利用相空間重構和經典的Takens時間嵌入定理[19],將EEG信號嵌入二維平面構成二維軌跡,令該二維軌跡的盒維數代表該段EEG信號的盒維數.

2.2.3信息熵

信息熵研究的是一段信號的不確定程度,反映信號分布的均勻度,信息熵方法在過去十幾年中被越來越多地證明可以有效地分析復雜的EEG信號[5,15,20]，經典信息熵的數學定義為

H(X)=-∑iP(xi)log2P(xi),

其中,X是符號xi組成的集合,P(xi)是符號xi出現的概率.

3　數據挖掘及結果

數據挖掘是從大量數據中獲取隱含有用信息的技術,可劃分為分類、回歸、聚類、關聯規則、特征選擇等.為了找到禪修分類性能較好的算法,本研究使用開源機器學習和數據挖掘軟件Weka[21]，嘗試了回歸分析和多分類算法,包括RF、隨機樹(random tree,RT)、C4.8決策樹(J48)、局部決策樹(partial decision tree,PART)[22]、SVM、BayesNet、多層感知機 (multilayer perceptron,MP)、kNN,將15維EEG特征和禪修評分作為輸入,并嘗試對每位被試的數據進行個性化校準,以解決個體差異問題,提高分類準確率.

回歸分析將禪修評分視作數值型數據,對評分進行擬合.這相當于直接構造一個打分模型,將高維特征映射為一個數值型得分.采用10折交叉驗證,結果以相關系數的形式給出,相關系數越高意味著擬合結果與測試集越接近.

多分類將禪修導師打分視作離散型數據,2分至8分共7類,采用10折交叉驗證.

進一步地,考慮到準確識別出高水平學員的EEG特征是問題關鍵,對低分樣例進行詳細劃分和挖掘的意義不大,因此將高分樣例(分數≥7,前25%)作為正例,其余樣例作為反例進行二分類,采用10折交叉驗證未經校準過程的數據挖掘實驗結果，如表2所示.

表2　未經校準過程的數據挖掘結果

Tab.2　Data mining result without calibration

數據挖掘方法相關系數(回歸分析)準確率(多分類)/%準確率(二分類)/%專注正念坐忘專注正念坐忘專注正念坐忘RF0.6070.6340.86268.470.980.682.781.193.7RT0.3400.3880.69554.760.666.679.977.691.2J4861.664.376.379.678.590.0PART57.263.470.978.679.590.9SVM0.5200.5040.74561.962.564.779.679.886.2BayesNet45.048.666.677.076.785.3MP0.5460.3590.35759.153.865.676.777.084.6kNN(k=1)0.3600.3400.65254.152.261.378.379.287.5kNN(k=5)0.4780.4820.74055.959.063.178.978.986.2

EEG的個體差異往往很大,它既與被試生理差異有關,又和被試當時的意念狀態、情緒、思維、性格等心理因素有關.本研究嘗試利用靜慮冥想的基準數據對每名被試進行個性化校準,假設被試靜慮時的EEG包含該被試的個體特征,在其進行專注、正念和坐忘任務時的EEG既包含特定冥想任務特征,也包含相同的個體特征,兩者相減就能夠得到表征特定冥想任務的EEG特征.

本研究針對相對校準和絕對校準兩種情況進行數據挖掘，結果分別如表3和表4所示.

為了更精確衡量絕對校準方案對二分類問題準確率的提升作用,本研究進一步對比了絕對校準前后RF、SVM和BayesNet算法的準確率，查準率-查全率曲線面積和受試者工作特征曲線下面積[23],結果如表5所示.由表5可知，絕對校準后分類效果均有改善.

4　討　論

本研究專門針對樂易心法打坐冥想流程設計實驗,被試皆為樂易心法七日禪學員,采集到的EEG數據對樂易心法冥想具有較高參考價值,比一般的正念冥想研究[3，4，11，24]和類似“開心禪”和“禪定花園”等應用更具中華傳統文化內涵,也更具前沿性和難度.樂易心法禪修按中華傳統禪修方式進行,所有禪修者與導師一起封閉培訓,這樣的禪修班難以大批量復制,使得本研究被試數量較少．Hashemi等[11]研究人員對600多名各個年齡段的被試進行了研究,發現了EEG特征在年齡上的變化規律.但該研究采用的冥想為“呼吸計數法”,只是讓用戶通過冥想來放松心情,無禪修和禪悟的內容.相比于MeditAid系統[10]利用雙耳節奏神經相關效應(binaural beats neurocorrelate)通過播放音頻激發特定α波的做法,本研究嘗試將NFB技術與傳統禪修方式融合,被試的禪修水平由禪修導師評估,能夠更好地為禪修者服務.本研究廣泛利用了多種EEG指標和分析方法,分類準確性能夠隨著數據集的增大有更好的表現.

表3　相對校準后數據挖掘結果

Tab.3　Data mining result with relative calibration

數據挖掘方法相關系數(回歸分析)準確率(多分類)/%準確率(二分類)/%專注正念坐忘專注正念坐忘專注正念坐忘RF0.6920.7410.86966.671.380.987.288.194.7RT0.3970.4980.73758.161.966.980.380.391.2J4856.664.175.683.884.489.4PART57.868.471.681.384.191.3SVM0.6580.6400.78361.657.866.381.985.993.1BayesNet61.358.870.682.591.993.4MP0.4160.4620.51163.855.970.078.885.393.1kNN(k=1)0.4420.5010.76557.253.164.478.181.693.1kNN(k=5)0.5820.6000.79261.359.468.481.086.691.9

表4　絕對校準后數據挖掘結果

采用本研究提出的個性化校準方案后,多個回歸和分類算法結果均有大幅度提升,這可能與將“靜慮”作為基準數據有關.樂易心法中的靜慮要求禪修者去除雜念,平靜內心,是一種禪修語境下“更純粹”的意念狀態.本研究假設靜慮時的EEG包含被試個體差異特征成分,在個性化校準時減去靜慮特征值就能抵消個體差異和無關信息,從而突出反映后續冥想階段的特征,提高分類算法的準確率.絕對校準后RF算法對二分類問題的準確率均高于93%,證明了NFB系統能夠較好地識別冥想好壞狀態,幫助使用者及時糾正錯誤.

受限于被試人數和實驗時間,本研究實際的被試數只有16人,高分人數只有4人,在訓練和測試時雖然使用10折交叉驗證,但每個學員的樣例均以高概率參與了訓練,因此本研究的實驗條件很接近測試集，即訓練集的情況.

表5　絕對校準前后二分類準確率結果

Tab.5　Accuracy result without/with absolute calibration

冥想類別方法準確率/%曲線面積查準率-查全率工作特性專注RF82.7→93.10.891→0.9680.865→0.962BayesNet77.0→88.40.715→0.9450.654→0.928SVM79.6→85.00.689→0.7630.612→0.700正念RF81.1→93.80.886→0.9820.862→0.979BayesNet76.7→87.20.713→0.9430.611→0.930SVM79.8→82.80.691→0.7330.603→0.665坐忘RF93.7→96.90.972→0.9970.971→0.997BayesNet85.3→96.60.854→0.9930.822→0.993SVM86.2→90.30.781→0.8490.726→0.831

注：校準前結果→校準后結果.

考察各個算法給出的分類模型后發現,模型用到的特征數量一般在5個以上,直接使用主成分分析對15維數據進行降維后給出的數據維度是7,這說明想要達到較好的識別準確度,算法必須同時利用多個特征.但主成分分析重構線性空間后新坐標系的可解讀性和可分析性變差,不利于對EEG結果進行解讀和分析,因此本研究不采用主成分分析進行維度壓縮.由于人的注意力和意念控制能力有限,若NFB系統反饋的參數過多,很容易令使用者顧此失彼,達不到訓練效果.優秀的NFB系統既要能準確識別目標狀態,又要為使用者反饋精簡有效的特征調整指令,因此后續研究應著眼于特征降維.另外,將禪修導師判斷學員水平的一些依據納入NFB系統也許是個可行辦法.

5　結　論

本研究采集和研究了樂易心法七日禪學員打坐冥想的EEG數據,采用數據挖掘的研究思路和方法,使用15維EEG特征和禪修導師評分作為數據集,以禪修學員水平作為分類目標,對數據采用個性化校準方案,測試了RF、SVM、kNN、BayesNet等多種分類和回歸算法的準確率.實驗結果表明,本研究提出的15維EEG特征和個性化校準方案可以有效地解決EEG研究中的個體差異問題,提高冥想水平分類準確率,為更智能的冥想NFB系統研發提供了支持,也為相關研究領域提供了一種解決EEG個體差異問題的思路.

參考文獻：

[1]余國良,董妍.我國心理健康研究的現狀、熱點與發展趨勢[J].教育研究,2012,33(6):97-102.

[2]周昌樂.博學切問[M].廈門:廈門大學出版社,2015:209-212.

[3]TANG Y Y,HOLZEL K,POSNER M.The neuroscience of mindfulness meditation[J].Nature Reviews Neuroscience,2015,16(4):213-225.

[4]ZHOU R L,LIU L.Eight-week mindfulness training enhances left frontal EEG asymmetry during emotional challenge:a randomized controlled trial[J].Mindfulness,2017,1(8):181-189.

[5]趙建強,周昌樂.短期禪修效果的腦電圖多尺度排列熵分析[J].廈門大學學報(自然科學版),2016,55(3):420-425.

[6]EVANS R J.Handbook of neurofeedback[M].Binghamton:The Haworth Medical Press,2007:3-10.

[7]吳金華,張艷秋,唐毅.數據挖掘在生物信息學中的應用文獻計量學視角[J].生物信息學,2016,14(4):249-253.

[8]LIU Y S，SOURINA O,HOU X Y.Neurofeedback games to improve cognitive abilities[C]∥2014 International Conference on Cyberworlds.Santander:IEEE,2014:161-168.

[9]BRANDMEYER T,DELORME A.Meditation and neurofeedback[J].Frontiers in Psychology,2013,4(1):688670.

[10]SAS C,CHOPRA R.Medit aid:a wearable adaptive neurofeedback-based system for training mindfulness state[J].Pers Ubiquit Comput,2015,7(19):1169-1182.

[11]HASHEMI A,PINO J L,MOFFAT G,et al.Characterizing population EEG dynamics throughout adulthood[J].eNeuro,2016,3(6):1-13

[12]周昌樂.從當代腦科學看禪定狀態達成的可能性及其意義[J].杭州師范大學學報(社會科學版),2015(3):17-23.

[13]Emotiv Inc.Emotiv epoc & testbenchTMspecifications[EB/OL].[2017-10-07].https:∥www.emotiv.com/files/Emotiv-EPOC-Product-Sheet-2014.pdf.

[14]FELL J,AXMACHER N,HAUPT S.From alpha to gamma:electrophysiological correlates of meditation-related states of consciousness[J].Medical Hypotheses,2010,75(2):218-224.

[15]汪云九.神經信息學神經系統的理論和模型[M].北京:高等教育出版社,2006:403-407.

[16]佩特根,于爾根斯,紹柏.混沌與分形[M].田逢喜,譯.北京:國防工業出版社,2008:300-305.

[17]WEISSTEIN W E.Minkowski-bouligand dimension[EB/OL].[2017-12-18].http:∥mathworld.wolfram.com/Minkowski-BouligandDimension.html.

[18]SHANNON C.A mathematical theory of communication[J].Bell Systems Technical Journal,1948,3(27):379-423.

[19]TAKENS F.Detecting strange attractors in turbulence[C]∥Dynamical Systems and Turbulence.Heidelberg:Springer,1981:366-381.

[20]李穎潔,邱意弘,朱貽盛.腦電信號分析方法及其應用[M].北京:科學出版社,2009:1-3.

[21]FRANK E,HALL A M,WITTEN H I.The WEKA workbench[M].San Francisco:Morgan Kaufmann,2016:1-8.

[22]FRANK E,WITTEN H I.Generating accurate rule sets without global optimization[C]∥ICML′98 Proceedings of the Fifteenth International Conference on Machine Learning.San Francisco:Morgan Kaufmann,1998:144-151.

[23]周志華.機器學習[M].北京:清華大學出版社,2016:30-35.

[24]CHIESA A,CALATI R,SERRETTI A.Does mindfulness training improve cognitive abilities? A systematic review of neuropsychological findings[J].Clinical Psychology Review,2011,31(3):449-464.