基于EEG的音樂舒緩緊張情緒的研究

彭金歌，郭濱，沙文青，白雪梅，張晨潔

（長春理工大學 電子信息工程學院，長春 130022）

自20世紀中期起，音樂治療便開始在社會中悄然發揮作用。隨著社會和科學的發展，人們越來越意識到音樂對人情感、情緒引導的重要作用。因此，將音樂與神經科學、認知心理學和信號處理等學科交叉融合的研究已經成為學術界的熱點。

理論研究表明，產生的刺激信息主要經過大腦的下丘腦、海馬體和杏仁核傳遞給腦部邊緣系統，在此產生情緒、情感[1]。隨著科學技術的發展，腦—機接口（Brain-Computer Interface，BCI）技術越來越受到人工智能領域研究者的青睞；將BCI通信方式應用于EEG信號的情感特征提取與識別，使研究腦的情緒感知不對稱性、大腦分區等問題變得更加方便[2]。此外，音樂作為對大腦的一種無形的刺激，不僅可以影響人的認知，還可以改變人的自主神經系統反應功能，誘發情緒。在現有的研究中，很多實驗可以有效證明音樂可以影響情緒變化[3-5]。

針對將音樂與EEG信號相結合的這一創新，國內外已經開展了一系列研究工作，如：文獻[6]利用EEG信號分析了在悲傷情緒下不同類型的音樂對此情緒的舒緩作用；文獻[7]使用各種影片視頻誘導產生平靜、愉悅、悲傷、緊張和厭惡五種常見情緒狀態，對情緒下的EEG信號進行分類，最高識別率達89.22%；文獻[8-12]的共性都是將EEG信號劃分到α、β、δ、θ、γ的頻段后，結合機器學習算法，通過對每個頻段的信號數據進行特征提取來實現對情緒的分類、識別以及關聯度分析等研究；文獻[13]研究發現，左右腦區中存在的各種EEG信號的節律波會隨著情緒的變化而不同；文獻[14]運用Hjorth參數對情感識別實現了優化的特征選擇并研究出了一套集成學習的方法；文獻[15]綜合探討了目前在腦電與音樂相結合的研究領域所采用的熱門分析方法。

實驗研究在人處于緊張情緒時，通過聆聽歡快、憂傷兩種類型的音樂，測量在音樂作用前后人腦EEG的變化情況，分析出左右腦區對不同類型音樂的敏感程度及不同類型音樂對人緊張情緒的舒緩作用。

1 理論分析

1.1 自我評估表量化

自我評估（Self-Assessment Manikins，SAM）表是由Lang等人設計提出的一種非語言且面向圖片的情感自我評估工具，可以用來直接測量與一個人對各種刺激的情感反應有關的愉悅度、喚醒度和對一個物體或事物的反應支配度（即優勢事件）[16-17]。目前大多采用的SAM表是紙筆版本的，因此在情感檢測中，是一種被廣泛使用、成本低廉、簡單方便的方法。根據研究的實際需要，對標準的SAM表進行了改進，只考慮愉悅度和喚醒度兩方面，如圖1所示[18]。改進的SAM表愉悅度的范圍是從哭臉到笑臉，愉悅程度逐漸上升；喚醒度的范圍是從閉眼困倦到睜眼興奮逐漸上升。

1.2 振幅能量

濾波后，通過對比前額左右腦區在不同音樂舒緩作用下振幅能量的變化，可以初步分析出在緊張情緒刺激下左右腦對不同音樂的敏感程度，篩選出在歡樂、憂傷音樂舒緩條件下左右腦區波形變化反應最明顯的區域，為后續的功率譜分析做鋪墊。

圖1 改進的SAM表評價圖

1.3 EEG信號功率譜

在對EEG信號進行頻域分析時，功率譜估計是一種常用方法。EEG信號可以通過將EEG轉換成功率隨頻率變化的譜圖，更加直觀的從功率譜圖中分析EEG信號不同波段的功率分布與變化情況。在對腦電弱信號進行定量分析時，功率譜估計是所有頻域分析的基本方法。

研究中采用非參數譜估計法中的周期圖法對EEG信號中的α波、β波進行功率譜估計。周期圖法是一種基于離散傅里葉變換（Discrete Fourier Transform，DFT）且常用于離散信號功率譜密度估計的方法。對于長度為N的離散時間序列x(1),x(2),…,x(n)，先對x(n)取DFT或FFT，由時域變換到頻域，得到F(ω)即：

功率譜密度函數的其中一種定義是：

當序列的長度N為有限值時，可以忽略公式（2）中求極限和求期望的運算，由此得到周期圖法功率譜估計的公式：

從理論分析上，若信號在時域上是離散的，那么對應在頻域上就是周期的；對于在頻域上帶寬一定的離散信號，時域一定是無限長的序列。由于FFT、DFT對于時間序列的分析都是只取一段有限長的數據進行計算，這就相當于在原信號上加了一個矩形窗。“加窗”還對頻譜起到平滑作用，研究中選用具有較高分辨率的矩形窗作為窗函數：

其中，w(n)為窗函數，M為截止時間序列的個數。為了便于研究，在Matlab分析數據時，取功率為。

1.4 Hjorth參數

1970年，Bo Hjorth首次提出了Hjorth參數的概念，并廣泛應用于EEG信號的特征提取和分析處理[19]。Hjorth參數是一種可以同時描述EEG信號在時域、頻域中瞬時特征的統計函數，也稱為歸一化斜率描述符（NSD）。Hjorth參數由三個描述符組成：活動性（Activity）、移動性（Mobility）、復雜性（Complexity）。

活動性（Activity）表示信號的活動情況，用來衡量EEG信號的平均功率；是一次函數的方差。移動性（Mobility）表示平均頻率或功率譜的標準偏差的比例，用來衡量與平均頻率的接近性；定義為方差的一階導數標準差與標準差的比值。復雜性（Complexity）表示的是信號與純正弦波的相似性，用來度量頻率變化情況，衡量與信號帶寬的接近性；定義為函數一階導數的移動性與函數的移動性的比值。若信號相似于純正弦波，則復雜性（Complexity）值收斂到1。由此可以看出，Hjorth參數的分析都是在計算EEG信號方差的基礎上展開的，相比于其他分析方法計算量較小，成本低，更容易實現。三個描述符的公式定義如下所示：

其中，σx是EEG信號x的標準差，是x的方差，σd對應x的方差的一階導數標準差，σdd對應x的方差的二階導數標準差。

2 研究方法

2.1 實驗條件及對象

實驗分別在兩個房間里進行：房間A在放松情緒時僅播放歡快舒緩的音樂，而房間B中僅播放憂傷舒緩的音樂。實驗過程中盡量避免使用所有可能的干擾電磁輻射源。實驗對象為20名男女各半的18～22歲在校本科生（被測者均聽力正常，未受過專業音樂訓練，心理健康且為右利手），平均分為兩組，分別在兩個實驗房間同時進行實驗。實驗中選取的情緒誘導視頻是本校大學生網站所評選的令人感到最緊張的三個視頻片段；房間A、B在對被測者進行情緒放松時，分別播放該網站所評選的具有舒緩作用的歡快節奏和憂傷節奏的音樂。實驗前讓所有被測者填寫改進的SAM表并測量EEG信號，及時對采集到的數據進行分析，確保其情緒都處于平靜狀態。

2.2 實驗過程

首先，按照國際10-20系統（the 10-20 international System）電極放置法，將腦電帽的8個電極固定在被測者頭部的規定區域，在實驗中持續采集EEG信號。然后，在兩個房間內同時播放篩選后的緊張視頻片段5分鐘，用于誘發緊張情緒；被測者在觀看完視頻后，用2分鐘填寫改進的SAM表，通過對SAM進行數據分析，判斷其情緒是否發生變化。填表的2分鐘過后，在房間A、房間B分別對應播放篩選后的歡快、憂傷舒緩音樂5分鐘；被測者在聆聽完音樂后，用2分鐘時間再次填寫改進的SAM表，分析其情緒是否恢復平靜。一次實驗過程持續約14分鐘。最后，將實驗過程中各時間段采集的EEG信號進行數據分析處理，并通過分析對比EEG信號的振幅能量、功率譜密度和Hjorth參數得出結論。

2.3 實驗測試指標及說明

實驗采用OpenBCI V3 8bit開源Arduino EEG模塊-8通道進行EEG數據的采集，腦電采樣頻率為250Hz，可以持續記錄實驗過程中被測者EEG變化情況。將EEG的8個電極采用標準的電極安放法，安放于大腦前額FP1（左前額區，通道1）、FP2（右前額區，通道2）、C3（左側中央區，通道3）、C4（右側中央區，通道4）、T5（左后顳區，通道5）、T6（右后顳區，通道6）、O1（左枕區，通道7）、O2（右枕區，通道8）。由于前腦是精神思維和情緒感知最集中的部分，大腦中部用于運動和感覺，后部主要跟視覺有關，所以前腦是與實驗研究最相關的區域。由于FP1、FP2這2個區域幾乎覆蓋了人的整個額葉區，所以由這2個區域測得的數據更能綜合反映出人情緒變化時左右腦波差異。因此，可利用左右前腦波振幅均值的變化來初步估計音樂舒緩前后受試者左右腦波形變化。

實驗共測出了20名學生的EEG數據，每種音樂環境下10名。由于數據量過大，將處于同房間的人在對應相同時間點測得的數據先取平均值處理，再進行噪聲（包括眼電信號）濾除。其中，所有數據取均值處理都是采用SPSS軟件實現的；濾波是采用獨立分量分析（Independent Component Analysis，ICA）[20]的方法，利用Matlab中Eeglab工具箱中的命令編程實現的。對濾波后得到的EEG信號進行腦電特征提取，經過FFT加窗函數的運算處理，將完整的EEG信號在1～30Hz內分成4個主要頻段，如表1所示。

表1 EEG信號的4個主要頻段劃分

α波為正常人腦中的普通波，是EEG的基本節律；α波的出現說明此時大腦處于清醒放松狀態。β波是人受到刺激時出現的EEG波形，反應出此時大腦處于高度緊張、注意力集中的興奮狀態[21]。因此，在分離出的4個波段中，只需分析α波和β波的變化即可判斷受試者情緒的變化情況。由于情緒是一個緩慢變化的過程，所以分析緊張情緒時只分析播放音樂前1分鐘的腦電變化；分析音樂的舒緩作用時只分析音樂播放完成后1分鐘的腦電變化，因此在仿真圖中只展示15000個點的數據變化。

3 結果

3.1 行為數據分析結果

通過在不同階段讓受試者接受SAM表測試，確定是否達到滿足實驗需求的情緒狀態。由得到的情緒數據分析發現，受試者在平靜、緊張狀態下總分的平均值分別為5.24和3.61；在聆聽過一段時間的歡樂、憂傷風格的音樂后情緒總分的均值分別為6.12和5.89。行為數據分析表明，音樂可以緩解緊張情緒，轉變情緒的發展方向。

3.2 腦電數據分析結果

3.2.1 振幅能量分析

不同腦區對不同類型音樂刺激的敏感程度是不同的，圖2、圖3分別展示了在播放不同音樂的環境下測得的左右前額腦區能量變化。在同一時間，圖2（a）和圖2（b）中可以看出，在聆聽歡樂舒緩音樂前，通道1（左腦區）與通道2（右腦區）的能量變化近似；圖2（c）和圖2（d）中可以看出，通道1（左腦區）在聆聽歡樂舒緩音樂后，能量明顯增大且大于通道2（右腦區）的能量變化。圖3（a）和圖3（b）中可以看出，在聆聽憂傷舒緩音樂前，通道1（左腦區）與通道2（右腦區）的能量變化近似；圖3（c）和圖3（d）中可以看出，通道2（右腦區）在聆聽憂傷舒緩音樂后，能量明顯增大且大于通道1（左腦區）的能量變化。由此可初步估計，在緊張情緒的刺激下，左腦對歡快風格的音樂較敏感，右腦對憂傷風格的音樂較敏感。

3.2.2 EEG功率譜分析

經過FFT加窗函數實現對腦電信號α、β波段的特征提取后，可以在頻域分析兩種腦波節律的功率譜。如圖4-6所示，取1、2通道采集的EEG信號計算功率譜，按照腦波節律的頻段劃分出α波和β波，分別展示兩種波段的功率。

從圖4（a）和圖4（b）中可以看出，此時α波的功率最大值為1000dB/Hz左右，功率主要分布在300dB/Hz；β波的功率較小，最高為50dB/Hz左右，功率主要分布15dB/Hz。同一時間α波的功率值明顯高于β波，說明此時受試者正處于情緒穩定狀態，無緊張在仿真圖4（c）和圖4（d）中可以看出，此時α波的功率最大值不超過1000dB/Hz，且頻率主要分布在8～10.5Hz；β波的功率較大，在14～15Hz的功率均接近2000dB/Hz。同一時間β波的功率值明顯高于α波，可以說明受試者當前確實處于情緒波動狀態，有緊張情緒產生。

在緊張情緒的刺激下，研究對歡樂音樂敏感的左腦區的α、β節律變化情況如圖5所示。讓受試者聆聽歡樂音樂后，α波在8～10.5Hz處的功率譜值在2500dB/Hz附近較為集中，較緊張狀態下的α波功率明顯提升；β波除少數尖峰值的出現外，功率值都在1000dB/Hz左右，且主要分布頻段也擴大到14～17Hz，較緊張狀態下的β波功率明顯下降，主要占用頻寬變大。可以說明在緊張情緒下，歡快的音樂對左腦區情緒波動有舒緩作用。

圖3 憂傷音樂舒緩前后左右腦區能量變化

圖4 緊張情緒前后的α、β波變化情況

圖5 歡樂音樂舒緩情緒后α、β波變化情況

在緊張情緒的刺激下，研究對憂傷音樂敏感的右腦區的α、β節律變化情況如圖6所示。在讓受試者聆聽憂傷音樂后，α波在8.5～10.5Hz之間的功率值主要分布在1000dB/Hz附近，少數峰值可達到2000dB/Hz以上，與圖4中處于緊張情緒時α波變化有所不同，且少數峰值接近3000dB/Hz，功率上升，主要分布頻段為8～10Hz；對于β波，主要分布在14～17Hz，平均功率值在50dB/Hz左右，與圖4中的β波功率相比明顯減小，主要占用頻寬變大。可以說明在緊張情緒下，憂傷的音樂對右腦區情緒波動有舒緩作用。

圖6 憂傷音樂舒緩情緒后α、β波變化情況

3.2.3 Hjorth參數分析

對表2中計算的在情緒的各個階段測得的EEG信號的Hjorth參數進行數據分析，可以發現：緊張狀態與平靜狀態相比，EEG信號的活動性、移動性變小，復雜性變大，即功率和平均功率譜之間的偏差比例變小，與正弦波的接近程度變小；在經過歡樂音樂舒緩和憂傷音樂舒緩后，對比參數變化看出，歡樂音樂播放后計算出的Hjorth參數與平靜狀態下的Hjorth參數更為接近，并且活動性有明顯提高，即功率明顯變大。由此可說明，在歡樂音樂對左腦的緊張情緒有明顯舒緩作用；憂傷音樂的舒緩作用對于左腦并不明顯。

表2 左腦前額Hjorth參數計算數據

對表3中計算的在情緒的各個階段測得的EEG信號的Hjorth參數進行數據分析，可以發現：在經過歡樂音樂舒緩和憂傷音樂舒緩后，憂傷類型的音樂播放后計算出的Hjorth參數與平靜狀態下的Hjorth參數更為接近，復雜度明顯降低，即復雜度參數值更接近于1，證明EEG波形更接近于正弦波的狀態。由此可說明，憂傷音樂對右腦的緊張情緒有明顯舒緩作用；歡樂音樂的舒緩作用對于右腦并不明顯。

表3 右腦前額Hjorth參數計算數據

4 結論

讓被測者在緊張情緒下聆聽歡快與憂傷兩種類型的音樂，運用改進的SAM表分析被測者實驗過程中的情緒變化，并在頻域對采集的EEG信號進行α波、β波的分波段、分腦區的功率譜分析；利用Hjorth參數對EEG信號的時間序列進行時頻分析，驗證了在緊張情緒下不同類型音樂對左右腦的舒緩作用不同，左腦對節奏歡樂的音樂更敏感，右腦對憂傷的音樂更敏感。在研究中還發現，音樂舒緩緊張情緒后對α波的主要占用頻寬無明顯影響，而β波的主要占用頻寬變大。因此，在舒緩緊張情緒時，可以選擇聆聽融合這兩種風格的音樂。根據緊張程度的不同，若將兩種風格的音樂針對EEG信號與情緒變化進行提取特征，選擇不同的融合比例，作為音樂治療的新型專用音樂，可以達到更好的治療效果，為音樂治療領域的發展提供新的途徑。